一種適合處理顯微圖像pcnn模型的構(gòu)建方法
【專利摘要】本發(fā)明公開了一種適合處理顯微圖像PCNN模型的構(gòu)建方法，包括：分析無耦合連接和耦合連接狀態(tài)下二維脈沖耦合神經(jīng)元的動(dòng)力學(xué)特性；優(yōu)化PCNN鏈接輸入L及反饋輸入F非線性方程的參數(shù)設(shè)置、處理圖像的局部信息自適應(yīng)優(yōu)化耦合鏈接強(qiáng)度β以及最佳利用輸出信息改進(jìn)反復(fù)指數(shù)衰減的動(dòng)態(tài)閾值θ，構(gòu)建適合處理顯微組織圖像的PCNN模型；搭建多層次或三維脈沖耦合神經(jīng)元模型，分析神經(jīng)元?jiǎng)恿W(xué)特征、形成多通道或多維PCNN模型；可進(jìn)一步應(yīng)用在中藥材顯微圖像的處理與分析中，有效提高中藥材評(píng)價(jià)的客觀性、準(zhǔn)確性及智能化程度，為中藥材現(xiàn)代化檢測(cè)與分析提供一種新的途徑。
【專利說明】
一種適合處理顯微圖像PCNN模型的構(gòu)建方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于生物醫(yī)學(xué)信息處理領(lǐng)域，尤其涉及一種適合處理顯微圖像PCNN模型的 構(gòu)建方法。
【背景技術(shù)】
[0002] 脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)是根據(jù)貓、猴等哺乳動(dòng)物大腦視覺皮層上同步脈沖發(fā)放 現(xiàn)象提出的，有著良好的生物學(xué)背景，該模型具有動(dòng)態(tài)變閾值、非線性調(diào)制耦合、同步脈沖 發(fā)放、動(dòng)態(tài)脈沖發(fā)放及時(shí)空總和等特性，使得PCNN在信號(hào)處理應(yīng)用，特別是在圖像處理應(yīng)用 中顯示了巨大的優(yōu)越性。但傳統(tǒng)PCNN模型還存在以下理論不足及技術(shù)缺點(diǎn)：
[0003] (1)該模型在非線性調(diào)制耦合和閾值指數(shù)衰變方面，其閾值衰減是反復(fù)變化的，這 種閾值變化不能很好地符合人眼對(duì)亮度響應(yīng)的非線性指數(shù)要求，并且通過這種閾值規(guī)律處 理后的圖像(或其他信號(hào)）中大量信息蘊(yùn)含在神經(jīng)元的激活周期(頻率)或者激活相位中，而 輸出的圖像卻并不包含全部的可用信息；
[0004] (2)PCNN模型中大量漏電積分器和一些反饋連接的存在，雖然提高了模型仿生學(xué) 的逼近程度及生物處理信息的真實(shí)性，但這不僅增加了模型的復(fù)雜性，同時(shí)也加大了對(duì)信 號(hào)處理時(shí)間的開銷；
[0005] (3)傳統(tǒng)PCNN模型參數(shù)過多，對(duì)參數(shù)的（自動(dòng))設(shè)定及優(yōu)化會(huì)增加許多困難；
[0006] (4)由于中藥材顯微圖像的復(fù)雜性與特殊性，傳統(tǒng)PCNN模型不適宜處理顯微組織 類圖像。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于提供一種適合處理顯微圖像PCNN模型的構(gòu)建方法，旨在解決傳 統(tǒng)PCNN模型閾值衰減是反復(fù)變化的，不能很好地符合人眼對(duì)亮度響應(yīng)的非線性指數(shù)要求， 輸出的圖像不包含全部的可用信息，模型復(fù)雜，參數(shù)過多，不適宜處理顯微組織類圖像的問 題。
[0008] 本發(fā)明是這樣實(shí)現(xiàn)的，一種適合處理顯微圖像PCNN模型的構(gòu)建方法，所述的適合 處理顯微圖像PCNN模型的構(gòu)建方法包括：
[0009]步驟一、分析無耦合連接和耦合連接狀態(tài)下二維脈沖耦合神經(jīng)元的動(dòng)力學(xué)特性； [0010]步驟二、在當(dāng)前圖像上隨機(jī)選擇一個(gè)像素點(diǎn)；通過變換視覺信息計(jì)算模型的窗口 大小，計(jì)算所述像素點(diǎn)與其鄰域?qū)?yīng)的方向通道的最大能量；
[0011]步驟三、根據(jù)每個(gè)所述方向通道的最大能量確定所述視覺信息計(jì)算模型的最大尺 度和有效方向，根據(jù)所述最大尺度和所述有效方向確定PCNN模型的參數(shù)W和M，其中，Μ為反 饋輸入域的連接矩陣;W親合連接域的連接矩陣；
[0012]步驟四、基于Gabor函數(shù)計(jì)算所述像素點(diǎn)的ΚΧΚ鄰域內(nèi)各個(gè)像素點(diǎn)的Μ的方向相似 性;其中，Κ為所確定的W的矩陣的行數(shù)或列數(shù);如果所述方向相似性在指定范圍內(nèi)，對(duì)所述Κ ΧΚ鄰域內(nèi)的像素點(diǎn)進(jìn)行一次點(diǎn)火，得到所述ΚΧΚ鄰域內(nèi)的像素點(diǎn)的圖像分析數(shù)據(jù)；
[0013] 步驟五、依據(jù)中藥材顯微圖像的特征，優(yōu)化PCNN模型的參數(shù)設(shè)置，從PCNN模型形態(tài) 結(jié)構(gòu)和統(tǒng)計(jì)兩方面優(yōu)化PCNN鏈接輸入L及反饋輸入F非線性方程的參數(shù)設(shè)置、處理圖像的局 部信息自適應(yīng)優(yōu)化耦合鏈接強(qiáng)度β以及最佳利用輸出信息改進(jìn)反復(fù)指數(shù)衰減的動(dòng)態(tài)閾值Θ， 構(gòu)建適合處理顯微組織圖像的PCNN模型；
[0014] 步驟六、通過對(duì)中藥材顯微圖像體視學(xué)分析，根據(jù)多層次或三維顯微圖像特點(diǎn)，搭 建多層次或三維脈沖耦合神經(jīng)元模型，分析神經(jīng)元?jiǎng)恿W(xué)特征、形成多通道或多維PCNN模 型;所述多通道或多維PCNN模型，通過分別將多幅圖像經(jīng)NSCT變換后得到若干不同頻率子 圖像，并對(duì)應(yīng)采用基于雙通道PCNN進(jìn)行融合后確定融合圖像的各帶通子帶系數(shù)，最后通過 NSCT逆變換得到融合圖像；
[0015] 基于雙通道PCNN進(jìn)行圖像融合的具體方法包括：
[0016] 第一步、對(duì)輸入的兩幅原始圖像在空間上進(jìn)行像素級(jí)配準(zhǔn)，保證兩幅圖像大小均 為 XXY;
[0017]第二步、通過非下采樣Contourlet變換分解已配準(zhǔn)的兩幅源圖像，并分別獲得其 各自的一個(gè)低頻子圖像和若干高頻子圖像；
[0018] 第三步、初始化雙通道脈沖耦合神經(jīng)網(wǎng)絡(luò)參數(shù)，設(shè)定神經(jīng)網(wǎng)絡(luò)參數(shù)W，VL，β，Ve，咖和 At的值；
[0019]第四步、在每幅輸入圖像中查找5^_111￡?、3^_11^11;3^_11^<￥0，3^_11^11>〇;
[0020]第五步、得到神經(jīng)網(wǎng)絡(luò)最大運(yùn)行次數(shù)N和閾值查找表LT(s)，s為LT(s)的函數(shù)變量；
[0023]式中：t#Pt2分別為圖像中灰度值最大像素和最小像素的自然點(diǎn)火時(shí)間；
[0024] 第六步、將一個(gè)低頻子圖像和若干高頻子圖像作為分解系數(shù)通過雙通道脈沖耦合 神經(jīng)網(wǎng)絡(luò)制定的融合規(guī)則進(jìn)行融合；
[0025] 第七步、對(duì)第二步得到的各帶通子帶系數(shù)進(jìn)行NSCT逆變換，得到最終的融合圖像；
[0026] 所述的PCNN模型形態(tài)結(jié)構(gòu)和統(tǒng)計(jì)兩方面包含下列參數(shù)：
[0027]顯微圖像的截面積、周長、最大直徑、等效直徑、長寬比、圓形度、球化度、體密度、 面數(shù)密度、數(shù)密度、面密度、間距；
[0028] 利用下列公式運(yùn)行PCNN模型：
[0029] Fij[n]=Sij
[0030] Lij[n] =VLXwijkiYki[n-l]
[0031] Uij[n] =Fij[n] (l+PLij[n])
[0032] . '
[0033] K, ' 1 |〇?
[0034] Iij[n] =N-n
[0035] 式中:Uij[n]為內(nèi)部活動(dòng)項(xiàng)，Yij[n]為PCNN脈沖輸出，Iij[n]為索引值；
[0036] 當(dāng)n=l時(shí)，Lij[l]=0,則1^[1]=卩。[1]=5;[」，0。[1] = 1^(1'|-1) = 51111￡?，對(duì)應(yīng)的反 饋輸入中值為Sij_max的神經(jīng)元將自然點(diǎn)火;神經(jīng)元點(diǎn)火后，輸出Yij[ 1 ] = 1，0ij[2]變?yōu)閂e，點(diǎn) 火神經(jīng)元的索引值標(biāo)記為k = N-l;
[0037] 所述適合處理顯微圖像PCNN模型還包括檢測(cè)優(yōu)化模塊，該檢測(cè)優(yōu)化模塊用于:將 采集到的圖像建立圖像的顯著模型，所述建立圖像的顯著性模型包括：
[0038] 利用預(yù)定過分割算法對(duì)所述圖像進(jìn)行過分割和模板參數(shù)提取，對(duì)整個(gè)輸入圖像， 以8*8個(gè)像素為單元，計(jì)算每個(gè)單元的平均灰度值和每個(gè)單元的最大灰度值，得到至少一個(gè) 區(qū)域，同一個(gè)所述區(qū)域中各個(gè)像素點(diǎn)的顏色值相同；
[0039] 確定每個(gè)所述區(qū)域的顏色值和質(zhì)心；
[0040] 根據(jù)各個(gè)區(qū)域所對(duì)應(yīng)的顏色值以及各個(gè)區(qū)域的質(zhì)心，建立所述顯著性模型；
[0041] 所述的顯著性模型為:\= 土 u_(/?,)Ds(孕為)久(矣,為）； M,j*i
[0042] 其中，Su為區(qū)域Ri中任一像素點(diǎn)的顯著性值，w (Rj)為區(qū)域Rj中的像素點(diǎn)的個(gè)數(shù)，Ds 浪兒）用于表征所述區(qū)域心和所述區(qū)域心之間空間位置差異的度量值，DcUhRj)用于表征 所述區(qū)域心和所述區(qū)域心之間顏色差異的度量值，N為對(duì)所述圖像進(jìn)行過分割后得到的區(qū)域 的總個(gè)數(shù)，Ds (Ri，Rj)為：A (心尺,）=CXP(-/?,:) - C'tv伽，()): / σ、:）；Center (Ri) 述區(qū)域心的質(zhì)心，CenteHRj為所述區(qū)域心的質(zhì)心，當(dāng)所述圖像中各個(gè)像素點(diǎn)的坐標(biāo)均歸一 化到[0，1]時(shí);=0.4 ,
[0043] 進(jìn)一步，所述視覺信息計(jì)算模型的視覺信息搜索方法包括：
[0044] 存在樣本視覺信息；
[0045] 對(duì)樣本視覺信息進(jìn)行全局信息提取與/或局部信息提取；
[0046] 對(duì)所提取的全局信息與/或局部信息進(jìn)行再處理，并提取共性特征；
[0047]基于上述未處理與/或處理后的全局信息與/或局部信息的再處理特征建立特征 模型與/或索引；
[0048] 該特征模型與/或索引可以傳輸于網(wǎng)絡(luò)與/或網(wǎng)絡(luò)數(shù)據(jù)庫；
[0049] 使該樣本視覺信息的特征模型與/或索引在網(wǎng)絡(luò)與/或網(wǎng)絡(luò)數(shù)據(jù)庫中進(jìn)行搜索；
[0050] 搜索到與該樣本視覺信息的特征模型與索引相關(guān)度最高的視覺信息結(jié)果，這個(gè)視 覺信息結(jié)果為目標(biāo)視覺信息；
[0051] 將所述搜索到的目標(biāo)視覺信息返回給用戶端；
[0052] 所述視覺信息搜索方法利用全局與/或局部特征各自的優(yōu)勢(shì)，在進(jìn)行特征模型與 索引的提取和建立以及搜索時(shí)，采用多模塊并行計(jì)算，并將結(jié)果進(jìn)行有效融合；
[0053]所述樣本視覺信息生成樣本視覺信息是從互聯(lián)網(wǎng)上獲取已經(jīng)存在的樣本視覺信 息；
[0054]獲取到的樣本視覺信息的顏色特征、紋理特征、形狀特征，以便從所述視覺信息上 獲取到能夠描述該視覺信息的樣本視覺信息；
[0055]所述的再處理至少包括加噪、變形、剪切、插入內(nèi)容、旋轉(zhuǎn)、縮放以及亮度增減、模 糊化處理內(nèi)容。
[0056] 進(jìn)一步，所述模糊化處理具體包括：
[0057] 獲取預(yù)先設(shè)置的感應(yīng)區(qū)域的滑動(dòng)信息;縮小要模糊化處理的圖片；
[0058]在預(yù)先設(shè)置的對(duì)應(yīng)關(guān)系中查找與獲得的滑動(dòng)信息對(duì)應(yīng)的模糊化處理方式;對(duì)所述 縮小后的圖片進(jìn)行模糊化處理；
[0059]按照查找到的模糊化處理方式對(duì)圖片進(jìn)行模糊化處理。對(duì)所述模糊化處理后的圖 片進(jìn)行放大，得到所需的模糊化處理后的圖片；
[0060] 所述對(duì)應(yīng)關(guān)系包括第一對(duì)應(yīng)關(guān)系和第二對(duì)應(yīng)關(guān)系，該方法之前還包括：
[0061] 設(shè)置滑動(dòng)距離和模糊度的第一對(duì)應(yīng)關(guān)系;設(shè)置滑動(dòng)方向和模糊化處理方向的第二 對(duì)應(yīng)關(guān)系；
[0062] 所述模糊化處理方向包括由模糊到清晰的方向或者由清晰到模糊的方向；所述滑 動(dòng)方向包括由上至下的滑動(dòng)和由下至上的滑動(dòng)，或者由右至左的滑動(dòng)和由左至右的滑動(dòng)； [0063]對(duì)模糊化處理后的圖片進(jìn)行處理;包括:將模糊化處理后的圖片設(shè)定為壁紙和/或 屏幕保護(hù)，保存模糊化處理后的圖片，或者結(jié)束本流程。
[0064] 進(jìn)一步，所述NSCT逆變換的圖像融合方法包括以下步驟：
[0065] (1)將源圖像A和B分別進(jìn)行非子采樣輪廓波變換，得到低頻子圖像YoA，Yo B和一系 列高頻子圖像￥1^，￥1^汰=1，2，一44為高頻子圖像的個(gè)數(shù)，由非子采樣輪廓波變換中金字 塔分解的級(jí)數(shù)和方向?yàn)V波分解的方向數(shù)決定；
[0066] (2)對(duì)一系列高頻子圖像￥1/，￥1^汰=1，2，~，財(cái)卩低頻子圖像￥ ()^進(jìn)行融合：
[0067] (a)按照以下步驟對(duì)一系列高頻子圖像￥1/，￥1^汰=1，2，一4進(jìn)行融合：
[0068] (b)按照以下步驟對(duì)低頻子圖像進(jìn)行融合：
[0069] 在YoA選取一個(gè)窗口Aj，在YoB選取一個(gè)窗口Bj，Aj與Bj表不大小相同的同一區(qū)域，
[0070] (bl)設(shè)Aj對(duì)應(yīng)的區(qū)域圖像為epBj對(duì)應(yīng)的區(qū)域圖像為灼，將W和灼的方差與梯度分 別與預(yù)定的臨界方差和臨界梯度做比較，判斷ept是否滿足可分割條件;判斷ejPt是否 滿足可分割條件:將ej的方差Dev a和梯度Grada*別與預(yù)定的臨界方差Devo和臨界梯度Grado 做比較，若Dev a>Devo且Grada>Grado，ej滿足可分割條件，否貝lj，不滿足;f j的判斷方式同 ej;
[0071] (b2)根據(jù)步驟(bl)的判斷結(jié)果對(duì)W與fj進(jìn)行融合：
[0072] 若eJPfj均不滿足:將Υ〇Α與Υ〇Β分別分割為兩個(gè)區(qū)域，將分割后的Υ〇Α與聯(lián)得到 G，G包括四個(gè)區(qū)域，計(jì)算ej，fj的平均像素灰度值，將其分別與YoA和￥<^的分割閾值比較，確定 屬于G的哪一個(gè)區(qū)域類型，比較幻，6對(duì)應(yīng)像素點(diǎn)的像素灰度值大小，根據(jù)幻，6的區(qū)域 類型，選擇像素灰度值大或者小的像素點(diǎn)作為融合后相應(yīng)區(qū)域的相應(yīng)像素點(diǎn)；
[0073] 若^和心中的一個(gè)滿足可分割條件:設(shè)q滿足可分割條件，t不滿足可分割條件， 將W分割為兩個(gè)區(qū)域，f』作為一個(gè)區(qū)域，將分割后的^與t關(guān)聯(lián)，得到關(guān)聯(lián)圖像 Cj，Cj包含兩 個(gè)區(qū)域，依照W的區(qū)域劃分方式分別將ejPfj劃分為兩個(gè)區(qū)域，將^和6的區(qū)域?qū)?yīng)，比較對(duì) 應(yīng)區(qū)域內(nèi)對(duì)應(yīng)像素點(diǎn)的像素灰度值大小，根據(jù)區(qū)域類型，選擇像素灰度值大或者小的像素 點(diǎn)作為融合后相應(yīng)區(qū)域的相應(yīng)像素點(diǎn)；
[0074] 若ej和fj均滿足可分割條件:將ej和fj分別分割為兩個(gè)區(qū)域，將分割后的ej和f j關(guān) 聯(lián)得到包括四個(gè)區(qū)域，依照W的區(qū)域劃分方式分別將W和灼劃分為相同的四個(gè)區(qū)域，分 另IJ用00、01、10、11表示，將^和6的區(qū)域?qū)?yīng)，根據(jù)區(qū)域類型，選擇像素灰度值大或者小的像 素點(diǎn)作為融合后相應(yīng)區(qū)域的相應(yīng)像素點(diǎn)；
[0075] (b3)Aj和Bj采用單像素的移動(dòng)速度，按照步驟(b2)的方式，逐行逐列遍歷YoA和 Y〇 B，得到低頻子圖像融合結(jié)果Y〇F;
[0076] (3)對(duì)Y/，Y/，Y/，…，Y/與Yol行非子采樣輪廓波逆變換，得到最終融合結(jié)果F。 [0077]本發(fā)明根據(jù)中藥材顯微組織圖像的特征，將體視學(xué)與顯微圖像分析相結(jié)合，以顯 微圖像的截面積、周長、最大直徑、等效直徑、長寬比、圓形度、球化度等參數(shù)以及體密度、面 數(shù)密度、數(shù)密度、面密度、間距等參數(shù)為處理分析依據(jù)，在傳統(tǒng)PCNN模型的基礎(chǔ)上，構(gòu)建完善 的PCNN模型，并在應(yīng)用中根據(jù)處理目的的需要優(yōu)化及簡(jiǎn)化參數(shù)設(shè)置，完善耦合鏈接強(qiáng)度及 動(dòng)態(tài)指數(shù)閾值等，建立適合處理顯微組織圖像的二維PCNN模型；從考慮同一中藥材樣本的 多幅二維顯微圖像及三維圖像的體視學(xué)關(guān)系出發(fā)，分析PCNN生物視覺系統(tǒng)的模數(shù)混合處 理、串并聯(lián)混合處理、動(dòng)態(tài)自適應(yīng)處理、非線性調(diào)制耦非線性調(diào)制耦合、同步脈沖發(fā)放、空時(shí) 編碼的特性關(guān)系，搭建適合處理中藥材顯微圖像的多通道或三維PCNN模型，可進(jìn)一步提高 中藥材質(zhì)量評(píng)價(jià)的客觀性、準(zhǔn)確性、可重復(fù)性和智能化程度，為中藥材檢測(cè)與分析的現(xiàn)代化 提供一種新的途徑。本發(fā)明的視覺信息搜索方法，可以準(zhǔn)確針對(duì)圖片、圖像及視頻的具體內(nèi) 容進(jìn)行搜索，基于這種方式搜索出來的視覺信息內(nèi)容，無需與圖片、視頻的關(guān)鍵字的內(nèi)容相 關(guān)聯(lián)，而與用戶真正想搜索的圖片視頻內(nèi)容相符合，同時(shí)可以返回多個(gè)用戶想要的結(jié)果，容 易實(shí)現(xiàn)及操作。本發(fā)明能夠降低圖片模糊化處理時(shí)所需的開銷;實(shí)現(xiàn)了更加便捷、直觀的模 糊化處理圖片，增強(qiáng)了用戶的體驗(yàn)感。
【附圖說明】
[0078]圖1是本發(fā)明實(shí)施例提供的適合處理顯微圖像PCNN模型的構(gòu)建方法流程圖。
【具體實(shí)施方式】
[0079]為能進(jìn)一步了解本發(fā)明的
【發(fā)明內(nèi)容】
、特點(diǎn)及功效，茲例舉以下實(shí)施例，并配合附圖 詳細(xì)說明如下。
[0080] 請(qǐng)參閱圖1:
[00811中藥材顯微圖像獲取預(yù)處理及建庫：
[0082 ] (1)擬根據(jù)藥典收載分布在甘肅省不同地域的當(dāng)歸、黨參、甘草、大黃、黃芪、百合、 麻黃、柴胡、板藍(lán)根、茴香、紅花、天麻、貝母等幾百種藥用植物為研究的原始對(duì)象，在不同藥 材生長季節(jié)從生長地采集道地藥材樣本(或藥材花粉樣本），同時(shí)用高分辨率數(shù)碼相機(jī)獲取 中藥形態(tài)圖像。
[0083] (2)在經(jīng)過多名中藥栽培和鑒定專家初步識(shí)別與鑒定的基礎(chǔ)上取樣、粉末化前處 理、切片制作等處理，最后通過掃描電鏡(或光學(xué)顯微鏡)分別獲取標(biāo)本的5-10個(gè)視野顯微 圖像、花粉顯微圖像的原始圖像。
[0084] (3)對(duì)顯微圖像獲取過程中由于光線亮暗不均勻等因素，造成圖像曝光不足或曝 光過度的圖像引入圖像直方圖修正或灰度非線性變換等算法實(shí)現(xiàn)圖像增強(qiáng);對(duì)環(huán)境條件、 CCD相機(jī)及其他傳感器件影響，導(dǎo)致獲取圖像產(chǎn)生的噪聲干擾，分別運(yùn)用中值濾波、維納濾 波等方法達(dá)到圖像濾波目的。
[0085] (4)使用大型關(guān)系數(shù)據(jù)庫管理系統(tǒng)Oracle構(gòu)建中藥材顯微圖像信息庫。
[0086] (5)構(gòu)建適合處理顯微圖像的PCNN模型及中藥材顯微圖像處理。
[0087] 一種適合處理顯微圖像PCNN模型的構(gòu)建方法，包括：
[0088] S101、分析無親合連接和親合連接狀態(tài)下二維脈沖親合神經(jīng)元的動(dòng)力學(xué)特性；
[0089] S102、在當(dāng)前圖像上隨機(jī)選擇一個(gè)像素點(diǎn)；通過變換視覺信息計(jì)算模型的窗口大 小，計(jì)算所述像素點(diǎn)與其鄰域?qū)?yīng)的方向通道的最大能量；
[0090] S103、根據(jù)每個(gè)所述方向通道的最大能量確定所述視覺信息計(jì)算模型的最大尺度 和有效方向，根據(jù)所述最大尺度和所述有效方向確定PCNN模型的參數(shù)W和M，其中，Μ為反饋 輸入域的連接矩陣;W親合連接域的連接矩陣；
[0091] S104、基于Gabor函數(shù)計(jì)算所述像素點(diǎn)的ΚΧΚ鄰域內(nèi)各個(gè)像素點(diǎn)的Μ的方向相似 性;其中，Κ為所確定的W的矩陣的行數(shù)或列數(shù);如果所述方向相似性在指定范圍內(nèi)，對(duì)所述Κ ΧΚ鄰域內(nèi)的像素點(diǎn)進(jìn)行一次點(diǎn)火，得到所述ΚΧΚ鄰域內(nèi)的像素點(diǎn)的圖像分析數(shù)據(jù)；
[0092] S105、依據(jù)中藥材顯微圖像的特征，優(yōu)化PCNN模型的參數(shù)設(shè)置，從PCNN模型形態(tài)結(jié) 構(gòu)和統(tǒng)計(jì)兩方面優(yōu)化PCNN鏈接輸入L及反饋輸入F非線性方程的參數(shù)設(shè)置、處理圖像的局部 信息自適應(yīng)優(yōu)化耦合鏈接強(qiáng)度β以及最佳利用輸出信息改進(jìn)反復(fù)指數(shù)衰減的動(dòng)態(tài)閾值Θ，構(gòu) 建適合處理顯微組織圖像的PCNN模型；
[0093] S106、通過對(duì)中藥材顯微圖像體視學(xué)分析，根據(jù)多層次或三維顯微圖像特點(diǎn)，搭建 多層次或三維脈沖耦合神經(jīng)元模型，分析神經(jīng)元?jiǎng)恿W(xué)特征、形成多通道或多維PCNN模型。 [0094]進(jìn)一步，所述視覺信息計(jì)算模型的視覺信息搜索方法包括：
[0095]存在樣本視覺信息；
[0096] 對(duì)樣本視覺信息進(jìn)行全局信息提取與/或局部信息提取；
[0097] 對(duì)所提取的全局信息與/或局部信息進(jìn)行再處理，并提取共性特征；
[0098]基于上述未處理與/或處理后的全局信息與/或局部信息的再處理特征建立特征 模型與/或索引；
[0099] 該特征模型與/或索引可以傳輸于網(wǎng)絡(luò)與/或網(wǎng)絡(luò)數(shù)據(jù)庫；
[0100] 使該樣本視覺信息的特征模型與/或索引在網(wǎng)絡(luò)與/或網(wǎng)絡(luò)數(shù)據(jù)庫中進(jìn)行搜索；
[0101] 搜索到與該樣本視覺信息的特征模型與索引相關(guān)度最高的視覺信息結(jié)果，這個(gè)視 覺信息結(jié)果為目標(biāo)視覺信息；
[0102] 將所述搜索到的目標(biāo)視覺信息返回給用戶端；
[0103] 所述視覺信息搜索方法利用全局與/或局部特征各自的優(yōu)勢(shì)，在進(jìn)行特征模型與 索引的提取和建立以及搜索時(shí)，采用多模塊并行計(jì)算，并將結(jié)果進(jìn)行有效融合；
[0104] 所述樣本視覺信息生成樣本視覺信息是從互聯(lián)網(wǎng)上獲取已經(jīng)存在的樣本視覺信 息；
[0105] 獲取到的樣本視覺信息的顏色特征、紋理特征、形狀特征，以便從所述視覺信息上 獲取到能夠描述該視覺信息的樣本視覺信息；
[0106] 所述的再處理至少包括加噪、變形、剪切、插入內(nèi)容、旋轉(zhuǎn)、縮放以及亮度增減、模 糊化處理內(nèi)容。
[0107] 進(jìn)一步，所述模糊化處理具體包括：
[0108] 獲取預(yù)先設(shè)置的感應(yīng)區(qū)域的滑動(dòng)信息;縮小要模糊化處理的圖片；
[0109]在預(yù)先設(shè)置的對(duì)應(yīng)關(guān)系中查找與獲得的滑動(dòng)信息對(duì)應(yīng)的模糊化處理方式;對(duì)所述 縮小后的圖片進(jìn)行模糊化處理；
[0110]按照查找到的模糊化處理方式對(duì)圖片進(jìn)行模糊化處理。對(duì)所述模糊化處理后的圖 片進(jìn)行放大，得到所需的模糊化處理后的圖片；
[0111] 所述對(duì)應(yīng)關(guān)系包括第一對(duì)應(yīng)關(guān)系和第二對(duì)應(yīng)關(guān)系，該方法之前還包括：
[0112] 設(shè)置滑動(dòng)距離和模糊度的第一對(duì)應(yīng)關(guān)系;設(shè)置滑動(dòng)方向和模糊化處理方向的第二 對(duì)應(yīng)關(guān)系；
[0113] 所述模糊化處理方向包括由模糊到清晰的方向或者由清晰到模糊的方向；所述滑 動(dòng)方向包括由上至下的滑動(dòng)和由下至上的滑動(dòng)，或者由右至左的滑動(dòng)和由左至右的滑動(dòng)； [0114]對(duì)模糊化處理后的圖片進(jìn)行處理;包括:將模糊化處理后的圖片設(shè)定為壁紙和/或 屏幕保護(hù)，保存模糊化處理后的圖片，或者結(jié)束本流程。
[0115] 進(jìn)一步，所述多通道或多維PCNN模型，通過分別將多幅圖像經(jīng)NSCT變換后得到若 干不同頻率子圖像，并對(duì)應(yīng)采用基于雙通道PCNN進(jìn)行融合后確定融合圖像的各帶通子帶系 數(shù)，最后通過NSCT逆變換得到融合圖像。
[0116] 進(jìn)一步，基于雙通道PCNN進(jìn)行圖像融合的具體方法包括：
[0117] 步驟一、對(duì)輸入的兩幅原始圖像在空間上進(jìn)行像素級(jí)配準(zhǔn)，保證兩幅圖像大小均 為 XXY;
[0118]步驟二、通過非下采樣Contourlet變換分解已配準(zhǔn)的兩幅源圖像，并分別獲得其 各自的一個(gè)低頻子圖像和若干高頻子圖像；
[0119] 步驟三、初始化雙通道脈沖耦合神經(jīng)網(wǎng)絡(luò)參數(shù)，設(shè)定神經(jīng)網(wǎng)絡(luò)參數(shù)W，VL，β，Ve，咖和 At的值；
[0120] αθ*θ^[η]的衰減時(shí)間常數(shù)；At為時(shí)間采樣間隔;β為突觸之間連接強(qiáng)度常數(shù)；
[0121] Yij[n]為PCNN脈沖輸出;Yki[n-1]為PCNN上一次脈沖輸出；內(nèi)部連接矩陣W中的 Wijki 對(duì)應(yīng)U j [ η ]中Yki [ η-1 ]的加權(quán)系數(shù)；
[0122] η為網(wǎng)絡(luò)的運(yùn)行次數(shù)，η = 1，2,. . .，Ν-1，Ν，Ν為最大運(yùn)行次數(shù)；
[0123] 步驟四、在每幅輸入圖像中查找Sij^nSibin; Sij_max<Ve，Sij_min>0;
[0124] 步驟五、得到神經(jīng)網(wǎng)絡(luò)最大運(yùn)行次數(shù)N和閾值查找表LT(s)，s為LT(s)的函數(shù)變量；
[0128] 式中：t#Pt2分別為圖像中灰度值最大像素和最小像素的自然點(diǎn)火時(shí)間；
[0129] 步驟六、將一個(gè)低頻子圖像和若干高頻子圖像作為分解系數(shù)通過雙通道脈沖耦合 神經(jīng)網(wǎng)絡(luò)制定的融合規(guī)則進(jìn)行融合；
[0130] 步驟七、對(duì)步驟二得到的各帶通子帶系數(shù)進(jìn)行NSCT逆變換，得到最終的融合圖像。 [0131 ]進(jìn)一步，所述的PCNN模型形態(tài)結(jié)構(gòu)和統(tǒng)計(jì)兩方面包含下列參數(shù)：
[0132] 顯微圖像的截面積、周長、最大直徑、等效直徑、長寬比、圓形度、球化度、體密度、 面數(shù)密度、數(shù)密度、面密度、間距。
[0133] 進(jìn)一步，利用下列公式運(yùn)行PCNN模型模型：
[0134] Fij[n] =Sij
[0135] Lij [η] = VL Σ ffijkiYki[n-l ]
[0136] Uij[n] =Fij[n] (l+PLij[n])
[0137] 卜i、 t rr i j.1，
[0138] L卜 ' r j |o? §α?Μ<θΜ
[0139] Iij[n] =N-n
[0140] 式中:Uij[n]為內(nèi)部活動(dòng)項(xiàng)，Yij[n]為PCNN脈沖輸出，Iij[n]為索引值；
[0141] 當(dāng)n=l時(shí)，Lij[l]=0,則1^[1]=卩。[1]=3;[]_，0。[1] = 1^(1^-1) = 31']-111￡1)%對(duì)應(yīng)的反 饋輸入中值為Sij_ max的神經(jīng)元將自然點(diǎn)火;神經(jīng)元點(diǎn)火后，輸出Yij[ 1 ] = 1，0ij[2]變?yōu)閂0，點(diǎn) 火神經(jīng)元的索引值標(biāo)記為k = N-l。
[0142] 進(jìn)一步，所述適合處理顯微圖像PCNN模型還包括檢測(cè)優(yōu)化模塊，該檢測(cè)優(yōu)化模塊 用于：
[0143] 將采集到的圖像建立圖像的顯著模型，所述建立圖像的顯著性模型包括：
[0144] 利用預(yù)定過分割算法對(duì)所述圖像進(jìn)行過分割，和模板參數(shù)提取，對(duì)整個(gè)輸入圖像， 以8*8個(gè)像素為單元，計(jì)算每個(gè)單元的平均灰度值和每個(gè)單元的最大灰度值，得到至少一個(gè) 區(qū)域，同一個(gè)所述區(qū)域中各個(gè)像素點(diǎn)的顏色值相同；
[0145] 確定每個(gè)所述區(qū)域的顏色值和質(zhì)心；
[0146] 根據(jù)各個(gè)區(qū)域所對(duì)應(yīng)的顏色值以及各個(gè)區(qū)域的質(zhì)心，建立所述顯著性模型。
[0147] 進(jìn)一步，所述的所述顯著性模型為Σ
[0148] 其中，Su為區(qū)域Ri中任一像素點(diǎn)的顯著性值，w (Rj)為區(qū)域Rj中的像素點(diǎn)的個(gè)數(shù)，Ds 浪兒）用于表征所述區(qū)域心和所述區(qū)域心之間空間位置差異的度量值，DcUhRj)用于表征 所述區(qū)域心和所述區(qū)域心之間顏色差異的度量值，N為對(duì)所述圖像進(jìn)行過分割后得到的區(qū)域 的總個(gè)數(shù)，Ds(Ri，Rj)為：A ("/，乂）:= exP(-(~伽狀.）-（'(·敗".())2 Z < ^ 述區(qū)域心的質(zhì)心，CenteHRj為所述區(qū)域心的質(zhì)心，當(dāng)所述圖像中各個(gè)像素點(diǎn)的坐標(biāo)均歸一 化到[0，1]時(shí)；0f =0·4β
[0149] 進(jìn)一步，所述NSCT逆變換的圖像融合方法包括以下步驟：
[0150] (1)將源圖像A和B分別進(jìn)行非子采樣輪廓波變換，得到低頻子圖像YoA，Yo B和一系 列高頻子圖像￥1^，￥1^汰=1，2，一44為高頻子圖像的個(gè)數(shù)，由非子采樣輪廓波變換中金字 塔分解的級(jí)數(shù)和方向?yàn)V波分解的方向數(shù)決定；
[0151] (2)對(duì)一系列高頻子圖像￥^，￥二1^=1，2，~4和低頻子圖像￥()^進(jìn)行融合：
[0152] (a)按照以下步驟對(duì)一系列高頻子圖像￥1/，￥1^汰=1，2，一4進(jìn)行融合：
[0153] (b)按照以下步驟對(duì)低頻子圖像進(jìn)行融合：
[0154]在YoA選取一個(gè)窗口Aj，在YoB選取一個(gè)窗口Bj，Aj與Bj表不大小相同的同一區(qū)域，
[0155] (bl)設(shè)Aj對(duì)應(yīng)的區(qū)域圖像為ej，Bj對(duì)應(yīng)的區(qū)域圖像為灼，將^和灼的方差與梯度分 別與預(yù)定的臨界方差和臨界梯度做比較，判斷ept是否滿足可分割條件;判斷ejPt是否 滿足可分割條件:將ej的方差Dev a和梯度Grada*別與預(yù)定的臨界方差Devo和臨界梯度Grado 做比較，若Dev a>Devo且Grada>Grado，ej滿足可分割條件，否貝lj，不滿足;f j的判斷方式同 ej;
[0156] (b2)根據(jù)步驟(bl)的判斷結(jié)果對(duì)幻與t進(jìn)行融合：
[0157] 若eJPfj均不滿足:將Υ〇Α與Υ〇Β分別分割為兩個(gè)區(qū)域，將分割后的Υ〇Α與Υ〇1聯(lián)得到 G，G包括四個(gè)區(qū)域，計(jì)算 ej，fj的平均像素灰度值，將其分別與YoA和￥<^的分割閾值比較，確定 屬于G的哪一個(gè)區(qū)域類型，比較幻，6對(duì)應(yīng)像素點(diǎn)的像素灰度值大小，根據(jù)幻，6的區(qū)域 類型，選擇像素灰度值大或者小的像素點(diǎn)作為融合后相應(yīng)區(qū)域的相應(yīng)像素點(diǎn)；
[0158] 若^和心中的一個(gè)滿足可分割條件:設(shè)q滿足可分割條件，t不滿足可分割條件， 將W分割為兩個(gè)區(qū)域，f』作為一個(gè)區(qū)域，將分割后的^與t關(guān)聯(lián)，得到關(guān)聯(lián)圖像 Cj，Cj包含兩 個(gè)區(qū)域，依照W的區(qū)域劃分方式分別將ejPfj劃分為兩個(gè)區(qū)域，將^和6的區(qū)域?qū)?yīng)，比較對(duì) 應(yīng)區(qū)域內(nèi)對(duì)應(yīng)像素點(diǎn)的像素灰度值大小，根據(jù)區(qū)域類型，選擇像素灰度值大或者小的像素 點(diǎn)作為融合后相應(yīng)區(qū)域的相應(yīng)像素點(diǎn)；
[0159] 若ej和fj均滿足可分割條件:將ej和fj分別分割為兩個(gè)區(qū)域，將分割后的ej和f j關(guān) 聯(lián)得到包括四個(gè)區(qū)域，依照W的區(qū)域劃分方式分別將W和灼劃分為相同的四個(gè)區(qū)域，分 另IJ用00、01、10、11表示，將^和6的區(qū)域?qū)?yīng)，根據(jù)區(qū)域類型，選擇像素灰度值大或者小的像 素點(diǎn)作為融合后相應(yīng)區(qū)域的相應(yīng)像素點(diǎn)；
[0160] (b3)Aj和Bj采用單像素的移動(dòng)速度，按照步驟(b2)的方式，逐行逐列遍歷YoA和 Y〇B，得到低頻子圖像融合結(jié)果Y〇F;
[0161] (3)對(duì)Y/，Y/，Y/，…，Y/與Yol行非子采樣輪廓波逆變換，得到最終融合結(jié)果F。
[0162] 本發(fā)明根據(jù)中藥材顯微組織圖像的特征，將體視學(xué)與顯微圖像分析相結(jié)合，以顯 微圖像的截面積、周長、最大直徑、等效直徑、長寬比、圓形度、球化度等參數(shù)以及體密度、面 數(shù)密度、數(shù)密度、面密度、間距等參數(shù)為處理分析依據(jù)，在傳統(tǒng)PCNN模型的基礎(chǔ)上，構(gòu)建完善 的PCNN模型，并在應(yīng)用中根據(jù)處理目的的需要優(yōu)化及簡(jiǎn)化參數(shù)設(shè)置，完善耦合鏈接強(qiáng)度及 動(dòng)態(tài)指數(shù)閾值等，建立適合處理顯微組織圖像的二維PCNN模型；從考慮同一中藥材樣本的 多幅二維顯微圖像及三維圖像的體視學(xué)關(guān)系出發(fā)，分析PCNN生物視覺系統(tǒng)的模數(shù)混合處 理、串并聯(lián)混合處理、動(dòng)態(tài)自適應(yīng)處理、非線性調(diào)制耦非線性調(diào)制耦合、同步脈沖發(fā)放、空時(shí) 編碼的特性關(guān)系，搭建適合處理中藥材顯微圖像的多通道或三維PCNN模型，可進(jìn)一步提高 中藥材質(zhì)量評(píng)價(jià)的客觀性、準(zhǔn)確性、可重復(fù)性和智能化程度，為中藥材檢測(cè)與分析的現(xiàn)代化 提供一種新的途徑。
[0163] 以上所述僅是對(duì)本發(fā)明的較佳實(shí)施例而已，并非對(duì)本發(fā)明作任何形式上的限制， 凡是依據(jù)本發(fā)明的技術(shù)實(shí)質(zhì)對(duì)以上實(shí)施例所做的任何簡(jiǎn)單修改，等同變化與修飾，均屬于 本發(fā)明技術(shù)方案的范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種適合處理顯微圖像PO^N模型的構(gòu)建方法，其特征在于，所述的適合處理顯微圖 像PCNN模型的構(gòu)建方法包括： 步驟一、分析無禪合連接和禪合連接狀態(tài)下二維脈沖禪合神經(jīng)元的動(dòng)力學(xué)特性； 步驟二、在當(dāng)前圖像上隨機(jī)選擇一個(gè)像素點(diǎn);通過變換視覺信息計(jì)算模型的窗口大小， 計(jì)算所述像素點(diǎn)與其鄰域?qū)?yīng)的方向通道的最大能量； 步驟Ξ、根據(jù)每個(gè)所述方向通道的最大能量確定所述視覺信息計(jì)算模型的最大尺度和 有效方向，根據(jù)所述最大尺度和所述有效方向確定PO^N模型的參數(shù)W和M，其中，Μ為反饋輸 入域的連接矩陣;W禪合連接域的連接矩陣； 步驟四、基于Gabor函數(shù)計(jì)算所述像素點(diǎn)的ΚΧΚ鄰域內(nèi)各個(gè)像素點(diǎn)的Μ的方向相似性； 其中，Κ為所確定的W的矩陣的行數(shù)或列數(shù);如果所述方向相似性在指定范圍內(nèi)，對(duì)所述ΚΧΚ 鄰域內(nèi)的像素點(diǎn)進(jìn)行一次點(diǎn)火，得到所述Κ ΧΚ鄰域內(nèi)的像素點(diǎn)的圖像分析數(shù)據(jù)； 步驟五、依據(jù)中藥材顯微圖像的特征，優(yōu)化PC順模型的參數(shù)設(shè)置，從PC順模型形態(tài)結(jié)構(gòu) 和統(tǒng)計(jì)兩方面優(yōu)化PCNN鏈接輸入L及反饋輸入巧自線性方程的參數(shù)設(shè)置、處理圖像的局部信 息自適應(yīng)優(yōu)化禪合鏈接強(qiáng)度ew及最佳利用輸出信息改進(jìn)反復(fù)指數(shù)衰減的動(dòng)態(tài)闊值Θ，構(gòu)建 適合處理顯微組織圖像的PCN飾莫型； 步驟六、通過對(duì)中藥材顯微圖像體視學(xué)分析，根據(jù)多層次或Ξ維顯微圖像特點(diǎn)，搭建多 層次或Ξ維脈沖禪合神經(jīng)元模型，分析神經(jīng)元?jiǎng)恿W(xué)特征、形成多通道或多維PCN飾莫型;所 述多通道或多維PC順模型，通過分別將多幅圖像經(jīng)NSCT變換后得到若干不同頻率子圖像， 并對(duì)應(yīng)采用基于雙通道PO^N進(jìn)行融合后確定融合圖像的各帶通子帶系數(shù)，最后通過NSCT逆 變換得到融合圖像； 所述的PCNN模型形態(tài)結(jié)構(gòu)和統(tǒng)計(jì)兩方面包含下列參數(shù)： 顯微圖像的截面積、周長、最大直徑、等效直徑、長寬比、圓形度、球化度、體密度、面數(shù) 密度、數(shù)密度、面密度、間距； 利用下列公式運(yùn)行PCNN模型： Fij[n] = Sij Lij[n]=化 Xwi 北1化i[n-l] Uij[n]=Fij[n](l+0Lij[n])Iu[n]=N-n 式中:Uij[n]為內(nèi)部活動(dòng)項(xiàng)，Yij[n]為PCNN脈沖輸出，Iij[n]為索引值； 當(dāng)n = l時(shí)，Lij[l]=0,則Uij[l]=Fij[l]=Sij，目ij[l]=LT(N-l) = Sij_max，對(duì)應(yīng)的反饋輸 入中值為Sij_max的神經(jīng)元將自然點(diǎn)火;神經(jīng)元點(diǎn)火后，輸出Yij山= 1，01J[2]變?yōu)閂e，點(diǎn)火神 經(jīng)元的索引值標(biāo)記為Iu = N-l; 基于雙通道PCNN進(jìn)行圖像融合的具體方法包括： 第一步、對(duì)輸入的兩幅原始圖像在空間上進(jìn)行像素級(jí)配準(zhǔn)，保證兩幅圖像大小均為XX Y; 第二步、通過非下采樣Contourlet變換分解已配準(zhǔn)的兩幅源圖像，并分別獲得其各自 的一個(gè)低頻子圖像和若干高頻子圖像； 第Ξ步、初始化雙通道脈沖禪合神經(jīng)網(wǎng)絡(luò)參數(shù)，設(shè)定神經(jīng)網(wǎng)絡(luò)參數(shù)W，化，β,νθ,αβ和At 的值； 束四步、在母幅輸入圖像中查找Sij_niax、Sijjnin; Sij_niax< Ve , Sij_min〉0 ; 第五步、得到神經(jīng)網(wǎng)絡(luò)最大運(yùn)行次數(shù)N和闊值查找表LT(s)，s為LT(s)的函數(shù)變量；式中：ti和t2分別為圖像中灰度值最大像素和最小像素的自然點(diǎn)火時(shí)間； 第六步、將一個(gè)低頻子圖像和若干高頻子圖像作為分解系數(shù)通過雙通道脈沖禪合神經(jīng) 網(wǎng)絡(luò)制定的融合規(guī)則進(jìn)行融合； 第屯步、對(duì)第二步得到的各帶通子帶系數(shù)進(jìn)行NSCT逆變換，得到最終的融合圖像； 所述適合處理顯微圖像PCW#莫型還包括檢測(cè)優(yōu)化模塊，該檢測(cè)優(yōu)化模塊用于:將采集 到的圖像建立圖像的顯著模型，所述建立圖像的顯著性模型包括： 利用預(yù)定過分割算法對(duì)所述圖像進(jìn)行過分割和模板參數(shù)提取，對(duì)整個(gè)輸入圖像，W8*8 個(gè)像素為單元，計(jì)算每個(gè)單元的平均灰度值和每個(gè)單元的最大灰度值，得到至少一個(gè)區(qū)域， 同一個(gè)所述區(qū)域中各個(gè)像素點(diǎn)的顏色值相同； 確定每個(gè)所述區(qū)域的顏色值和質(zhì)屯、； 根據(jù)各個(gè)區(qū)域所對(duì)應(yīng)的顏色值W及各個(gè)區(qū)域的質(zhì)屯、，建立所述顯著性模型； 所述的顯著性模型為：其中，Sii為區(qū)域Ri中任一像素點(diǎn)的顯著性值，w(Rj)為區(qū)域扣中的像素點(diǎn)的個(gè)數(shù)，Ds(Ri, Rj)用于表征所述區(qū)域Ri和所述區(qū)域扣之間空間位置差異的度量值，Dc(Ri，Rj)用于表征所述 區(qū)域Ri和所述區(qū)域咕之間顏色差異的度量值，N為對(duì)所述圖像進(jìn)行過分割后得到的區(qū)域的總 個(gè)數(shù)，Ds(Ri，Rj)為:A (《.，R,.) = 似.()-(、州w.( /口.]) ;Cente^Ri)為所述區(qū)域 Ri的質(zhì)屯、，Center(Rj)為所述區(qū)域Rj的質(zhì)屯、，當(dāng)所述圖像中各個(gè)像素點(diǎn)的坐標(biāo)均歸一化到 [0，1]時(shí);().4:.2.如權(quán)利要求1所述的適合處理顯微圖像PO^N模型的構(gòu)建方法，其特征在于，所述視覺 信息計(jì)算模型的視覺信息捜索方法包括： 存在樣本視覺信息； 對(duì)樣本視覺信息進(jìn)行全局信息提取與/或局部信息提取； 對(duì)所提取的全局信息與/或局部信息進(jìn)行再處理，并提取共性特征； 上述未處理與/或處理后的全局信息與/或局部信息的再處理特征建立特征模型與/或 索引； 該特征模型與/或索引傳輸于網(wǎng)絡(luò)與/或網(wǎng)絡(luò)數(shù)據(jù)庫； 使該樣本視覺信息的特征模型與/或索引在網(wǎng)絡(luò)與/或網(wǎng)絡(luò)數(shù)據(jù)庫中進(jìn)行捜索； 捜索到與該樣本視覺信息的特征模型與索引相關(guān)度最高的視覺信息結(jié)果，運(yùn)個(gè)視覺信 息結(jié)果為目標(biāo)視覺信息； 將所述捜索到的目標(biāo)視覺信息返回給用戶端； 所述視覺信息捜索方法利用全局與/或局部特征各自的優(yōu)勢(shì)，在進(jìn)行特征模型與索引 的提取和建立W及捜索時(shí)，采用多模塊并行計(jì)算，并將結(jié)果進(jìn)行有效融合； 所述樣本視覺信息生成樣本視覺信息是從互聯(lián)網(wǎng)上獲取已經(jīng)存在的樣本視覺信息. 獲取到的樣本視覺信息的顏色特征、紋理特征、形狀特征，W便從所述視覺信息上獲取 到能夠描述該視覺信息的樣本視覺信息； 所述的再處理至少包括加噪、變形、剪切、插入內(nèi)容、旋轉(zhuǎn)、縮放W及亮度增減、模糊化 處理內(nèi)容； 所述模糊化處理具體包括： 獲取預(yù)先設(shè)置的感應(yīng)區(qū)域的滑動(dòng)信息;縮小要模糊化處理的圖片； 在預(yù)先設(shè)置的對(duì)應(yīng)關(guān)系中查找與獲得的滑動(dòng)信息對(duì)應(yīng)的模糊化處理方式;對(duì)所述縮小 后的圖片進(jìn)行模糊化處理； 按照查找到的模糊化處理方式對(duì)圖片進(jìn)行模糊化處理，對(duì)所述模糊化處理后的圖片進(jìn) 行放大，得到所需的模糊化處理后的圖片； 所述對(duì)應(yīng)關(guān)系包括第一對(duì)應(yīng)關(guān)系和第二對(duì)應(yīng)關(guān)系，該方法之前還包括： 設(shè)置滑動(dòng)距離和模糊度的第一對(duì)應(yīng)關(guān)系;設(shè)置滑動(dòng)方向和模糊化處理方向的第二對(duì)應(yīng) 關(guān)系； 所述模糊化處理方向包括由模糊到清晰的方向或者由清晰到模糊的方向；所述滑動(dòng)方 向包括由上至下的滑動(dòng)和由下至上的滑動(dòng)，或者由右至左的滑動(dòng)和由左至右的滑動(dòng)； 對(duì)模糊化處理后的圖片進(jìn)行處理;包括:將模糊化處理后的圖片設(shè)定為壁紙和/或屏幕 保護(hù)，保存模糊化處理后的圖片，或者結(jié)束本流程。3.如權(quán)利要求1所述的適合處理顯微圖像PC順模型的構(gòu)建方法，其特征在于，所述NSCT 逆變換的圖像融合方法包括W下步驟： (1) 將源圖像A和B分別進(jìn)行非子采樣輪廓波變換，得到低頻子圖像Y〇A，Y〇哺一系列高頻 子圖像ΥιΛ化B，k=i，2,…，N，N為高頻子圖像的個(gè)數(shù)，由非子采樣輪廓波變換中金字塔分解 的級(jí)數(shù)和方向?yàn)V波分解的方向數(shù)決定； (2) 對(duì)一系列高頻子圖像YlΛYkB，k=l，2，…，N和低頻子圖像YoA，YoB進(jìn)行融合： (a) 按照W下步驟對(duì)一系列高頻子圖像YlΛYkB，k=l，2，…，N進(jìn)行融合： (b) 按照W下步驟對(duì)低頻子圖像進(jìn)行融合： 在Y〇A選取一個(gè)窗口 Aj，在Y〇B選取一個(gè)窗口Bj，Aj與Bj表示大小相同的同一區(qū)域， (bl)設(shè)Aj對(duì)應(yīng)的區(qū)域圖像為ej，Bj對(duì)應(yīng)的區(qū)域圖像為扣將e誠。的方差與梯度分別與 預(yù)定的臨界方差和臨界梯度做比較，判斷ej，。是否滿足可分割條件;判斷e神日。是否滿足 可分割條件:將ej的方差Deva和梯度Grada分別與預(yù)定的臨界方差Devo和臨界梯度Grado做比 較，若Deva>Devo且Grada>Grado，ej滿足可分割條件，否則，不滿足;f j的判斷方式同ej; (b2)根據(jù)步驟(bl)的判斷結(jié)果對(duì)ej與進(jìn)行融合： 若e麻f期不滿足:將Y〇A與Y〇B分別分割為兩個(gè)區(qū)域，將分割后的Y〇A與γ〇Β關(guān)聯(lián)得至化，G包 括四個(gè)區(qū)域，計(jì)算ej，。的平均像素灰度值，將其分別與Υ〇Α和Υ〇Β的分割闊值比較，確定ej，fj 屬于G的哪一個(gè)區(qū)域類型，比較ej，。對(duì)應(yīng)像素點(diǎn)的像素灰度值大小，根據(jù)ej，fj的區(qū)域類型， 選擇像素灰度值大或者小的像素點(diǎn)作為融合后相應(yīng)區(qū)域的相應(yīng)像素點(diǎn)； 若e神日中的一個(gè)滿足可分割條件:設(shè)ej滿足可分割條件，。不滿足可分割條件，將ej分 割為兩個(gè)區(qū)域，f^乍為一個(gè)區(qū)域，將分割后的ej與關(guān)聯(lián)，得到關(guān)聯(lián)圖像cj，cj包含兩個(gè)區(qū)域， 依照cj的區(qū)域劃分方式分別將e神P。劃分為兩個(gè)區(qū)域，將e神Pfj的區(qū)域?qū)?yīng)，比較對(duì)應(yīng)區(qū)域 內(nèi)對(duì)應(yīng)像素點(diǎn)的像素灰度值大小，根據(jù)區(qū)域類型，選擇像素灰度值大或者小的像素點(diǎn)作為 融合后相應(yīng)區(qū)域的相應(yīng)像素點(diǎn)； 若ej和f期滿足可分割條件:將ej和。分別分割為兩個(gè)區(qū)域，將分割后的ej和。關(guān)聯(lián)得 至帖，C抱括四個(gè)區(qū)域，依照C撕區(qū)域劃分方式分別將e誠f測(cè)分為相同的四個(gè)區(qū)域，分別用 00、01、10、ll表示，將e神Pf北勺區(qū)域?qū)?yīng)，根據(jù)區(qū)域類型，選擇像素灰度值大或者小的像素點(diǎn) 作為融合后相應(yīng)區(qū)域的相應(yīng)像素點(diǎn)； (b3)Aj和Bj采用單像素的移動(dòng)速度，按照步驟化2)的方式，逐行逐列遍歷Y〇A和Y〇B，得到 低頻子圖像融合結(jié)果Y〇P; (3)對(duì)￥/，￥2^瓜^-，￥/與￥〇唯行非子采樣輪廓波逆變換，得到最終融合結(jié)果尸。
【文檔編號(hào)】G06T7/60GK106097303SQ201610371400
【公開日】2016年11月9日
【申請(qǐng)日】2016年5月30日
【發(fā)明人】劉勍, 楊筱平, 楊紅平, 馬小姝, 張利軍, 韓雙旺
【申請(qǐng)人】天水師范學(xué)院