文档介绍：一种基于PCNN和自适应中值滤波的去噪方法
刘莉 谈文蓉 王燕
（西南民族大学计算机科学与技术学院，成都，610041）
摘要：论文探讨了和简化了PCNN模型，针对脉冲噪声的特点，提出了把该PCNN模型和自适应 中值滤波相结合用于去除噪声的方法，与已有的滤波方法相比，该方法在较好地滤除噪声的同时， 具有较好的图像边缘细节的保护能力。实验结果证实了该方法的可行性和有效性。
关键词：脉冲耦合神经网络，自适应中值滤波，图像去噪，脉冲噪声
由于图像在获取、信道传输、介质储存过程中，信号很容易受到外界噪声的干扰和破坏, 如突发性的脉冲噪声（也称椒盐噪声）干扰，破坏了图像的局部相关性；以及高斯白噪声干 扰了图像的所有像素，破坏了图像的整体效果和质量，对其进行滤波降噪处理就十分重要, 而且滤波降噪的结果直接关系到各种后续处理的效果。
在去除脉冲噪声方面，中值滤波、均值滤波是当前应用最广的传统滤波方法。但均值滤 波器在滤除图像中噪声的同时，会严重模糊图像的边缘，丢失图像的细节信息，而且对脉冲 噪声的滤波效果不好。中值滤波虽然能去除噪声但会破坏和丢失相对于滤波窗口尺寸较小的 图像细节，如边缘、尖角等；中值滤波在滤除图像噪声的同时，损失了图像的高频信息，使 图像的边缘模糊不清。而且，当噪声增加时（），其滤噪能力很快下 降。
脉冲耦合神经网络（Pulse Coupled Neural Network,简记为PCNN）作为第三代人工神经 网络,它是由Eckhorn依据猫、猴等哺乳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已经广泛地运用于图像处理的各个领域，如图像去噪，图像分割，图像边缘检 测，图像识别等：3-6].与传统的人工神经网络相比，脉冲耦合神经网络在图像处理方面有 很强的优势，它在图像处理方面的应用得到了广泛的重视和深入的研究.
本文分析了噪声中的脉冲噪声的特点，探讨了和修改PCNN模型，提出了把修改后的PCNN 模型和自适应中值滤波相结合用于去除脉冲噪声的算法，并进行了计算机仿真实验.
一、脉冲耦合神经网络PCNN模型
PCNN模型来源于1990年Eckhorn对猫的视觉皮层同步脉冲发放现象的研究[1 ]。山于该 模型的高度非线性和复杂的相互作用，很难用数学的方法来控制和解释神经元的行为结果。 为此，Ranganath和Kuntimad[2]提出的PCNN模型，去掉了输入域中的漏电积分器，因而在神 经元的输入中不再有指数衰减项，这些神经元统称为脉冲耦合神经元，得到了如下的PCNN神 经元的模型，对于单一神经元川ij ,,基本结构如图1所示，
调制部分脉冲产生部分
解释如下：构成PCNN的单个神经元主要由接收部分、调制部分和脉冲产生三部分组 成。 （1+0 Lij） 阈值
：
巧［"］=严巧［"T］十巧+ Vf £〃如乙［"一1］
X/
Zz［/z-l］=才忆〉［"一 1］十匕刀吩必［“一］］
S ［"］=巧［“］（1 + 0 d ［"］）