(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111629067.8 (22)申请日 2021.12.28 (71)申请人 中国科学院西安 光学精密机 械研究 所 地址 710119 陕西省西安市高新区新型工 业园信息大道17号 (72)发明人 陈韬宇　王华伟　刘庆　常三三　 (74)专利代理 机构 西安智邦专利商标代理有限 公司 6121 1 代理人 王少文 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06F 17/16(2006.01) (54)发明名称 基于脉冲耦合神经网络的图像清晰度评估 方法及终端设备 (57)摘要 本发明涉及一种图像处理方法， 具体涉及基 于脉冲耦合神经网络的图像清晰度评估方法及 终端设备， 应用脉冲耦合神经网络解决图像清晰 度低的技术问题， 本发明基于脉冲耦合神经网络 的图像清晰度评估方法， 通过提前设置脉冲耦合 神经网络的反馈输入域、 耦合连接域及脉冲发生 域的相关参数， 循环迭代， 计算在调焦过程中得 到的图像序列对应的图像清晰度评估函数值， 并 绘制曲线图表征该图像序列对应的清晰度变换 趋势， 可以适用不同的场景类型， 并且只关注图 像的灰度信息， 可 以提高运算精确度， 避免其他 因素的干扰， 具有较好的实时性， 在终端设备上 运行时， 计算效率高能满足工程需求。 权利要求书3页 说明书7页 附图1页 CN 114359200 A 2022.04.15 CN 114359200 A 1.一种基于脉冲耦合神经网络的图像清晰度评估方法， 其特 征在于， 包括以下步骤： 步骤1： 构建脉冲耦合神经网络； 所述脉冲耦合神经网络包括反馈 输入域(1)、 耦合连接域(2)及脉冲发生 域(3)； 所述反馈输入域(1)包括输入矩阵F， 所述耦合连接域(2)包括耦合连接输入矩阵L， 所 述脉冲发生 域(3)包括动态门限矩阵E、 神经 元内部活动项矩阵U和脉冲输出矩阵Y； 步骤2： 对图像进行 预处理， 设置初始化 参数； 2.1)求出图像的灰度矩阵， 将灰度矩阵归一 化处理， 作为刺激 输入矩阵S； 所述刺激输入矩阵S的大小i*j根据图像的分辨率确定， i为刺激输入矩阵S的第i行， j 为刺激输入矩阵S的第j列； 2.2)将刺激 输入矩阵S的值赋予输入矩阵F； 2.3)将脉冲耦合神经网络中的耦合连接输入矩阵L、 神经元内部活动项矩阵U、 脉冲输 出矩阵Y和全局特 征矩阵Q， 初始化 为零矩阵； 2.4)设置脉冲耦合神经网络中反馈 输入域系数矩阵M和耦合连接域系数矩阵W； 2.5)计算动态门限矩阵E； 求解输入矩阵F拉普拉斯算子的卷积， 返回与输入矩阵F大小相同的矩阵； 两者相减得 到初始的动态门限矩阵E； 2.6)筛选输入矩阵F中的最大值T； 2.7)设置放大系数和衰减时间常数； 设置反馈输入域(1)的放大系数vF、 耦合连接域(2)的放大系数vL、 脉冲发生域(3)的放 大系数vE、 输入矩阵F的衰减时间常数α F、 耦合连接输入矩阵L的衰减时间常数α L以及动态 门限矩阵E的衰减时间常数α E； 其中， vF、 vL和 vE的取值范 围为大于等于1的自然数， α F和α L 和 α E的取值范围为0＜α F＜1， 0＜α L＜1， 0＜α E＜1； 2.8)设置耦合连接输入矩阵L对神经元内部活动项矩阵U的连接系数β， 其中， β 为神经 元内部活动项矩阵U对耦合连接 输入矩阵L的比例关系， β 的取值范围为0＜β ＜1； 2.9)设置循环次数为 n， N≥n≥1， 其中N 为循环次数 上限； 设置循环次数初始值 n＝1； 步骤3： 基于脉冲耦合神经网络， 计算出动态门限矩阵E(n)、 神经元内部活动项矩阵U (n)及脉冲输出矩阵Y(n)； 步骤4： 判断循环结果 4.1)当U(n)≤ E(n)时， 则Y(n)为0矩阵， 循环结束， 执 行步骤5； 当U(n)＞E(n)时， 判断n是否等于N； 若n≠N， 则令n ＝n+1， 返回步骤3； 若n＝N， 则循环结束， 执 行步骤5； 步骤5： 输出 结果 5.1)计算全局特 征矩阵Q 5.2)将步骤5.1得到的全局特 征矩阵Q标准 化， 输出标准化的全局特 征矩阵Q； 5.3)计算步骤5.2得到的标准化全局特征矩阵Q中所有元素的和， 即为该矩阵对应图像 的灰度和， 作为图像清晰度评估函数值。权　利　要　求　书 1/3 页 2 CN 114359200 A 22.根据权利要求1所述的基于脉冲耦合神经网络的图像清晰度评估方法， 其特征在于： 步骤3中， 所述基于脉冲耦合神经网络， 计算出动态门限矩阵E(n)、 神经元内部活动项矩阵U (n)及脉冲输出矩阵Y(n)具体为： 3.1)计算脉冲输出矩阵Y(n ‑1)与反馈输入域系数矩阵M的卷积， 保存为 中间矩阵J(n)； 当n＝1时Y(n ‑1)即Y(0)代 表脉冲输出矩阵Y的初始值； 3.2)计算脉冲输出矩阵Y(n ‑1)与耦合连接域系数矩阵W的卷积， 保存为中间矩阵K(n)； 3.3)计算输入矩阵F(n)＝exp( ‑α F)*F(n‑1)+vF*J(n ‑1) 式中： F(n‑1)为上一循环中F(n)的值， 当n ＝1时F(n ‑1)即F(0)代 表输入矩阵F的初始值； J(n‑1)为上一循环中J(n)的值， 当n＝1时J(n ‑1)即J(0)代表中间矩阵J的初始值， 中间 矩阵J的初始值 为零矩阵； 3.4)计算耦合连接 输入矩阵L(n)＝exp( ‑α L)*L(n‑1)+vL*K(n ‑1) 式中： L(n‑1)为上一循环中L(n)的值,当n＝1时L(n ‑1)即L(0)代表耦合连接输入矩阵L的初 始值； K(n‑1)为上一循环中K(n)的值,当n＝1时K(n ‑1)即K(0)代表中间矩阵K的初始值,中间 矩阵K的初始值 为零矩阵； 3.5)计算动态门限矩阵E(n)＝exp( ‑α E)*E(n‑1)+vE*Y(n‑1) 式中： E(n‑1)为上一循环中E(n)的值,当n ＝1时E(n ‑1)即E(0)代 表动态门限矩阵E的初始值； Y(n‑1)为上一循环中Y(n)的值； 3.6)计算神经 元内部活动项矩阵U(n)的组成项 Uij(n)， 公式为： Uij(n)＝Fij(n)*(1+β *Lij(n)) 式中： Uij(n)为U(n)中第i行第j列的项； Fij(n)为F(n)中第i行第j列的项； Lij(n)为L(n)中第i行第j列的项； 3.7)计算脉冲输出矩阵Y(n)＝(l nT‑(n‑1)*α E)*(U(n) ‑E(n))。 3.根据权利要求2所述的基于脉冲耦合神经网络的图像清晰度评估方法， 其特征在于， 还包括步骤6： 重复步骤1 ‑步骤5.3， 获得图像序列对应的图像清晰度评估函数值， 并绘制曲 线图表征 该图像序列对应的清晰度变换趋势。 4.根据权利要求1或2所述的基于脉冲耦合神经网络的图像清晰度评估方法， 其特征在 于： 步骤2.3)中， 所述反馈输入域(1)系数矩阵M和 耦合连接域(2)系数矩阵W的大小均为3* 3。 5.根据权利要求1或2所述的基于脉冲耦合神经网络的图像清晰度评估方法， 其特征在 于： 所述反馈输入域(1)的输入是上一个循环的脉冲输出， 其输出是当前循环的反馈输入； 耦合连接域(2)的输入是上一个循环周围神经元的脉冲输出， 其输出是当前循环的耦合连 接输入； 脉冲发生域(3)的输入是当前反馈输入与耦合连接输入决定的内部活动项强度， 其 输出是当前的脉冲输出和决定 输出强度的动态门限。权　利　要　求　书 2/3 页 3 CN 114359200 A 3