本發(fā)明涉及圖像處理與分析領(lǐng)域，具體涉及基于PCNN（PulseCoupledNeuralNetworks，脈沖耦合神經(jīng)網(wǎng)絡(luò)）模型的圖像分析方法和裝置。

背景技術(shù)：
PCNN模型中的參數(shù)能夠決定該模型在數(shù)字圖像理解、分析與模式識別領(lǐng)域的性能。因此，相關(guān)技術(shù)中提出了多種設(shè)定PCNN網(wǎng)絡(luò)參數(shù)的研究方案。按研究內(nèi)容可以分為：1）依據(jù)圖像的統(tǒng)計(jì)學(xué)信息對PCNN一個或多個參數(shù)進(jìn)行自適應(yīng)設(shè)定方法；2）依據(jù)感受野的PCNN參數(shù)設(shè)定方法；3）依據(jù)PCNN模型自身結(jié)構(gòu)特征設(shè)定網(wǎng)絡(luò)參數(shù)的方法。上述PCNN模型大多數(shù)是針對特定領(lǐng)域內(nèi)的圖像進(jìn)行的參數(shù)設(shè)定，導(dǎo)致PCNN模型的自適應(yīng)性比較差。針對上述PCNN模型的自適應(yīng)性比較差的問題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明實(shí)施例的目的在于提供一種基于PCNN模型的圖像分析方法和裝置，用以解決上述PCNN模型的自適應(yīng)性比較差的問題。根據(jù)本發(fā)明實(shí)施例的一方面，提供了一種基于PCNN模型的圖像分析方法，包括：在當(dāng)前圖像上隨機(jī)選擇一個像素點(diǎn)；通過變換視覺信息計(jì)算模型的窗口大小，計(jì)算該像素點(diǎn)與其鄰域?qū)?yīng)的方向通道的最大能量；根據(jù)每個方向通道的最大能量確定視覺信息計(jì)算模型的最大尺度和有效方向；根據(jù)該最大尺度和有效方向確定PCNN模型的參數(shù)W和M，其中，M為反饋輸入域的連接矩陣；W耦合連接域的連接矩陣；基于上述確定的W和M對應(yīng)的PCNN模型對當(dāng)前圖像進(jìn)行圖像分析。優(yōu)選地，上述通過變換視覺信息計(jì)算模型的窗口大小，計(jì)算像素點(diǎn)與其鄰域?qū)?yīng)的方向通道的最大能量包括：以多尺度多方向Gabor函數(shù)作為視覺信息計(jì)算模型；通過改變Gabor函數(shù)窗口的大小變換視覺信息計(jì)算模型的尺度s；對于每個s，以像素點(diǎn)為中心，將像素點(diǎn)的鄰域分解為2s個方向通道；計(jì)算每個方向通道的最大能量。優(yōu)選地，上述根據(jù)每個方向通道的最大能量確定視覺信息計(jì)算模型的最大尺度和有效方向包括：根據(jù)每個方向通道的最大能量計(jì)算每個方向通道的能量響應(yīng)系數(shù)；將方向通道的能量響應(yīng)系數(shù)進(jìn)行降序排列；從降序排列后的能量響應(yīng)系數(shù)中選取前指定個能量響應(yīng)系數(shù)作為有效元素；將有效元素中的尺度最大值確定為視覺信息計(jì)算模型的最大尺度；將有效元素對應(yīng)的方向確定為視覺信息計(jì)算模型的有效方向。優(yōu)選地，上述根據(jù)最大尺度和有效方向確定PCNN模型的參數(shù)W和M包括：根據(jù)最大尺度確定W和M的矩陣長度；將W和M中有效方向?qū)?yīng)的元素的值置為1，其余元素值置為0。優(yōu)選地，上述根據(jù)最大尺度和有效方向確定PCNN模型的參數(shù)W和M之后，上述方法還包括：設(shè)置PCNN模型中的突觸間的連接強(qiáng)度系數(shù)其中，λ(s，θ)為能量響應(yīng)系數(shù)，s表示視覺信息計(jì)算模型的尺度，θ表示視覺信息計(jì)算模型的方向；m和n分別是M和W的矩陣的長度。優(yōu)選地，上述基于確定的W和M對應(yīng)的PCNN模型對當(dāng)前圖像進(jìn)行圖像分析包括：基于Gabor函數(shù)計(jì)算像素點(diǎn)的K×K鄰域內(nèi)各個像素點(diǎn)的M的方向相似性；其中，K為所確定的W的矩陣的行數(shù)或列數(shù)；如果方向相似性在指定范圍內(nèi)，對K×K鄰域內(nèi)的像素點(diǎn)進(jìn)行一次點(diǎn)火，得到K×K鄰域內(nèi)的像素點(diǎn)的圖像分析數(shù)據(jù)。根據(jù)本發(fā)明實(shí)施例的另一方面，提供了一種基于PCNN模型的圖像分析裝置，包括：像素點(diǎn)選擇模塊，用于在當(dāng)前圖像上隨機(jī)選擇一個像素點(diǎn)；方向通道能量計(jì)算模塊，用于通過變換視覺信息計(jì)算模型的窗口大小，計(jì)算像素點(diǎn)選擇模塊選擇的像素點(diǎn)與其鄰域?qū)?yīng)的方向通道的最大能量；尺度與方向確定模塊，用于根據(jù)方向通道能量計(jì)算模塊計(jì)算的每個方向通道的最大能量確定視覺信息計(jì)算模型的最大尺度和有效方向；參數(shù)確定模塊，用于根據(jù)尺度與方向確定模塊確定的最大尺度和有效方向確定PCNN模型的參數(shù)W和M，其中，M為反饋輸入域的連接矩陣；W為耦合連接域的連接矩陣；圖像分析模塊，用于基于參數(shù)確定模塊確定的W和M對應(yīng)的PCNN模型對當(dāng)前圖像進(jìn)行圖像分析。優(yōu)選地，上述尺度與方向確定模塊包括：系數(shù)計(jì)算單元，用于根據(jù)每個方向通道的最大能量計(jì)算每個方向通道的能量響應(yīng)系數(shù)；排序單元，用于將系數(shù)計(jì)算單元計(jì)算的方向通道的能量響應(yīng)系數(shù)進(jìn)行降序排列；有效元素選取單元，用于從排序單元降序排列后的能量響應(yīng)系數(shù)中選取前指定個能量響應(yīng)系數(shù)作為有效元素；尺度確定單元，用于將有效元素選取單元選取的有效元素中的尺度最大值確定為視覺信息計(jì)算模型的最大尺度；方向確定單元，用于將有效元素選取單元選取的有效元素對應(yīng)的方向確定為視覺信息計(jì)算模型的有效方向。優(yōu)選地，上述裝置還包括：強(qiáng)度系數(shù)設(shè)置模塊，用于設(shè)置PCNN模型中的突觸間的連接強(qiáng)度系數(shù)其中，λ(s，θ)為能量響應(yīng)系數(shù)，s表示視覺信息計(jì)算模型的尺度，θ表示視覺信息計(jì)算模型的方向；m和n分別是M和W的矩陣的長度。優(yōu)選地，上述圖像分析模塊包括：方向相似性計(jì)算單元，用于基于Gabor函數(shù)計(jì)算像素點(diǎn)的K×K鄰域內(nèi)各個像素點(diǎn)的M的方向相似性；其中，K為所確定的W的矩陣的行數(shù)或列數(shù)；點(diǎn)火單元，用于如果方向相似性計(jì)算單元計(jì)算的方向相似性在指定范圍內(nèi)，對K×K鄰域內(nèi)的像素點(diǎn)進(jìn)行一次點(diǎn)火，得到K×K鄰域內(nèi)的像素點(diǎn)的圖像分析數(shù)據(jù)。本發(fā)明引入視覺信息計(jì)算模型確定PCNN模型的參數(shù)W和M，可以使PCNN模型與當(dāng)前的圖像相適應(yīng)，解決了相關(guān)技術(shù)中PCNN模型的自適應(yīng)性比較差的問題，同時該P(yáng)CNN模型因?yàn)槭腔谝曈X信息計(jì)算模型建立的，進(jìn)而能夠依據(jù)圖像自身的生物視覺感知信息，得到圖像的分析結(jié)果，提高了圖像分析的準(zhǔn)確性。附圖說明構(gòu)成本申請的一部分的附圖用來提供對本發(fā)明的進(jìn)一步理解，本發(fā)明的示意性實(shí)施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中：圖1是本發(fā)明實(shí)施例提供的基于PCNN模型的圖像分析方法的流程圖；圖2是本發(fā)明實(shí)施例提供的PCNN模型的結(jié)構(gòu)示意圖；圖3是本發(fā)明實(shí)施例提供的具體的PCNN模型的圖像分析方法的流程圖；圖4是本發(fā)明實(shí)施例提供的PCNN模型的圖像分析裝置的結(jié)構(gòu)框圖。具體實(shí)施方式下文中將參考附圖并結(jié)合實(shí)施例來詳細(xì)說明本發(fā)明。需要說明的是，在不沖突的情況下，本申請中的實(shí)施例及實(shí)施例中的特征可以相互組合。考慮到PCNN模型是基于生物視神經(jīng)皮層理論提出的，網(wǎng)絡(luò)參數(shù)M、W即能夠有效描述圖像全局信息，也能描述每個像素相對于鄰域像素的變化關(guān)系，因此，依據(jù)圖像自身包含的生物視覺信息自適應(yīng)的設(shè)定網(wǎng)絡(luò)參數(shù)W、M，便能夠從全局和局部準(zhǔn)確描述圖像自身的特征。基于此，本發(fā)明實(shí)施例提供了一種基于PCNN模型的圖像分析方法和裝置。如圖1所示的基于PCNN模型的圖像分析方法的流程圖，該方法包括以下步驟：步驟S102，在當(dāng)前圖像上隨機(jī)選擇一個像素點(diǎn)；步驟S104，通過變換視覺信息計(jì)算模型的窗口大小，計(jì)算該像素點(diǎn)與其鄰域?qū)?yīng)的方向通道的最大能量；步驟S106，根據(jù)每個方向通道的最大能量確定上述視覺信息計(jì)算模型的最大尺度和有效方向；步驟S108，根據(jù)上述最大尺度和有效方向確定PCNN模型的參數(shù)W和M，其中，M為反饋輸入域的連接矩陣；W耦合連接域的連接矩陣；步驟S110，基于確定的W和M對應(yīng)的PCNN模型對當(dāng)前圖像進(jìn)行圖像分析。本實(shí)施例的方法引入視覺信息計(jì)算模型確定PCNN模型的參數(shù)W和M，可以使PCNN模型與當(dāng)前的圖像相適應(yīng)，解決了相關(guān)技術(shù)中PCNN模型的自適應(yīng)性比較差的問題，同時該P(yáng)CNN模型因?yàn)槭腔谝曈X信息計(jì)算模型建立的，進(jìn)而能夠依據(jù)圖像自身的生物視覺感知信息，得到圖像的分析結(jié)果，提高了圖像分析的準(zhǔn)確性。本發(fā)明實(shí)施例中的視覺信息計(jì)算模型可以采用多尺度多方向Gabor函數(shù)，基于此，上述通過變換視覺信息計(jì)算模型的窗口大小，計(jì)算像素點(diǎn)與其鄰域?qū)?yīng)的方向通道的最大能量包括：以多尺度多方向Gabor函數(shù)作為視覺信息計(jì)算模型；通過改變Gabor函數(shù)窗口的大小變換視覺信息計(jì)算模型的尺度s；對于每個s，以像素點(diǎn)為中心，將像素點(diǎn)的鄰域分解為2s個方向通道；計(jì)算每個方向通道的最大能量。具體實(shí)現(xiàn)時，上述根據(jù)每個方向通道的最大能量確定視覺信息計(jì)算模型的最大尺度和有效方向可以包括：根據(jù)每個方向通道的最大能量計(jì)算每個方向通道的能量響應(yīng)系數(shù)；將方向通道的能量響應(yīng)系數(shù)進(jìn)行降序排列；從降序排列后的能量響應(yīng)系數(shù)中選取前指定個能量響應(yīng)系數(shù)作為有效元素；將有效元素中的尺度最大值確定為視覺信息計(jì)算模型的最大尺度；將有效元素對應(yīng)的方向確定為視覺信息計(jì)算模型的有效方向。其中，在選取前指定個能量響應(yīng)系數(shù)時，可以依據(jù)實(shí)際應(yīng)用的要求設(shè)定選取的能量響應(yīng)系數(shù)的具體個數(shù)，本發(fā)明實(shí)施例對此不做具體限制。上述根據(jù)最大尺度和有效方向確定PCNN模型的參數(shù)W和M包括：根據(jù)最大尺度確定W和M的矩陣長度（例如，最大尺度為5，則W和M的矩陣長度可以均為5）；將W和M中有效方向?qū)?yīng)的元素的值置為1，其余元素值置為0。優(yōu)選地，上述根據(jù)最大尺度和有效方向確定PCNN模型的參數(shù)W和M之后，該方法還可以包括：設(shè)置PCNN模型中的突觸間的連接強(qiáng)度系數(shù)其中，λ(s，θ)為上述能量響應(yīng)系數(shù)，s表示視覺信息計(jì)算模型的尺度，θ表示視覺信息計(jì)算模型的方向；m和n分別是M和W的矩陣的長度。為了簡化點(diǎn)火過程，本實(shí)施例的基于確定的W和M對應(yīng)的PCNN模型對當(dāng)前圖像進(jìn)行圖像分析包括：基于Gabor函數(shù)計(jì)算像素點(diǎn)的K×K鄰域內(nèi)各個像素點(diǎn)的M的方向相似性；其中，K為所確定的W矩陣的行數(shù)或列數(shù)；當(dāng)該方向相似性在指定范圍內(nèi)，對K×K鄰域內(nèi)的像素點(diǎn)進(jìn)行一次點(diǎn)火，得到K×K鄰域內(nèi)的像素點(diǎn)的圖像分析數(shù)據(jù)。這種方式不需要對K×K鄰域內(nèi)的像素點(diǎn)逐一進(jìn)行點(diǎn)火，僅在其中一個像素進(jìn)行點(diǎn)火時，對該K×K鄰域內(nèi)的其它像素點(diǎn)也進(jìn)行點(diǎn)火。下面通過具體實(shí)例說明上述基于PCNN模型的圖像分析方法，該方法主要是基于視覺信息的PCNN模型參數(shù)自適應(yīng)設(shè)定及該模型的改進(jìn)方法，該方法中主要考慮PCNN模型是基于生物視神經(jīng)皮層理論提出的，網(wǎng)絡(luò)參數(shù)M、W決定著PCNN模型算法對圖像的分析理解能力；而圖像自身（尤其是自然圖像）包含豐富的生物視覺信息，若以此視覺信息為依據(jù)，并結(jié)合區(qū)域能量最大響應(yīng)原則，自適應(yīng)的設(shè)定PCNN模型參數(shù)M，W，則可有效地描述圖像的全局與局部信息，提高PCNN模型對圖像的分析理解能力。該方法在實(shí)現(xiàn)時，將視覺信息模型（即上述視覺信息計(jì)算模型）作為方法前端，將PCNN模型作為方法后端，通過網(wǎng)絡(luò)參數(shù)W、M將兩種模型有效的結(jié)合起來，可以從本質(zhì)上有效地提取圖像本質(zhì)信息。如圖2所示的PCNN模型的結(jié)構(gòu)示意圖，該模型有三個功能單元構(gòu)成：反饋輸入域（或簡稱為反饋域）、耦合輸入域（或簡稱為耦合域）和脈沖發(fā)生器；通過迭代差分方程描述該模型為如下離散系統(tǒng)模型：Uij(n)=Fij(n)(1+βLij(n))-----------(3)其中，Sij是輸入圖像的灰度值或輸入圖像變換后的值。Fij、Lij、Uij和Yij分別對應(yīng)第(i,j)神經(jīng)元的反饋輸入，耦合連接輸入，內(nèi)部活動項(xiàng)和神經(jīng)元輸出。Mijkl，Wijkl是連接系數(shù)矩陣，β為突觸間的連接強(qiáng)度系數(shù)。αF和VF，αL和VL，αE和VE分別為反饋域的放大系數(shù)和衰減時間，耦合域的放大系數(shù)和衰減時間，動態(tài)門限Eij衰減系數(shù)和動態(tài)門限固有電動勢。(4)式表明網(wǎng)絡(luò)點(diǎn)火時間是由(3)式的內(nèi)部活動項(xiàng)來決定的，而內(nèi)部活動項(xiàng)由(1)(2)式中的窗函數(shù)W和M決定。因此，可是理解為連接系數(shù)矩陣W、M決定了PCNN模型在圖像處理領(lǐng)域的應(yīng)用能力。且W，M可以為相同矩陣。上述多尺度多方向Gabor函數(shù)通過尺度與方向調(diào)整可描述腦皮層細(xì)胞感受野。該函數(shù)表達(dá)式為：h(x,y)=g(x',y')[cos(2πf0x')+jsin(2πf0y')]---(6)式中，參數(shù)θ是Gabor濾波器的方向，f0是中心頻率，σx和σy是在空域x’和y’方向的高斯方差。采用Gabor濾波器，局域圖像I(x,y)在點(diǎn)(x0,y0)的輸出可以表示為:R(x,y)=I(x,y)*h(x-x0,y-y0)---(7)式中x0，y0相當(dāng)于感受野中心位置，*表示卷積運(yùn)算。通過θ、σx和σy的變化，從不同方向不同尺度上提取以（x0，y0）為中心的區(qū)域內(nèi)部圖像的視覺信息。參見圖3所示的基于PCNN模型的圖像分析方法的流程圖，該方法具體包括以下步驟：步驟S302，輸入圖像；步驟S304，在圖像上任取一點(diǎn)，本實(shí)例中該點(diǎn)用(x0,y0)表示。下面通過改變Gabor函數(shù)窗口大小實(shí)現(xiàn)(x0,y0)點(diǎn)處PCNN窗W、M的尺度s變化。步驟S306，多尺度多方向視覺變換，并計(jì)算出變換通道歸一化能量；具體地，可以先設(shè)定尺度s，在設(shè)定的尺度s下，以點(diǎn)(x0,y0)為中心，在窗口W對應(yīng)的區(qū)域圖像內(nèi)進(jìn)行多方向Gabor變換，生成2s變換通道。利用公式(8)計(jì)算歸一化通道能量，并求出通道能量的最大值賦給EM(s,θ)。步驟S308，判斷是否所有尺度與方向均完成計(jì)算，如果是，執(zhí)行步驟S310；如果否，執(zhí)行步驟S304；如果不是所有尺度與方向均完成了上述計(jì)算，則重復(fù)執(zhí)行步驟S304和步驟S306，這樣便可以得到點(diǎn)(x0,y0)多尺度多方向的Gabor分析結(jié)果，即{EM(s,θ)}序列。步驟S310，通過歸一化能量計(jì)算PCNN的參數(shù)W、M和β；利用公式(9)計(jì)算{EM(s,θ)}序列能量響應(yīng)系數(shù)，并降序排列。依據(jù)經(jīng)驗(yàn)或?qū)嶋H應(yīng)用要求，取響應(yīng)系數(shù)序列的前p（p為自然數(shù)）個有效元素。根據(jù)p個有效元素的最大s設(shè)定正方形窗M和W的大小。并依據(jù)有效序列元素所對應(yīng)的θ設(shè)定窗W和M的對應(yīng)方向元素值為“1”，其余元素設(shè)置為“0”。依據(jù)公式(10)計(jì)算β。其中，m和n分別是上述M和W的矩陣的長度，即M和W的長和寬。本實(shí)施例中，s取值應(yīng)不超過11的奇數(shù)，最優(yōu)值為5或7。θ的取值可以為8。步驟S312，遍歷圖像中的各個像素點(diǎn)，依據(jù)鄰域內(nèi)各點(diǎn)的M的方向相似性簡化點(diǎn)火次數(shù)，輸出點(diǎn)火序列。本實(shí)例中，可以依據(jù)圖像自身的視覺感知信息自適應(yīng)的獲取圖像上每一個像素的M參數(shù)，并計(jì)算圖像上該點(diǎn)的K×K鄰域內(nèi)各點(diǎn)的Mi,j(s,θ)(1≤i,j≤K)的方向相似性，若Mi,j滿足方向相似性，則該鄰域內(nèi)相似點(diǎn)可以實(shí)現(xiàn)一次點(diǎn)火。其中，這里的K×K鄰域?yàn)樯鲜鲞x擇的像素點(diǎn)的鄰域中具有最大響應(yīng)的鄰域；對應(yīng)于上述方法，本實(shí)施例還提供了一種基于PCNN模型的圖像分析裝置，如圖4所示，該裝置包括以下模塊：像素點(diǎn)選擇模塊40，用于在當(dāng)前圖像上隨機(jī)選擇一個像素點(diǎn)；方向通道能量計(jì)算模塊42，用于通過變換視覺信息計(jì)算模型的窗口大小，計(jì)算像素點(diǎn)選擇模塊40選擇的像素點(diǎn)與其鄰域?qū)?yīng)的方向通道的最大能量；尺度與方向確定模塊44，用于根據(jù)方向通道能量計(jì)算模塊42計(jì)算的每個方向通道的最大能量確定視覺信息計(jì)算模型的最大尺度和有效方向；參數(shù)確定模塊46，用于根據(jù)尺度與方向確定模塊44確定的最大尺度和有效方向確定PCNN模型的參數(shù)W和M，其中，M為反饋輸入域的連接矩陣；W耦合連接域的連接矩陣；圖像分析模塊48，用于基于參數(shù)確定模塊46確定的W和M對應(yīng)的PCNN模型對當(dāng)前圖像進(jìn)行圖像分析。優(yōu)選地，方向通道能量計(jì)算模塊42可以以多尺度多方向Gabor函數(shù)作為視覺信息計(jì)算模型，通過改變Gabor函數(shù)窗口的大小變換視覺信息計(jì)算模型的尺度s；對于每個s，以上述像素點(diǎn)為中心，將該像素點(diǎn)的鄰域分解為2s個方向通道；計(jì)算每個方向通道的最大能量。上述尺度與方向確定模塊44包括：系數(shù)計(jì)算單元，用于根據(jù)每個方向通道的最大能量計(jì)算每個方向通道的能量響應(yīng)系數(shù)；排序單元，用于將系數(shù)計(jì)算單元計(jì)算的方向通道的能量響應(yīng)系數(shù)進(jìn)行降序排列；有效元素選取單元，用于從排序單元降序排列后的能量響應(yīng)系數(shù)中選取前指定個能量響應(yīng)系數(shù)作為有效元素；尺度確定單元，用于將有效元素選取單元選取的有效元素中的尺度最大值確定為視覺信息計(jì)算模型的最大尺度；方向確定單元，用于將有效元素選取單元選取的有效元素對應(yīng)的方向確定為視覺信息計(jì)算模型的有效方向。具體地，參數(shù)確定模塊46可以根據(jù)上述最大尺度確定W和M的矩陣長度；以及將W和M中上述有效方向?qū)?yīng)的元素的值置為1，其余元素值置為0。優(yōu)選地，上述裝置還包括：強(qiáng)度系數(shù)設(shè)置模塊，用于設(shè)置PCNN模型中的突觸間的連接強(qiáng)度系數(shù)其中，λ(s，θ)為能量響應(yīng)系數(shù)，s表示視覺信息計(jì)算模型的尺度，θ表示視覺信息計(jì)算模型的方向；m和n分別是M和W的矩陣的長度。上述圖像分析模塊48還可以包括：方向相似性計(jì)算單元，用于基于Gabor函數(shù)計(jì)算像素點(diǎn)的K×K鄰域內(nèi)各個像素點(diǎn)的M的方向相似性；其中，K為所確定的W矩陣的行數(shù)或列數(shù)；點(diǎn)火單元，用于當(dāng)方向相似性計(jì)算單元計(jì)算的方向相似性在指定范圍內(nèi)，對K×K鄰域內(nèi)的像素點(diǎn)進(jìn)行一次點(diǎn)火，得到K×K鄰域內(nèi)的像素點(diǎn)的圖像分析數(shù)據(jù)。上述實(shí)施例的PCNN模型，在具體應(yīng)用中可以產(chǎn)生如下技術(shù)效果：1、在圖像處理領(lǐng)域，視覺感知理論與PCNN模型的參數(shù)M,W和β的理論相似性和生物學(xué)的同源性，兩者的有效結(jié)合將有效提高PCNN模型的圖像分析理解能力。2、依據(jù)圖像自身的視覺感知信息，利用視覺感知模型，提取圖像自身的視覺感知結(jié)構(gòu)自適應(yīng)的設(shè)定PCNN參數(shù)M，W和β，提升了PCNN模型的自適應(yīng)性。3、依據(jù)圖像自身的視覺感知信息自適應(yīng)的獲取圖像上每一個像素的M參數(shù)，并計(jì)算圖像上任意點(diǎn)的K×K鄰域內(nèi)各點(diǎn)的Mi,j(s,θ)(1≤i,j≤K)的方向相似性，若Mi,j滿足方向相似性，則該鄰域內(nèi)相似點(diǎn)可以實(shí)現(xiàn)一次點(diǎn)火。4、與傳統(tǒng)的PCNN模型比較，上述實(shí)施例的PCNN模型在人工圖像和自然圖像方面具有更強(qiáng)的強(qiáng)幾何不變性。5、與串行化算法比較，上述實(shí)施例的PCNN模型的并行算法在圖像分割和基于內(nèi)容的圖像檢索應(yīng)用上取得較大優(yōu)勢。6、算法的魯棒性：上述實(shí)施例的PCNN模型對光照和噪聲具有較強(qiáng)的魯棒性。顯然，本領(lǐng)域的技術(shù)人員應(yīng)該明白，上述的本發(fā)明的各模塊或各步驟可以用通用的計(jì)算裝置來實(shí)現(xiàn)，它們可以集中在單個的計(jì)算裝置上，或者分布在多個計(jì)算裝置所組成的網(wǎng)絡(luò)上，可選地，它們可以用計(jì)算裝置可執(zhí)行的程序代碼來實(shí)現(xiàn)，從而，可以將它們存儲在存儲裝置中由計(jì)算裝置來執(zhí)行，并且在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟，或者將它們分別制作成各個集成電路模塊，或者將它們中的多個模塊或步驟制作成單個集成電路模塊來實(shí)現(xiàn)。這樣，本發(fā)明不限制于任何特定的硬件和軟件結(jié)合。以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。