基于脉冲耦合神经网络的图像插值算法
【计算机工程与设计】_中值滤波_期刊发文热词逐年推荐_20140726
推荐指数 3 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
2013年 序号 1 2 3 4 5 6
2013年 科研热词 随机统计特征 桥梁裂缝检测 拉冬变换 小波系数 多特征融合 人工神经网络 推荐指数 1 1 1 1 1 1
2014年 序号 1 2 3 4 5
科研热词 顶帽变换 迭代中值滤波 模糊算子 图像增强 反锐化掩膜
推荐指数 1 1 1 1 1
推荐指数 4 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2010年 序号 1 2 3 4 5 6 7 8
科研热词 图像处理 中值滤波 脉冲噪声 灰度图像 数理统计 摄像头 巡线 图像采集系统
推荐指数 2 2 1 1 1 1 1 1
科研热词 中值滤波 边缘检测 ga-bp算法 阈值确定 表盘 脉冲噪声 粗集 神经网络 滑动窗口 混合噪声 泛化性能 模块化设计 显微图像 文本分割 数学形态学 数字识别 成份标注 张量投票 并行计算 基片 均值滤波 图像边缘检测 图像滤波 图像处理 图像增强 噪声检测 去除噪声 单相电度表 区域生长 像素比例 fpga dsp builder
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 31年 科研热词 推荐指数 中值滤波 3 鲁棒性 1 高斯噪声 1 零水印 1 阀值化 1 赋时矩阵 1 自适应策略:滤波算法 1 自适应权值的加权平均图像融合算法 1 脉冲耦合神经网络(pcnn) 1 离散小波变换 1 离散余弦变换 1 矩不变量 1 直方图均衡 1 欧氏距离 1 椒盐噪声 1 新的正则化方法 1 改进的中值滤波算法 1 掌纹图像 1 手语识别 1 感兴趣区域 1 快速红外图像增强 1 快速sobel边缘检测算法 1 并行处理 1 定位 1 图像还原器 1 噪声检测 1 可变步长 1 双线性插值 1 动态窗口 1 分类滤波 1 分割 1 伪验证 1 二值图像复原 1 二值图像 1 gbb方法 1 dsp系统生成器 1 bayer还原 1
基于深度神经网络的图像超分辨率重建算法研究
基于深度神经网络的图像超分辨率重建算法研究随着人们对于图像的需求越来越高，超分辨率重建技术的研究也越来越受到重视。
传统的超分辨率重建算法主要基于插值和滤波技术，这些方法的效果不尽如人意，不能很好地满足人们的需求。
通过近年来深度学习和神经网络的快速发展，基于深度神经网络的图像超分辨率重建算法逐渐成为了研究热点。
本文将对基于深度神经网络的图像超分辨率重建算法的研究进行探讨。
一、传统的超分辨率重建算法在了解基于深度神经网络的图像超分辨率重建算法之前，我们先来了解一下传统的超分辨率重建算法。
1、基于插值算法的超分辨率重建插值算法是目前应用最为广泛的一种超分辨率重建算法。
该算法的原理是将低分辨率图像插值得到高分辨率图像。
最常用的插值算法是双线性插值算法和双三次插值算法。
这种方法简单易懂，但是会使得图像边缘模糊，失真严重，因此不适用于高质量的图像重建。
2、基于滤波算法的超分辨率重建滤波算法的原理是在特定的滤波器下，通过卷积等数学方法将低分辨率图像转化为高分辨率图像。
滤波方法的效果相对于插值方法更好，但是误差也随之增加。
二、深度神经网络简介深度神经网络是一种人工神经网络，由多层神经元组成，对于非线性问题具有很好的处理能力。
其最大的优点是可以自动提取图像中的信息特征，从而对于复杂的图像处理任务有着非常好的效果。
三、基于深度神经网络的图像超分辨率重建算法基于深度神经网络的图像超分辨率重建算法是最近几年兴起的一种重建方法。
该方法利用深度神经网络对低分辨率图像的每一个像素点进行处理，在训练时通过使用高分辨率图像与低分辨率图像对模型进行训练，使其学习到高低分辨率图像之间的映射关系。
最终得到的是高质量的图像。
1、SRCNNSRCNN是一种基于深度卷积神经网络的图像超分辨率重建算法，输入是低分辨率图像，输出是高分辨率图像。
该方法的核心在于使用了多层卷积神经网络，同时学习到了低分辨率图像和高分辨率图像之间的映射关系。
这种算法可以使用多种深度学习框架来实现。
基于神经网络的图像超分辨率重构算法实现与应用
基于神经网络的图像超分辨率重构算法实现与应用在图像处理领域，超分辨率重构技术是一种常见的方法，它能够通过计算机的运算，将低分辨率的图像重构成高分辨率的图像，从而提高图像的清晰度和质量。
近年来，基于神经网络的图像超分辨率重构算法得到了广泛的关注和应用，具有很高的实用价值和研究意义。
一、神经网络技术在图像处理中的应用神经网络技术是一种模拟人脑神经系统的高级算法，它通过多层次的神经元相互连接，将输入信号转化为输出信号。
在图像处理中，神经网络技术可以用来实现图像分类、图像识别、图像重构等任务。
与传统的图像处理技术相比，神经网络技术具有自适应、自学习、非线性映射等优点，能够更好地处理图像数据。
二、图像的超分辨率重构图像的超分辨率重构是一种通过计算机运算将低分辨率图像重构成高分辨率图像的技术。
由于传感器或者采集设备的限制，一些图像数据在获取时只能获得较低的分辨率，使得图像的清晰度和细节信息都受到了限制。
但是在某些应用场景下，我们需要获得更高分辨率的图像，这时就需要使用超分辨率重构技术。
超分辨率重构有两种常用方法：插值法和基于模型的方法。
插值法简单易用，但是无法有效提高图像质量和清晰度。
基于模型的方法则需要根据图像的特征，构建合适的数学模型来进行运算。
近年来，基于神经网络的方法得到了广泛的研究和应用，具有更高的准确度和鲁棒性，可应用于超分辨率图像重构任务。
三、基于神经网络的图像超分辨率重构算法基于神经网络的图像超分辨率重构算法主要分为两种：单图像超分辨率重构算法和多图像超分辨率重构算法。
单图像算法通过学习训练数据集，构建神经网络模型，将低分辨率的图像映射到高分辨率空间。
可以使用卷积神经网络、循环神经网络、对抗生成网络等，通过反向传播等算法来优化神经网络模型，以达到更好的重构效果。
多图像算法则利用多张低分辨率图像和其高分辨率对应图像之间的相关性，构建起图像的高分辨率模型。
这种算法能够有效地提高模型的复杂性和精度，适用于一些需要大量图像交叉验证的任务。
基于脉冲耦合神经网络的视觉推断模型理论与应用研究的开题报告
基于脉冲耦合神经网络的视觉推断模型理论与应用研究的开题报告一、研究背景及意义随着机器视觉技术的不断深入发展，视觉推断技术已成为计算机视觉领域的一个重要研究方向。
视觉推断是指根据已有的视觉信息推断出未知的视觉信息的过程。
通常情况下，视觉推断包括两个阶段，即底层视觉特征提取和高层语义推断。
其中，底层特征提取主要利用计算机对图像进行处理和分析，获取图像中的低层次特征信息，如颜色、形状、纹理等。
而高层语义推断则是根据底层特征信息推理出图像的抽象意义或者概念。
目前，传统的视觉推断方法主要基于统计模型或者神经网络模型，但是这些方法都存在一定的局限性。
基于统计模型的方法往往需要建立大量的训练样本，且容易陷入过拟合问题；而基于神经网络的方法则存在计算时间长、模型结构复杂等问题。
因此，设计一种高效、可靠的视觉推断模型对于计算机视觉领域的研究具有重要的意义。
二、研究内容与方法本课题旨在设计一种基于脉冲耦合神经网络的视觉推断模型，并利用该模型进行图像分类和目标检测任务。
主要研究内容包括以下几点：1. 建立视觉推断模型：基于脉冲耦合神经网络的视觉推断模型，首先需要对图像进行底层特征提取，然后根据提取的特征信息进行高层语义推断。
脉冲耦合神经网络是一种生物启发式的神经网络结构，其结构简单、计算效率高，能够有效地处理非线性关系。
2. 进行图像分类任务：利用建立的视觉推断模型对图像进行分类，根据分类结果评估模型性能和准确率。
3. 进行目标检测任务：利用建立的视觉推断模型对图像中的目标进行检测和识别，根据检测结果评估模型性能和准确率。
本课题主要研究方法将采用深度学习和机器学习等技术，利用Python语言搭建程序进行模型的设计和实现。
并利用一些公开的图像数据集进行实验验证。
三、研究预期目标本课题预期达到以下目标：1. 建立基于脉冲耦合神经网络的视觉推断模型，能够准确地进行图像分类和目标检测任务。
2. 对比传统的视觉推断方法和本课题提出的脉冲耦合神经网络方法，评估模型的性能和优越性。
利用脉冲耦合神经网络实现数学形态学的基本运算及其应用
０ 引 言
２ ０世 纪 ９ ０年 代对猫 等小 型哺乳 动物视 觉皮层 的研 究促使 了脉 冲耦合 神经 网络 （ Ｃ Ｎ） Ｐ Ｎ 的产 生 和发展 ， Ｅ ｋ ｏｎ及其 同事在研 究猫 的视觉 皮层 时发 现 ， ｃ ｈｒ 由于刺 激输 入 而 引 起 的 同步 震 动 出现 在视 觉 皮层 的不 同 区 域， 而这些 区域具有 相 同 的局 部 特 征 。Ｅ ｋ ｏ 对 这 种 现 象 进 行 仿 真 后 ， 出 了一 种 脉 冲 耦 合 神 经 网络 。 ｃｈ ｍ 提
图１ Ｐ Ｎ Ｃ Ｎ神经元模型
此 图是 Ｔ ｉｄ ｌ ｈＬｎ ｂａ ｄ等应 用于 图像处 理 的 Ｐ Ｎ Ｃ Ｎ模 型 图示 。其具 体模 型为 ：
收稿 日期 ：０ ０一 １— ９ ２ １ Ｏ ０
基金项 目： 国家 自然科学基金资助［０ ７ ０ ５ ４ ８ ３３ ］ 作者简介 ： 武鹤 （９ ６） 男 ， １８ 一 ， 黑龙 江大庆人 ， 硕士研究生 ， 主要从事数字优化仿真技术 的研究。 郭科 （９ ８） 男 ， １５ 一 ， 四川 泸州人 ， 教授 ， 博士 ， 博士生导师 ， 主要从事数学地质 、 间分析及其应用的研究 。 空
出 的结 论 的 基 础 上 进 行 实验 验 证 和 推 广 ， 并将 其 应 用 于 图像 边 缘 检 测 ， 一 步 加 强 了 Ｐ Ｎ 进 Ｃ Ｎ与 数 学 形 态 学 的联 系 。 关 键 词 ：Ｃ Ｎ； 学形 态 学 ； ＰＮ 数 图像 处理 ； 边缘 检 测 中 图 分 类 号 ：Ｐ ８ Ｔ Ｉ３ 文 献标 志码 ： Ａ 文章 编 号 ： ０ １ ９—３０ （０ ０ ０ ０ ０ — ３ ０ ９ ７ ２ １ ）８— ０ １ ０
随后 被引入 图像处理 领域 ， 展示 出 了广 阔 的应 用前 景 。而后 Ｊｈ ｓｎ和 Ｒ ｎ ａ ｎｔ ｏ ｎｏ ａｇ ｎ ａ ｈ等对 Ｅ ｋ ｏｎ提 出的模 型 ｃ ｈｒ
基于神经网络的图像超分辨率重建算法研究
基于神经网络的图像超分辨率重建算法研究在现代社会中，图像处理已成为影响人们生活的重要领域之一。
图像超分辨率重建技术是其中的热门研究课题之一，它通过低分辨率图像重建出高分辨率图像，使得图像的清晰度和细节得到极大提升，具有广泛的应用前景。
在图像超分辨率重建技术中，目前主要采用的方法是插值法、插值再加噪声法、边缘保持滤波法和基于样式的超分辨率重建算法等。
然而，这些方法存在一定的局限性，因为插值法会使得图像中出现锯齿和模糊等问题，而其他方法则容易出现伪影和失真等问题。
近年来，基于神经网络的图像超分辨率重建算法得到了广泛的研究和应用。
该方法通过利用深度学习技术对低分辨率图像和对应的高分辨率图像进行学习，从而建立起一个神经网络模型，并运用模型来对低分辨率图像进行重建。
该算法通过识别和自适应学习图像中的细节信息，从而提高图像超分辨率重建的精度和效果，减少了插值法和其他传统算法中常见的问题。
基于神经网络的图像超分辨率重建算法的研究和发展，主要关注以下几个方面：1.神经网络的构建基于神经网络的图像超分辨率重建算法，首先要构建一个合理的神经网络模型。
神经网络的结构和层数、激活函数的选择以及损失函数的设计等因素都会对重建算法的效果产生影响。
目前，常用的神经网络模型包括SRCNN、FSRCNN、VDSR和SRGAN 等，而其中，SRCNN模型是应用较为广泛的模型之一。
2.训练数据的准备训练数据的质量和数量对图像超分辨率重建算法的学习效果和性能具有重要影响。
因此，在进行训练之前，需要先准备大量的低分辨率图像和对应的高分辨率图像。
此外，为了减轻数据集的不平衡性，可以采用数据增强技术，如旋转、翻转、裁剪等，为训练数据集增加多样性。
3.网络训练和优化网络训练是基于神经网络的图像超分辨率重建算法的核心环节，其目的是通过反向传播算法，调整网络中的权重和偏置参数，从而优化模型的性能和精度。
在网络训练中，通常采用灰度值均值和标准差的归一化方法，以避免数据偏差，同时也会使用合适的优化算法、学习率、正则化参数等技术，以提高网络效果。
基于脉冲耦合神经网络的空中扩展目标检测
第19卷 第12期强激光与粒子束Vol.19,No.12 2007年12月HIGH POWER L ASER AND PAR TICL E B EAMS Dec.,2007 文章编号: 100124322(2007)1222011206基于脉冲耦合神经网络的空中扩展目标检测3彭真明, 蒋 彪, 肖 峻(电子科技大学光电信息学院,成都610054) 摘 要: 对单位链接脉冲耦合神经网络模型中的线性调制、动态阈值衰减方式及步长、迭代次数控制等关键环节进行了改进,进一步简化了网络模型,使其更适合于图像处理。
并针对低对比度、背景连续变化环境下的空中扩展目标检测问题,应用反色处理,并采用最大直线轮廓点数方法,确定其最佳迭代次数和分割结果,实现目标的自动检测。
仿真实验结果表明,该方法能清晰完整地保留目标轮廓,有效检测出复杂背景下的空中扩展目标。
关键词: 脉冲耦合神经网络; 调制; 动态阈值; 轮廓跟踪; 目标检测 中图分类号: TP391 文献标识码: A 脉冲耦合神经网络(PCNN ),是一种不同于传统人工神经网络的新型人工神经网络。
PCNN 有着生物学的背景,是依据猫、猴等动物的大脑视觉皮层上的同步脉冲发放现象提出的[1]。
目前,PCNN 已广泛地应用于机器视觉、模式识别、决策优化[2]等方面。
PCNN 尤其适合于图像处理,如图像分割[328]、边缘检测[9]、图像融合[10]、目标检测[11212]等方面。
最近,一种简化的PCNN ,即单位链接PCNN [4,13]被提出,因其容易软硬件实现而被广泛应用于图像处理的各个方面。
目标检测是将图像分割技术应用于某种特定类型的图像进行分割,对于空中扩展目标检测,由于云层遮挡、气流以及光照条件等影响,使得成像后图像具有目标与背景的对比度低、有较复杂的云层背景等特点[14]。
这样,常规的图像分割和目标检测方法很难用于这类目标的检测[15]。
本文将PCNN 方法用于空中扩展目标检测,并对原有单位链接PCNN 模型进行了改进:线性调制;线性衰减动态阈值(T );针对目标检测选择参数衰减步长(Δ)和迭代次数(N );反色处理。
基于脉冲耦合神经网络的故障检测算法研究
管理单元也可以通过外部 网络与汇聚节点进行交 互 ， 向传 感 器节 点 发布 控 制 命 令 和 查 询 请 求 ， 并
接 受传 感器节 点 发来 的监 测 目标 信息 。
收稿 日期：２ ０ １ ３ －１ ２ －１ ９ 基金项 目：国家 自然科学基金民航联 合基金基金项 目 （ Ｕ１ ３ ３ ３ １ ０ ２ ） 作者简介：王丙元 （ １ ９ ６ ８一 ），男，辽宁朝 阳人 ，教授 ，博士，主要研究领域为故障诊断及 网络测控技术 。
０ 引言
助 航 灯 由于 老 化 或 外 界环 境 原 因而 不 能 正 常 使 用 ，尤 其 是 进近 区助 航 灯 的 故 障 会影 响飞 机 着
陆 高 度 的 定位 ，直 接 影 响 飞 机 的 安 全 ，所 以实 时
１ 无线传感器 网络设计
１ ． １结构设计 无 线 传 感 器 网 络 的 体 系 结 构 一般 由传 感 器 节
点 、汇 聚 节 点 、 管理
掌握 控 制 助航 灯 的工 作 状 态信 息 以确 保 飞 机 着 陆 的安 全是 非常 有必要 的 。
在 信 息 采 集 和数 据处 理 中 ，现 有 的方 法 存 在
不 及 时 、不 准 确 的 缺 点 。无 线传 感 器 网络 作 为 一 门 新兴 的技 术 ，正 以其 特 有 的优 势 越 来 越 广 泛 地
本 文 将 无 线 传 感 器 网络 引入 机 场 助航 灯 光 单
灯监控系统 ，其优势 为系统布设简单和灯光控制
实 时 性 好 ，并 采用 集 中式 融 合 技 术 ，对 于 实 现 助 航 灯 的 故 障 诊 断 ，提 高灯 光 监 控 系 统 的 可靠 性 ， 增 强 机 场 地 面保 障 能 力 ，保 证 飞 机 进近 和 着 陆 安 全具 有 非常重 要 的意义 。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
２ Ｃ Ｎ基本原理与简化模型 Ｐ Ｎ
本文设计采用简化的 Ｐ Ｎ Ｃ Ｎ神经元模型进行处理 ，单个
高 了图像边缘 的清晰度 ，但当图像变形较大 时，仍会造成边
缘层次模糊和锯齿 ；随着非线性科 学理论 的蓬勃发展 ，梯度 插值 】 、小波变换 ＿等非线性处理手段也 已被 应用在图像插 ｏ
Ｃ ｕ ｌｄＮｅ ｒｌ ｅｗｏｋＰ Ｎ ｏ ｐｅ ｕａ Ｎ ｔ ｒ（Ｃ Ｎ）ｉ ｉｔ ｄ ｃ ｄ Ｔ ｅｃｕｔ ｓａｄｔｅｐｏ ａａｉｎｐ ｔｓｏ ｕｓ ｒ ｂ ｉｅ ｙｕｉｇｔｅｓｎ ｈｏ ｏ ｓｐ ｌ ｕｓ ｓ ｎｒ ｕ ｅ ． ｈ ｌｓ ｒ ｎ ｒｐ ｇ ｔ ａ ｆ ｌ ａｅｏ ｔ ｎｄｂ ｓ ｙ ｃ ｒｎ ｕ ｕｓ ｂ ｒｔ ｏ ｅ ｈ ｏ ｈ ｐ ｅ ａ ｎ ｈ ｅ
提取等方面取得 了较好的成果。该方法依据 Ｐ Ｎ Ｃ Ｎ源 自于 哺 乳动物 的神经视觉模 型 ，具有很好 的图像分割能力 ，能有效 地识别 图像 的边缘 区、平滑区和纹理 区等不 同区域。同时依
据其神经元 的点火路径 ，能明确指 明不 同区域的方向 ，正确
引导插值 。本文 引入 了基于 Ｐ ＮＮ 的插值算法 ，该插值 算 Ｃ Ｊ 法 先根据神 经元 点火特性 将图像 分割成 不同灰 度区域 的集 群 ，再对集群 内及集群间隙像素点采有不 同的插值算法 ，完
文，副教授 ；胥
磊 ，硕士
Ｍｘ Ｎ的图像矩 阵对应于一个 由Ｍ ｘ Ｎ个 Ｐ ＮＮ神经元构成 Ｃ 的神经元网络。
作者倚介 ：刘春梅（ ７ 一） １ ７ ，教授、博士 ；曹 ９ 收稿 日 ：２１—０Ｏ 修回 日期 ： ０ １１－ Ｅｍａ ：ｍ ｉｅ ６０ ６． ｒ 期 ０ｌｌ一８ ２ １－１ ８ ２ ・ ｉ ｅ ｉ０ ＠１３ ｏ ｌ ｍ 一 ｃｎ
成 整 幅 图像 的插 值 工 作 。
邻插值 、双线性插值 以及各类样条插值 等算法…较简单 ，运
算速度快 ，易于用 电路实现，但其插值过程近似于低通滤波
处理 ，常常导致 图像过于平滑 ，边缘模糊 。为 了解决这一问 题 ，近年来提 出了许多基于边 缘的新 的有效 的插值方法 ，有
些 是在传统 的方法上进行改进 Ｌ Ｊ ２ ，如基 于边缘 的双线 性插 ’值 、基于边缘 的样条插值等 ，这些改进算法在一定程度上提
中图分类号； Ｐ９． Ｔ ３１ ９
基于脉 冲耦 合神 经 网络 的图像 插值 算法
刘春梅 ，邹传云 ，曹 文 ，胥 磊
（ 西南科技大学信息工程学院 ，四川 绵 阳 ６ １ １） ２００ 摘 要 ：为解决数字 图像插值过程 中边缘锯齿和图像模糊 问题 ，提 出一种基于脉冲耦合神经 网络（Ｃ Ｎ） Ｐ Ｎ 的图像插值算法 。利用 Ｐ Ｎ 同 ＣＮ
第 ３ 卷 第 ｌ 期 ８ ５
Ｖ０ ． ８ １３
・
计
算
机
工
程
２１ ０ ２年 ８月
Ａｕｇ ｓ ｕ ｔ ２０１ ２
Ｎ Ｏ．５ １
Ｃｏ ｐ ｅ ｇ ｎ ｅ ｉ ｇ ｍ ｕｔｒＥｎ ｉ ｅ ｒｎ
图形 图像 处理 ・
文章编号： ０ｏ ２（ １１ ２２ ３ 文献标 １０ ４８０２ ５ ２ － ２ ）—０ —０ 识码： Ａ
脉 冲 耦 合 神 经 网 络 （ｕｓ ｏ ｐｅ ｅ ｒｌＮｅ ｒ， Ｐ ｌ Ｃ ｕ ｌｄ Ｎ ｕａ ｅ ｔ ｋ ｗｏ Ｐ Ｎ 近年在 图像处理 中得到极 为广泛的应 用，它在 图像 处 Ｃ Ｎ）
理 领 域 如 图 像 增 强 、 目标 识 别 、 图像 融 合 、 图像 去 噪 、边 缘
［ ｓ ａ ｔ ｏｒｄ ｃ ｅｅ ｇ ａ ｔｏｈａｄｂｕ ｆｍａｅｄ ｒ ｇｔｅｄｇｔｌｍａ ｅｉｔｐ ｌｔ ｎ ａ ｇ ｔ ｐ ｌｔ ｎａｇ ｒｈ ｂ ｓｄｏ ｕｓ Ａｂ ｔ ｃｌＴ ｕｅｔ ｄ ｅｓｗ ｏｔ ｎ ｌ ｏ ｇ ｕｉ ｉｉ ｇ ｅ ｏａｉ ， ｎｉ ｅｉ ｅ ｏａｉ ｌｏｉ ｍ ａｅ ｎＰ ｌ ｒ ｅ ｈ ｒ ｉ ｎｈ ａｉ ｎｒ ｏ ｍａ ｎ ｒ ｏ ｔ ｅ
神 经元模型如图 １所示。它是 由若干个神经元互连而构成的
反馈型网络 ， 每个神经元 ， 由接收单元、调制单元和脉冲 都 产生单元 ３个部分组成。在进行图像处理时 ，神经元 的个数
值 中，并取得 了较好 的效果 ，但这些算法都 是针对整 幅图像 进行计 算插值 ，插值过程将耗费大量时间和存储 空间，软硬 件 电路 实现 较困难 。而且小波变换 方法 由于其尺度 因子离散 化 ，使 它的 自适应能力也受到 限制 。另外，当原始 图像受噪 声 或光照干扰 比较严重 时，这些边缘增强插值算法将有可能
（ ｃ ｏ ｌ ｆ ｎ ｏｍａｉｎＥ ｇｎ ｅｉｇ Ｓ ｕｈ ｓ ｎｖ ｒｉ ｆ ｃｅ ｃ Ｓ ｈ ｏ Ｉｆ ｒ ｔ ｎ ｉｅ ｒ ， ｏ ｔｗｅｔ ｉｅｓ ｙｏ Ｓ ｉｎ ｅ＆ Ｔ ｃｎ ｌｇ ， ｉ ｙ ｎ ２ ０ ０ Ｃ ｉａ ｏ ｏ ｎ Ｕ ｔ ｅ ｈ ｏｏ ｙ Ｍ ａ ａ ｇ６ １ １ ， ｈｎ ） ｎ
ｐ ｏ ｅ ｔ ＣＮＮ，ｔ ｅ ｅ ｄ ｆｅ ｅ ｔｉ ｔ ｒ ｏ ａ ｉ ｎ ｍ ｅｈ ｄ ｉ ｓ ｄ ｉ ｈ ｎ ｅ ｎｄ ｉ ｔ ｒ ｌ ｏ ｌ ｓｅ ｓｔ ｎ ｓ ｎ ｅ ｏｌｔｏ ｆｔ ｏ ｅ ｉ ｇ ． ｒ ｐ ｒｙ ｏｆＰ ｈ ｎ ｔ ｉｆ ｒ ｎ ｎ ｅ ｌｔｏ ｔ ｏ ｓ ｕ ｅ ｎ ｔ ｅ ｉ ｎ ｒａ ｅｖａ ｓ ｆｃ ｕ ｔ ｒ ｏ ｆ ｉｈ ｉ ｔ ｒ ａ ｉ ｎ ｏ ｈ ｐ ｎ ｉ ｐ ｈｅ ｗｈ ｌ ｍａ ｅ Ｅｘ ｒｍｅ ｔ ｌ ｅ ｕ ｔ ｈ ｗ ｈ ｔｔ ｅ ｖ ｓ ａ ｆｅ ｔｏ ｔｒ ｏ ａ ｉ ｎ ａ ｇ ｒｔ ｍ ｓｍｕ ｈ ｂｅ ｅ ｈ ｈ ｆ ｅｂ ｌ ｅ ｒａ ｄ ｓ ｉ ｅａ ｇ ｒｔ ｍｓ ａ ｄ ｔ ｅ Ｐｅ ｋ ｐｅ ｉ ｎ ａ ｓ ｌｓｓ ｏ ｔ ａ ｈ ｉｕ ｌ ｆ ｃ ｆｉ ｅ ｌ ｔ ｌ ｏ ｉ ｒ ｅ ｎ ｐ ｏ ｈ ｉ ｃ ｔ ｒｔ ａ ｔ ａ ｏ ｉｉ ａ ｎ ｐｌ ｌ ｏ ｉ ｔ ｎ ｔ ｈ ｔ ｎ ｎ ｈ ，ｎ ａ ｈ
ｌ 概 述
图像插值 是数字 图像处理 中比较重要的应用 ，包括 图像 缩放、图像 检测及 图像增强技术等 ，广泛应用于视频监控、 远程医疗、图像 跟踪 等方面 。图像插值是利用原图像 已知像 素点 的灰度值按一定的算法来 产生新 的插值像素点 ，提高原 始 图像 的分辨率 。图像 插值 的关键在于要求插值后的图像清 晰度高、边缘轮廓突出。图像插值 的方法很多 ，传统的最近
导致边缘判定错误 。
基金项 目：国家 自然科学基金资助项 目（１７ ０ ） ６ ０ ５ ３
等于输入图像 中像素点 的个数 ，神经元与 图像像素点一一对 应。每个像素点的亮度输 入到对应 的神经元 的 Ｆ通道 ，同时 每个神 经元与其邻域 中的其他神经元相连 ，其 Ｌ通道接受邻 域中其他神经元 的输出。 若对 大小为 Ｍｘ Ｎ的图像进行处理 ，
步脉冲发放特性 ，获取 图像 的各个集群及点火路径，对集群 内和集群 间隙的像素采用不 同插值方法完成整幅图像 的插值 。实验结果表 明， 与双线性插值和三次 Ｂ样条插值 方法相 比，该算法在主观视觉效果方面有所改善 ，峰值信噪 比均获得 Ｏ２ｄ ． Ｂ以上 的提高 。
关健词 ：图像插值 ；脉冲耦合神经 网络 ；图像插值 ； 集群 ；视觉效果
Ｉ ａ ｅＩ ｔ ｒ ｌ ｔｏ ｇ ｒ ｔ ｍ ｇ ｎ ｅ ｐｏ ａ ｉ ｎＡｌ ｏ ｉｈｍ Ｂａ ｅ ｎ Ｐｕ ｓ ｕ ｅ ｕｒ ｌ ｔ ｏ ｋ ｓ ｄ ０ ｌｅＣｏ ｐｌ ｄ Ｎｅ ａ ｗ ｒ Ｎｅ
ＬＩ Ｃ ｈｕｎ ｍ ｅ，ＺＯ Ｕ Ｕ — ｉ Ｃｈｕａｎ ｙｕｎ， ＡＯ ｅ Ｘ Ｕ ｉ — Ｃ Ｗ ｎ， Ｌｅ
Ｓｇ ａ ｉ ａｉ（ Ｓ ｉｎ ｌｏＮｏｓ Ｒ ｔ Ｐ ＮＲ）ｓｎｒａｅ ｙｍｏｅｈ ． ｄ ． ｔ ｅ ｏ ｉｉｃｅｓｄｂ ｒ ａ ０２ Ｂ ｔｎ
［ ｙｗｏ ｄ ｌ ｉ ｇ ｔｒｏａ ｏ ； ｕｓ ｏ ｐｅ ｕａＮｅｗｏｋＰ Ｎ ；ｍａｅｉｔ ｏａｉｎ ｃｕｔｒｖｓａ ｆ ｃ Ｋｅ ｒ ｓ ｍａｅｉ ｅ ｌｉｎ Ｐ ｌｅ ｕ ｌｄＮｅ ｌ ｔ ｒ（ Ｃ Ｎ）ｉ ｇ ｅ ｌｔ ；ｌｓｅ； ｉ ｌ ｆ ｔ ｎｐ ｔ Ｃ ｒ ｎｒ ｐ ｏ ｕ ｅｅ ＤＯＩ １ ．９ ９ ．ｓ ． ０ —４ ８２ １．５０ ２ ： ０３ ６／ｉ ｎ１ ０３ ２ ．０ ２１ ．６ ｊｓ ０