專利名稱：采用時空濾波器的視網(wǎng)膜編碼器實現(xiàn)方法
技術領域：
本發(fā)明涉及一種計算機應用技術領域的方法，具體是一種采用時空濾波器的視網(wǎng)膜編碼器實現(xiàn)方法。
背景技術：
視網(wǎng)膜編碼器是視網(wǎng)膜人工視覺假體的一個重要組成部分，是從已知的生理知識和實驗數(shù)據(jù)出發(fā)，為解決輸入圖像和刺激脈沖串之間對應關系而提出的。視覺是人類獲得信息的一個重要途徑。然而世界上有很多人存在不同程度的視覺障礙，不能通過視覺獲得信息。據(jù)世界衛(wèi)生組織統(tǒng)計，全球約有近4000萬人失明，另有約1億人有著不同程度的視力損傷或削弱。對于因視網(wǎng)膜疾病而導致失明的患者來說，他們?nèi)杂幸徊糠忠暰W(wǎng)膜細胞和視神經(jīng)細胞功能完好。所以可以嘗試在視網(wǎng)膜上設計視覺假體，通過將視覺信息轉(zhuǎn)換為電刺激來刺激視網(wǎng)膜上未受損的部分來部分重建視覺。如何部分或完全恢復盲人的視覺功能已成為目前國內(nèi)外研究的熱門課題。
雖然目前對視網(wǎng)膜視覺假體建模的研究已取得了引人矚目的成果甚至在動物和人上做了實驗，然而這些模型還是停留在對視網(wǎng)膜組織結構的模擬，并沒有解決視網(wǎng)膜信號處理的編碼這一核心問題，所以至今人們還無法有效地幫助盲人部分恢復視覺。
目前國內(nèi)外對視網(wǎng)膜的建模有基于方法的人工神經(jīng)網(wǎng)絡模型，實驗數(shù)據(jù)的統(tǒng)計模型及數(shù)學方法的公式模擬等以及基于硬件的通過CMOS芯片來模擬視網(wǎng)膜結構的模型。
經(jīng)對現(xiàn)有技術的文獻檢索發(fā)現(xiàn)，ECKMILLER等在《JOURNAL OF NEURALENGINEERING》(神經(jīng)工程學雜志)(2005年2月期91至104頁)上發(fā)表Tunableretina encoders for retina implantswhy and how(可調(diào)的視網(wǎng)膜視覺假體編碼器)，該文中提出可調(diào)的視網(wǎng)膜編碼方法，具體方法為分為視網(wǎng)膜和中央視覺系統(tǒng)兩個模塊，用時空濾波器對圖像進行編碼，用移動的圓作為樣本來訓練兩個模塊的狀態(tài)參數(shù)。其不足在于ECKMILLER視網(wǎng)膜編碼方法所用的時空濾波器還只是一種對圖像的重構，并沒有直接把圖像和脈沖刺激聯(lián)系起來。

發(fā)明內(nèi)容
本發(fā)明目的在于針對現(xiàn)有技術的不足，解決輸入圖像和刺激脈沖之間的編碼關系，提供一種采用時空濾波器的視網(wǎng)膜編碼器實現(xiàn)方法，使其用中心周圍時空濾波器來模擬視網(wǎng)膜神經(jīng)節(jié)細胞信號處理部分，用BP人工神經(jīng)網(wǎng)絡來模擬大腦處理視覺信號將神經(jīng)沖動轉(zhuǎn)換為圖像部分，用改進粒子群和進化策略參數(shù)尋優(yōu)方法來調(diào)節(jié)時空濾波器參數(shù)以達到最優(yōu)輸出效果。
本發(fā)明是通過以下技術方案實現(xiàn)的，本發(fā)明首先將樣本圖像輸入時空濾波器，得到的輸出作為BP人工神經(jīng)網(wǎng)絡的輸入，訓練BP人工神經(jīng)網(wǎng)絡，確定BP人工神經(jīng)網(wǎng)絡的權值。然后輸入樣本圖像中的任意一個圖像，隨機取一組時空濾波器參數(shù)，用粒子群或進化策略方法在時空濾波器參數(shù)范圍內(nèi)進行參數(shù)尋優(yōu)，通過多次迭代，最終使輸出圖像收斂于輸入圖像。時空濾波器的參數(shù)確定后，其輸出的脈沖刺激則是對應于輸入圖像的視網(wǎng)膜編碼。
所述的時空濾波器是指一種中心周圍模式的時空濾波器。這種時空濾波器有著較好的時空分辨率。它的時空不可分及外周較中心延遲等性質(zhì)很好地模擬了視網(wǎng)膜信號處理過程。最重要的是，不同于ECKMILLER等其他研究小組提出的模型，該時空濾波器直接將輸入圖像和視網(wǎng)膜神經(jīng)節(jié)細胞的輸出神經(jīng)沖動相聯(lián)系，真正意義上實現(xiàn)了對視網(wǎng)膜的編碼。該時空濾波器有7個參數(shù)，該時空濾波器有7個參數(shù)，其中包括3個時空濾波器時間參數(shù)λc、λs、d，分別表示時空濾波器中心和外周輸出達到峰值的時間和時空濾波器外周對中心的延遲，2個時空濾波器空間參數(shù)σc、σs，分別表示時空濾波器感受野中心和外周的視野范圍，2個權值參數(shù)αc、αs，分別表示感受野中心和外周權重。其數(shù)學表達式為CS(x，t)＝αcK(t，λc)∑{G(x，σc)pix(x)}-αsK(t-d，λs)∑{G(x，σs)pix(x)}K(t,λ)=λtexp(-λt)ift≥00ift<0]]>G(x，σ)＝(2πσ2)-1exp(-x2/2σ2)
該時空濾波器外周空間范圍要比中心空間范圍大，即σc＜σs。外周時間響應要比中心時間響應有所延遲，即λs＜λc，d＞0。本發(fā)明所實現(xiàn)的視網(wǎng)膜編碼器采用9個時空濾波器，每個時空濾波器模擬一個視網(wǎng)膜神經(jīng)節(jié)細胞。9個時空濾波器的感受野可以重疊，對729個象素點的圖像進行處理，將729象素點的輸入圖像轉(zhuǎn)換為脈沖輸出。
本發(fā)明用BP人工神經(jīng)網(wǎng)絡模擬大腦處理視覺信號。在做人體實驗的條件成熟之前，代替大腦將神經(jīng)沖動轉(zhuǎn)換為圖像，可以說是時空濾波器的逆映射。BP人工神經(jīng)網(wǎng)絡有3層組成，即輸入層、隱層和輸出層。本發(fā)明所實現(xiàn)的視網(wǎng)膜編碼器中所用的BP網(wǎng)絡的輸入層有279個神經(jīng)元，對應于時空濾波器輸出的脈沖串，隱層有35個神經(jīng)元，輸出層729個神經(jīng)元，對應于729個象素點的輸出圖像。用BP人工神經(jīng)網(wǎng)絡作為時空濾波器的逆映射，可以較自由得選擇樣本空間，可以對多樣化、數(shù)量大的樣本圖像進行訓練，而不局限于ECKMILLER所用的移動圓。
所述的用進化策略方法在時空濾波器參數(shù)范圍內(nèi)進行參數(shù)尋優(yōu)，具體為通過誤差函數(shù)找到最優(yōu)參數(shù)向量，誤差函數(shù)F(zi)為輸出圖像和輸入圖像的歐拉距離，參數(shù)向量包括9個所述時空濾波器的63個參數(shù)。參數(shù)范圍為0＜σc+0.1＜σs≤3，σc和σs分別對應于中心和周圍象素點感受野范圍，0.5≤αc＜1，αc+αs＝1，αc和αs為中心和周圍的權值，17≤λs＜λc≤25，λc，λs和時空濾波器中心和外周輸出脈沖到達峰值時間有關，0.04≤d≤0.08，d和外周對中心延遲時間有關。首先在參數(shù)范圍內(nèi)隨機選取初始父輩向量zi，i＝1，...，P。通過在父輩向量每個元素上加一個零均值高斯隨機變量來產(chǎn)生子代向量xi＝zi+N(0，σi)，i＝1，...，P，σi＝F(zi)/300。高斯變量的方差σ和誤差函數(shù)有關，可以加快參數(shù)收斂速度。比較誤差函數(shù)F(zi)and F(xi)，i＝1，...，P，選擇誤差較小的向量作為下一次迭代的父輩。重復迭代直到滿足方法的迭代停止條件為止。進化策略方法的優(yōu)點是便于實現(xiàn)，速度較快，對參數(shù)范圍限制較少，但是隨機性比較大，缺乏收斂的方向性。對于簡單的樣本圖像有著較快較好的收斂效果。
所述的用粒子群方法在時空濾波器參數(shù)范圍內(nèi)進行參數(shù)尋優(yōu)，具體為通過適應度函數(shù)來實現(xiàn)的，適應度函數(shù)為輸出圖像和輸入圖像的歐拉距離。本發(fā)明所實現(xiàn)的視網(wǎng)膜編碼器中所用的粒子群方法由6個粒子組成種群，每個粒子包含9個時空濾波器的63個參數(shù)。參數(shù)范圍為0＜σc+0.4＜σs≤3，σc和σs分別對應于中心和周圍象素點覆蓋域，0.5≤αc＜0.8，αc+αs＝1，αc和αs為中心和周圍的權值，17≤λc≤25，14≤λs＜λc，λc，λs和時空濾波器中心和外周輸出脈沖到達峰值時間有關，0.04≤d≤0.08，d和外周對中心延遲時間有關。首先在參數(shù)范圍內(nèi)初始化粒子種群中所有粒子的速度和位置。用適應度函數(shù)對所有粒子進行評價，根據(jù)適應度函數(shù)更新種群中每個粒子個體極值p和整體極值l。個體極值是單個粒子從開始搜索到當前迭代的最優(yōu)向量，整體極值是粒子種群從開始搜索到當前迭代的最優(yōu)向量。然后按照由傳統(tǒng)粒子群方法和進化策略相結合的改進粒子群方法公式對粒子速度和位置進行迭代vi＝error×randn×(pi-xi)+error×randn×(li-xi)+error×randn，xi(t+1)＝xi(t)+vi，error為根據(jù)適應度函數(shù)得出的輸出圖像和原始圖像的誤差，randn為高斯隨機變量。重復迭代直到滿足方法的迭代停止條件為止。改進的粒子群方法的優(yōu)點是有記憶性，每次搜索的結果都保存著，根據(jù)個體極值和整體極值確定搜索速度，有較好的方向性。不同于傳統(tǒng)粒子群方法，為了更適應于本發(fā)明所實現(xiàn)的視網(wǎng)膜編碼器，改進的粒子群方法的粒子速度還和適應度函數(shù)和高斯隨機變量有關，這樣可以相對得降低對參數(shù)范圍的要求，并加快收斂速度。
本發(fā)明將中心外周時空濾波器、BP人工神經(jīng)網(wǎng)絡和參數(shù)尋優(yōu)方法相結合，層層相扣，聯(lián)系緊密，能有效地模擬視網(wǎng)膜信號處理過程。它不同于已有的視網(wǎng)膜編碼器，能對圖像進行編碼直接產(chǎn)生相應的刺激脈沖。本發(fā)明中的BP人工神經(jīng)網(wǎng)絡和參數(shù)尋優(yōu)方法的結合使用，使得該視網(wǎng)膜編碼器能對多樣化的大樣本圖像空間進行訓練，并且可以靈活得擴充樣本圖像空間，增大時空濾波器參數(shù)空間范圍。本發(fā)明實現(xiàn)的視網(wǎng)膜編碼器的靈活性和可調(diào)性能更好得滿足個體差異和輸入圖像的變化，并能作為視網(wǎng)膜視覺假體的一個重要部分嵌入使用。


圖1為將像素點區(qū)域分成9塊，隨機選取感受野中心位置的示意圖。
圖2為本發(fā)明實現(xiàn)的基于時空濾波器的視網(wǎng)膜編碼器的時空濾波器空間濾波輸出波形示意圖；橫坐標為離感受野中心位置的距離，縱坐標為脈沖頻率。
圖3為本發(fā)明實現(xiàn)的基于時空濾波器的視網(wǎng)膜編碼器的時空濾波器時間濾波輸出波形示意圖。橫坐標為時間，縱坐標為脈沖頻率。
圖4為所選樣本圖像的一部分；所選樣本圖像為大小位置不同的正方形或長方形。
圖5為本發(fā)明實施例用進化策略參數(shù)優(yōu)化方法得到的結果。
圖6為本發(fā)明實施例用改進的粒子群參數(shù)優(yōu)化方法得到的結果。
圖7(a)為一樣本圖像。圖7(b-d)為圖7(a)對應的時空濾波器輸出。
具體實施例方式
下面對本發(fā)明的實施例作詳細說明本實施例在以本發(fā)明技術方案為前提下進行實施，給出了詳細的實施方式和過程，但本發(fā)明的保護范圍不限于下述的實施例。
本實施例由兩個部分來完成，即BP人工神經(jīng)網(wǎng)絡訓練過程和參數(shù)優(yōu)化方法優(yōu)化參數(shù)過程。時空濾波器作為模擬視網(wǎng)膜神經(jīng)節(jié)細胞信號處理過程部分貫穿于其中。
1.如圖1所示，將729個象素點區(qū)域分成9塊，在每一塊區(qū)域中隨機選取一個感受野中心位置。
2.選擇一組時空濾波器初始參數(shù)向量a。向量a含有9個時空濾波器的63個參數(shù)元素。其中每個濾波器7個參數(shù)，分別為2個權值參數(shù)，描述感受野中心和外周的權重，2個空間參數(shù)，描述感受野中心和外周的范圍，3個時間參數(shù)，描述時空濾波器輸出脈沖頻率達到峰值的時間和感受野外周對中心的延遲。圖2和圖3分別給出了時空濾波器的時間和空間的輸出脈沖。圖2的橫坐標為像素點離感受野中心的距離，縱坐標為相應的脈沖頻率。圖2的橫坐標為時間，縱坐標為脈沖頻率。
3.將樣本圖像通過參數(shù)向量為a的時空濾波器，得到輸出279×77的矩陣。如圖4所示，樣本圖像為大小、位置不同的正方形或長方形。
4.將時空濾波器的輸出作為BP人工神經(jīng)網(wǎng)絡的輸入進行訓練。本發(fā)明所用的BP網(wǎng)絡的輸入層有279個神經(jīng)元，隱層有35個神經(jīng)元，輸出層729個神經(jīng)元。該BP網(wǎng)絡加了偏置和動量，使之收斂更快。
5.在樣本圖像中任選一個圖像x。
6.運用進化策略或改進的粒子群參數(shù)尋優(yōu)方法來優(yōu)化參數(shù)。
在使用進化策略方法時，選取含63個元素的參數(shù)向量，其中每個時空濾波器包含7個參數(shù)，σc，σs分別對應時空濾波器感受野中心和外周的視野范圍，αc，αs分別對應感受野中心和外周權重，λc，λs分別對應時空濾波器中心和外周輸出達到峰值的時間，d對應時空濾波器外周對中心的延遲。參數(shù)范圍為0＜σc+0.1＜σs≤3，0.5≤αc＜1，αc+αs＝1，17≤λs＜λc≤25，0.04≤d≤0.08。在參數(shù)范圍內(nèi)選取一組參數(shù)初始化父輩參數(shù)向量。每次迭代時，在父輩參數(shù)向量b的每個元素上加一個零均值高斯隨機變量來產(chǎn)生子代參數(shù)向量b’。將圖像x分別通過參數(shù)向量為b和b’的時空濾波器，其輸出再通過訓練完成的BP網(wǎng)絡，得到輸出圖像y和y’。將輸出圖像y，y’和輸入圖像x進行比較，選取誤差函數(shù)較小的圖像所對應的參數(shù)向量作為下一次迭代的父輩參數(shù)向量。重復迭代直到滿足方法的迭代停止條件為止。所取的高斯變量的方差和誤差函數(shù)有關。誤差函數(shù)為輸入圖像和輸出圖像的歐拉距離。如圖5所示，圖5(a)，(c)為兩個輸入圖像，(b)，(d)為用進化策略參數(shù)優(yōu)化方法得到的輸出圖像結果在該結果對應的模擬過程中所選的原始參數(shù)為θc＝1，θs＝3，αc＝0.5，αs＝0.5，λc＝22，λs＝19，d＝0.06，初始化父輩參數(shù)向量所用的參數(shù)為θc＝0.5，θs＝2.5，αc＝0.6，αs＝0.4，λc＝24，λs＝20，d＝0.07。
在使用改進的粒子群方法時，選取6個粒子作為種群，每個粒子的位置向量即為時空濾波器的參數(shù)向量，每個位置向量含有9個時空濾波器的63個參數(shù)元素，其中每個時空濾波器有7個參數(shù)，σc，σs分別對應時空濾波器感受野中心和外周的視野范圍，α對應感受野中心對外周權重，λc，λs分別對應時空濾波器中心和外周輸出達到峰值的時間，d對應時空濾波器外周對中心的延遲。參數(shù)范圍為0＜σc+0.4＜σs≤3，0.5≤αc＜0.8，αc+αs＝1，17≤λc≤25，14≤λs＜λc，0.04≤d≤0.08。首先在參數(shù)范圍內(nèi)初始化粒子種群中所有粒子的速度和位置。粒子的位置向量即為時空濾波器參數(shù)向量。將圖像x通過參數(shù)向量為6個粒子位置的時空濾波器，其輸出再通過訓練完成的BP網(wǎng)絡，得到6個輸出圖像。用適應度函數(shù)對所有粒子進行評價，根據(jù)適應度函數(shù)更新種群中每個粒子個體極值p和整體極值l。適應度函數(shù)為輸出圖像和輸入圖像的歐拉距離，個體極值是單個粒子從開始搜索到當前迭代的最優(yōu)向量，整體極值是粒子種群從開始搜索到當前迭代的最優(yōu)向量。然后按照公式更新粒子的速度和位置vi＝error×randn×(pi-xi)+error×randn×(li-xi)+error×randn，xi(t+1)＝xi(t)+vi，error為適應度函數(shù)，randn為高斯隨機變量。重復迭代直到滿足方法的迭代停止條件為止。如圖6所示，圖6(a)，(c)為兩個輸入圖像，(b)，(d)為用改進的粒子群參數(shù)優(yōu)化方法得到的輸出圖像結果；在該結果對應的模擬過程中所選的原始參數(shù)為θc＝1，θs＝3，αc＝0.5，αs＝0.5，λc＝22，λs＝19，d＝0.06，初始化粒子所用的參數(shù)為θc＝0.5，θs＝2.5，αc＝0.6，αs＝0.4，λc＝24，λs＝20，d＝0.07。
7.經(jīng)過參數(shù)尋優(yōu)方法找到滿意的時空濾波器參數(shù)后，將圖像x通過時空濾波器，其輸出的刺激脈沖串則是對應的輸出圖像的視網(wǎng)膜編碼。如圖7所示，圖7(b-d)為通過參數(shù)尋優(yōu)方法找到最優(yōu)參數(shù)后，將7(a)對應樣本圖像通過最優(yōu)參數(shù)所對應的時空濾波器的脈沖輸出。本實施例所設計的視網(wǎng)膜編碼器包含9個時空濾波器，對應于該圖像，有3個時空濾波器有響應，其余6個時空濾波器沒有輸出。圖7(b-d)即為有響應的3個時空濾波器的輸出。橫坐標為時間，縱坐標為脈沖頻率。
由上述實施例可見，本發(fā)明運用了時空濾波器來模擬視網(wǎng)膜信號處理的過程，運用了進化策略和粒子群方法找到最優(yōu)參數(shù)以實現(xiàn)圖像和刺激脈沖串的對映關系，為人工視覺假體的實現(xiàn)提供了編碼器基礎。
權利要求
1.一種采用時空濾波器的視網(wǎng)膜編碼器實現(xiàn)方法，其特征在于，首先將樣本圖像輸入時空濾波器，得到的輸出作為BP人工神經(jīng)網(wǎng)絡的輸入，訓練BP人工神經(jīng)網(wǎng)絡，確定BP人工神經(jīng)網(wǎng)絡的權值；然后輸入樣本圖像中的任意一個圖像，隨機取一組時空濾波器參數(shù)，用粒子群或進化策略方法在時空濾波器參數(shù)范圍內(nèi)進行參數(shù)尋優(yōu)，通過多次迭代，最終使輸出圖像收斂于輸入圖像，時空濾波器的參數(shù)確定后，其輸出的脈沖刺激則是對應于輸入圖像的視網(wǎng)膜編碼。
2.根據(jù)權利要求1所述的采用時空濾波器的視網(wǎng)膜編碼器實現(xiàn)方法，其特征是，所述的時空濾波器，直接將輸入圖像和視網(wǎng)膜神經(jīng)節(jié)細胞的輸出神經(jīng)沖動相聯(lián)系，該時空濾波器有7個參數(shù)，其中包括3個時空濾波器時間參數(shù)λc、λs、d，分別表示時空濾波器中心和外周輸出達到峰值的時間和時空濾波器外周對中心的延遲，2個時空濾波器空間參數(shù)σc、σs，分別表示時空濾波器感受野中心和外周的視野范圍，2個權值參數(shù)αc、αs，分別表示感受野中心和外周權重。其數(shù)學表達式為CS(x，t)＝αcK(t，λc)∑{G(x，σc)pix(x)}-αsK(t-d，λs)∑{G(x，σs)pix(x)}K(t,λ)=λtexp(-λt)ift≥00ift<0]]>G(x，σ)＝(2πσ2)-1exp(-x2/2σ2)該時空濾波器外周空間范圍要比中心空間范圍大，即σc＜σs；外周時間響應要比中心時間響應有所延遲，即λs＜λc，d＞0。
3.根據(jù)權利要求1或2所述的采用時空濾波器的視網(wǎng)膜編碼器實現(xiàn)方法，其特征是，所述的時空濾波器，共采用9個，每個時空濾波器模擬一個視網(wǎng)膜神經(jīng)節(jié)細胞，9個所述的時空濾波器的感受野可重疊，對729個象素點的圖像進行處理，將729象素點的輸入圖像轉(zhuǎn)換為脈沖輸出。
4.根據(jù)權利要求1所述的采用時空濾波器的視網(wǎng)膜編碼器實現(xiàn)方法，其特征是，所述的BP人工神經(jīng)網(wǎng)絡，用于模擬大腦處理視覺信號，BP人工神經(jīng)網(wǎng)絡有3層組成，即輸入層、隱層和輸出層，輸入層有279個神經(jīng)元，對應于時空濾波器輸出的脈沖串，隱層有35個神經(jīng)元，輸出層729個神經(jīng)元，對應于729個象素點的輸出圖像。
5.根據(jù)權利要求1所述的采用時空濾波器的視網(wǎng)膜編碼器實現(xiàn)方法，其特征是，所述的用進化策略方法在時空濾波器參數(shù)范圍內(nèi)進行參數(shù)尋優(yōu)，具體為通過誤差函數(shù)找到最優(yōu)參數(shù)向量，誤差函數(shù)F(zi)為輸出圖像和輸入圖像的歐拉距離，參數(shù)向量包括9個所述時空濾波器的63個參數(shù)，首先在參數(shù)范圍內(nèi)隨機選取初始父輩向量z1，i＝1，...，P，通過在父輩向量每個元素上加一個零均值高斯隨機變量來產(chǎn)生子代向量xi＝zi+N(0，σi)，i＝1，...，P，σi＝F(z1)/300，高斯變量的方差σ和誤差函數(shù)有關，可加快參數(shù)收斂速度；比較誤差函數(shù)F(zi)、F(xi)，i＝1，...，P，選擇誤差較小的向量作為下一次迭代的父輩，重復迭代直到滿足方法的迭代停止條件為止。
6.根據(jù)權利要求5所述的采用時空濾波器的視網(wǎng)膜編碼器實現(xiàn)方法，其特征是，所述的用進化策略方法在時空濾波器參數(shù)范圍內(nèi)進行參數(shù)尋優(yōu)時的參數(shù)范圍為0＜σc+0.1＜σs≤3，σc和σs分別對應于中心和周圍象素點覆蓋域， 0.5≤αc＜1，αc+αs＝1，αc和αs為中心和周圍的權值，17≤λs＜λc≤25，λc，λs和時空濾波器中心和外周輸出脈沖到達峰值時間有關，0.04≤d≤0.08，d和外周對中心延遲時間有關。
7.根據(jù)權利要求1所述的采用時空濾波器的視網(wǎng)膜編碼器實現(xiàn)方法，其特征是，所述的用粒子群方法在時空濾波器參數(shù)范圍內(nèi)進行參數(shù)尋優(yōu)，具體為通過適應度函數(shù)來實現(xiàn)的，適應度函數(shù)為輸出圖像和輸入圖像的歐拉距離，粒子群方法由6個粒子組成種群，每個粒子包含9個時空濾波器的63個參數(shù)，首先在參數(shù)范圍內(nèi)初始化粒子種群中所有粒子的速度和位置，用適應度函數(shù)對所有粒子進行評價，根據(jù)適應度函數(shù)更新種群中每個粒子個體極值p和整體極值1，個體極值是單個粒子從開始搜索到當前迭代的最優(yōu)向量，整體極值是粒子種群從開始搜索到當前迭代的最優(yōu)向量，然后按照由傳統(tǒng)粒子群方法和進化策略相結合的改進粒子群方法公式對粒子速度和位置進行迭代vi＝error×randn×(pi-xi)+error×randn×(li-xi)+error×randn，xi(t+1)＝xi(t)+vi，error為根據(jù)適應度函數(shù)得出的輸出圖像和原始圖像的誤差，randn為高斯隨機變量，重復迭代直到滿足方法的迭代停止條件為止。
8.根據(jù)權利要求7所述的采用時空濾波器的視網(wǎng)膜編碼器實現(xiàn)方法，其特征是，所述用粒子群方法在時空濾波器參數(shù)范圍內(nèi)進行參數(shù)尋優(yōu)時的參數(shù)范圍為0＜σc+0.4＜σs≤3，σc和σs分別對應于中心和周圍象素點覆蓋域，0.5≤αc＜0.8，αc+αs＝1，αc和αs為中心和周圍的權值，17≤λc≤25，14≤λs＜λc，λc，λs和時空濾波器中心和外周輸出脈沖到達峰值時間有關，0.04≤d≤0.08，d和外周對中心延遲時間有關。
全文摘要
一種計算機應用領域的采用時空濾波器的視網(wǎng)膜編碼器實現(xiàn)方法，首先將樣本圖像輸入時空濾波器，得到的輸出作為BP人工神經(jīng)網(wǎng)絡的輸入，訓練BP人工神經(jīng)網(wǎng)絡，確定BP人工神經(jīng)網(wǎng)絡的權值；然后輸入樣本圖像中的任意一個圖像，隨機取一組時空濾波器參數(shù)，用粒子群或進化策略方法在時空濾波器參數(shù)范圍內(nèi)進行參數(shù)尋優(yōu)，通過多次迭代，最終使輸出圖像收斂于輸入圖像，時空濾波器的參數(shù)確定后，其輸出的脈沖刺激則是對應于輸入圖像的視網(wǎng)膜編碼。本發(fā)明運用了時空濾波器來模擬視網(wǎng)膜信號處理的過程，運用了進化策略和粒子群方法找到最優(yōu)參數(shù)以實現(xiàn)圖像和刺激脈沖串的對映關系，為人工視覺假體的實現(xiàn)提供了編碼器基礎。
文檔編號A61F2/14GK101017535SQ20071003788
公開日2007年8月15日 申請日期2007年3月8日 優(yōu)先權日2007年3月8日
發(fā)明者朱貽盛, 邱意弘, 牛希嫻 申請人:上海交通大學