搜索

文章查询

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种基于忆阻交叉阵列的自适应三高斯模型及其在图像增强中的应用

刘琦 王丽丹 段书凯

一种基于忆阻交叉阵列的自适应三高斯模型及其在图像增强中的应用

刘琦, 王丽丹, 段书凯
PDF
导出引用
导出核心图
  • 在视觉图像处理中,可用三高斯模型来模拟视网膜神经节细胞的感受野,这可以在一定程度上对图像信息,比如图像的边缘、细节等信息进行增强.但是在对大量的图像进行处理时,为了达到比较理想的效果,就需要人为地来改变模型中的相关参数,这是一个十分耗时的过程.基于此,本文提出一种基于忆阻交叉阵列的自适应三高斯模型.这种模型是在传统三高斯模型的基础上,根据所需处理图像的局部特征,利用忆阻交叉阵列的特性动态地改变模型参数,以达到对局部图像最优增强的目的,从而使整幅图像的增强效果更好.首先,根据图像的局部亮度信息来确定忆阻器所需施加的脉冲电压的极性以及宽度;然后,根据所得忆阻值得到对应模型中参数的值;最后,可以得到局部增强模板,从而实现增强.本文分别选取了彩色和灰度图像进行了测试,定性和定量实验结果均表明,这种改进的三高斯模型不仅能够对图像边缘进行有效的增强,而且还可以极大地提高图像的对比度和清晰度,为忆阻器在图像处理方面的应用提供了新方向.
      通信作者: 王丽丹, ldwang@swu.edu.cn
    • 基金项目: 国家自然科学基金(批准号:61571372,61672436,61372139)、中央高校基本科研业务费专项资金(批准号:XDJK2016A001,XDJK2014A009)和新世纪优秀人才支持计划(批准号:教技函[2013]47号)资助的课题.
    [1]

    Li H, Wu W, Yang X M, Yan B Y, Liu K, Jeon G 2016 Acta Phys. Sin. 65 160701 (in Chinese) [李红, 吴炜, 杨晓敏, 严斌宇, 刘凯, Gwanggil Jeon 2016 物理学报 65 160701]

    [2]

    Bi G L, Xu Z J, Zhao J, Sun Q 2015 Acta Phys. Sin. 64 100701 (in Chinese) [毕国玲, 续志军, 赵建, 孙强 2015 物理学报 64 100701]

    [3]

    He K M, Sun J, Tang X O 2013 IEEE Trans. Pattern Anal. Mach. Intell. 35 1397

    [4]

    Gianini G, Manenti A, Rizzi A 2014 J. Opt. Soc. Am. A 31 2663

    [5]

    Gianini G, Rizzi A, Damiani E 2016 Inf. Sci 327 149

    [6]

    Mccann J J, Parraman C, Rizzi A 2014 Front. Psychol. 5 1

    [7]

    Wang Y F, Wang H Y, Yin C L, Dai M 2016 Neurocomputing 177 373

    [8]

    Jobson D J, Rahman Z U, Woodell G A 1997 IEEE Trans. Image Process 6 965

    [9]

    Jobson D J, Rahman Z, Woodell G A 1997 IEEE Trans. Image Process 6 451

    [10]

    Rodieck R W 1965 Vision Res. 5 583

    [11]

    Li C Y, Xing P, Zhou Y X 1991 Vision Res. 31 1529

    [12]

    Solomon S G, White A J, Martin P R 2002 J. Neurosci. 22 338

    [13]

    Nolt M J, Kumbhani R D, Palmer L A 2004 J. Neurophysiol. 92 1708

    [14]

    Xu Z L 2012 M. S. Thesis (Chengdu: University of Electronic Science and Technology of China) (in Chinese) [许子龙 2012 硕士学位论文 (成都: 电子科技大学)]

    [15]

    Ahn H, Keum B, Kim D, Lee H S 2013 IEEE Int. Conf. Consum. Electron 2013 p153

    [16]

    Zhang E H, Yang H Y, Xu M P 2015 Appl. Math. Inf. Sci. 9 411

    [17]

    Jang I S, Lee T H, Ha H G, Ha Y H 2010 International Symposium on Optomechatronic Technologies Toronto, Canada, October 25-27, 2010 p1

    [18]

    Wang Y, Yang J, Wang L D, Duan S K 2015 Acta Phys. Sin. 64 237303 (in Chinese) [王颜, 杨玖, 王丽丹, 段书凯 2015 物理学报 64 237303]

    [19]

    Wang L D, Drakakis E, Duan S K, He P F, Liao X F 2012 Int. J. Bifur. Chaos 22 1250205

    [20]

    Hu X F, Duan S K, Wang L D, Liao X F 2011 Sci. China: Inf. Sci. 41 500 (in Chinese) [胡小方, 段书凯, 王丽丹, 廖晓峰 2011 中国科学: 信息科学 41 500]

    [21]

    Duan S K, Hu X F, Dong Z K, Wang L, Mazumder P 2014 IEEE Trans. Neural Netw. Learn. Syst 26 1202

    [22]

    Wang L D, Li H F, Duan S K, Huang T W, Wang H M 2015 Neurocomputing 171 23

    [23]

    Agaian S S, Silver B, Panetta K A 2007 IEEE Trans. Image Process 16 741

    [24]

    Agaian S S, Lentz K P, Grigoryan A M 2000 IASTED International Conference on Signal Processing Communication Marbella, Spain, September 19-22, 2000

  • [1]

    Li H, Wu W, Yang X M, Yan B Y, Liu K, Jeon G 2016 Acta Phys. Sin. 65 160701 (in Chinese) [李红, 吴炜, 杨晓敏, 严斌宇, 刘凯, Gwanggil Jeon 2016 物理学报 65 160701]

    [2]

    Bi G L, Xu Z J, Zhao J, Sun Q 2015 Acta Phys. Sin. 64 100701 (in Chinese) [毕国玲, 续志军, 赵建, 孙强 2015 物理学报 64 100701]

    [3]

    He K M, Sun J, Tang X O 2013 IEEE Trans. Pattern Anal. Mach. Intell. 35 1397

    [4]

    Gianini G, Manenti A, Rizzi A 2014 J. Opt. Soc. Am. A 31 2663

    [5]

    Gianini G, Rizzi A, Damiani E 2016 Inf. Sci 327 149

    [6]

    Mccann J J, Parraman C, Rizzi A 2014 Front. Psychol. 5 1

    [7]

    Wang Y F, Wang H Y, Yin C L, Dai M 2016 Neurocomputing 177 373

    [8]

    Jobson D J, Rahman Z U, Woodell G A 1997 IEEE Trans. Image Process 6 965

    [9]

    Jobson D J, Rahman Z, Woodell G A 1997 IEEE Trans. Image Process 6 451

    [10]

    Rodieck R W 1965 Vision Res. 5 583

    [11]

    Li C Y, Xing P, Zhou Y X 1991 Vision Res. 31 1529

    [12]

    Solomon S G, White A J, Martin P R 2002 J. Neurosci. 22 338

    [13]

    Nolt M J, Kumbhani R D, Palmer L A 2004 J. Neurophysiol. 92 1708

    [14]

    Xu Z L 2012 M. S. Thesis (Chengdu: University of Electronic Science and Technology of China) (in Chinese) [许子龙 2012 硕士学位论文 (成都: 电子科技大学)]

    [15]

    Ahn H, Keum B, Kim D, Lee H S 2013 IEEE Int. Conf. Consum. Electron 2013 p153

    [16]

    Zhang E H, Yang H Y, Xu M P 2015 Appl. Math. Inf. Sci. 9 411

    [17]

    Jang I S, Lee T H, Ha H G, Ha Y H 2010 International Symposium on Optomechatronic Technologies Toronto, Canada, October 25-27, 2010 p1

    [18]

    Wang Y, Yang J, Wang L D, Duan S K 2015 Acta Phys. Sin. 64 237303 (in Chinese) [王颜, 杨玖, 王丽丹, 段书凯 2015 物理学报 64 237303]

    [19]

    Wang L D, Drakakis E, Duan S K, He P F, Liao X F 2012 Int. J. Bifur. Chaos 22 1250205

    [20]

    Hu X F, Duan S K, Wang L D, Liao X F 2011 Sci. China: Inf. Sci. 41 500 (in Chinese) [胡小方, 段书凯, 王丽丹, 廖晓峰 2011 中国科学: 信息科学 41 500]

    [21]

    Duan S K, Hu X F, Dong Z K, Wang L, Mazumder P 2014 IEEE Trans. Neural Netw. Learn. Syst 26 1202

    [22]

    Wang L D, Li H F, Duan S K, Huang T W, Wang H M 2015 Neurocomputing 171 23

    [23]

    Agaian S S, Silver B, Panetta K A 2007 IEEE Trans. Image Process 16 741

    [24]

    Agaian S S, Lentz K P, Grigoryan A M 2000 IASTED International Conference on Signal Processing Communication Marbella, Spain, September 19-22, 2000

  • [1] 毕国玲, 续志军, 赵建, 孙强. 基于照射_反射模型和有界运算的多谱段图像增强. 物理学报, 2015, 64(10): 100701. doi: 10.7498/aps.64.100701
    [2] 王跃钢, 文超斌, 杨家胜, 左朝阳, 崔祥祥. 基于无模型方法的混沌系统自适应控制. 物理学报, 2013, 62(10): 100504. doi: 10.7498/aps.62.100504
    [3] 王兴元, 孟娟. 基于Takagi-Sugeno模糊模型的超混沌系统自适应投影同步及参数辨识. 物理学报, 2009, 58(6): 3780-3787. doi: 10.7498/aps.58.3780
    [4] 刘杰, 张建勋, 代煜. 基于多引导滤波的图像增强算法. 物理学报, 2018, 67(23): 238701. doi: 10.7498/aps.67.20181425
    [5] 王聪, 杨晶, 潘秀娟, 蔡高航, 赵巍, 张景园, 崔大复, 彭钦军, 许祖彦. 基于光参量放大相位共轭特性的图像修复与增强. 物理学报, 2017, 66(10): 104205. doi: 10.7498/aps.66.104205
    [6] 龚礼华. 基于自适应脉冲微扰实现混沌控制的研究. 物理学报, 2005, 54(8): 3502-3507. doi: 10.7498/aps.54.3502
    [7] 刘福才, 梁晓明, 宋佳秋. 广义Hénon混沌系统的自适应双模控制与同步. 物理学报, 2008, 57(3): 1458-1464. doi: 10.7498/aps.57.1458
    [8] 胡建兵, 韩焱, 赵灵冬. 自适应同步参数未知的异结构分数阶超混沌系统. 物理学报, 2009, 58(3): 1441-1445. doi: 10.7498/aps.58.1441
    [9] 赵灵冬, 胡建兵, 刘旭辉. 参数未知的分数阶超混沌Lorenz系统的自适应追踪控制与同步. 物理学报, 2010, 59(4): 2305-2309. doi: 10.7498/aps.59.2305
    [10] 于海涛, 王江. 基于反演自适应动态滑模的FitzHugh-Nagumo神经元混沌同步控制. 物理学报, 2013, 62(17): 170511. doi: 10.7498/aps.62.170511
  • 引用本文:
    Citation:
计量
  • 文章访问数:  261
  • PDF下载量:  161
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-01-11
  • 修回日期:  2017-03-31
  • 刊出日期:  2017-06-20

一种基于忆阻交叉阵列的自适应三高斯模型及其在图像增强中的应用

  • 1. 西南大学电子信息工程学院, 非线性电路与智能信息处理重庆市重点实验室, 重庆 400715
  • 通信作者: 王丽丹, ldwang@swu.edu.cn
    基金项目: 

    国家自然科学基金(批准号:61571372,61672436,61372139)、中央高校基本科研业务费专项资金(批准号:XDJK2016A001,XDJK2014A009)和新世纪优秀人才支持计划(批准号:教技函[2013]47号)资助的课题.

摘要: 在视觉图像处理中,可用三高斯模型来模拟视网膜神经节细胞的感受野,这可以在一定程度上对图像信息,比如图像的边缘、细节等信息进行增强.但是在对大量的图像进行处理时,为了达到比较理想的效果,就需要人为地来改变模型中的相关参数,这是一个十分耗时的过程.基于此,本文提出一种基于忆阻交叉阵列的自适应三高斯模型.这种模型是在传统三高斯模型的基础上,根据所需处理图像的局部特征,利用忆阻交叉阵列的特性动态地改变模型参数,以达到对局部图像最优增强的目的,从而使整幅图像的增强效果更好.首先,根据图像的局部亮度信息来确定忆阻器所需施加的脉冲电压的极性以及宽度;然后,根据所得忆阻值得到对应模型中参数的值;最后,可以得到局部增强模板,从而实现增强.本文分别选取了彩色和灰度图像进行了测试,定性和定量实验结果均表明,这种改进的三高斯模型不仅能够对图像边缘进行有效的增强,而且还可以极大地提高图像的对比度和清晰度,为忆阻器在图像处理方面的应用提供了新方向.

English Abstract

参考文献 (24)

目录

    /

    返回文章
    返回