一种基于Spiking‑卷积神经网络模型的图像边缘检测方法

摘要

本发明公开了一种基于Spiking‐卷积网络模型的图像边缘检测方法，属于图像处理技术领域，解决现有技术仅仅模拟生物神经系统的空间层次结构，缺乏对时间特征的解释问题。本发明基于视觉分层结构的信息处理连接方式，构建有输入层、Spiking‐卷积层和输出层的卷积结构的Spiking‐卷积网络模型；将构建好的卷积结构的Spiking‑卷积网络模型，运用拉普拉斯高斯算子和高斯差分算子分别作为Spiking‑卷积层的滤波器，形成基于算子的Spiking‐卷积算法；获取图像，将图像灰度值像素编码为Spiking神经元，作为Spiking‐卷积网络模型的输入层；将基于算子的Spiking‐卷积算法运用于Spiking‐卷积网络模型，对输入层采取脉冲卷积，然后再根据Spiking阈值点火模型，重构输出图像的边缘。本发明用于图像预处理、特征提取、边缘检测，涉及神经网络，机器学习，Deep Learning。

权利要求

1.一种基于Spiking-卷积神经网络模型的图像边缘检测方法，其特征在于，如下步骤：

(1)基于视觉分层结构的信息处理连接方式，构建有输入层、Spiking-卷积层和输出层的卷积结构的Spiking-卷积神经网络模型；构建有输入层、Spiking-卷积层和输出层的卷积结构的Spiking-卷积神经网络模型的具体步骤如下：(11)建立一个“输入层-Spiking-卷积层-输出层”模式的3层Spiking-卷积神经网络结构；

(12)根据Spiking-卷积神经网络结构和二维图像的数据特征，设定一个和预处理图像相同维度的二维矩阵，并使得每个像素点一一映射到Spiking-卷积神经网络结构中的输入层；

(13)在Spiking-卷积神经网络结构中，模拟生物的视觉系统，仿真感受野的功能，即将Spiking-卷积神经网络结构中的输入层到Spiking-卷积神经网络结构中的Spiking-卷积层的连接方式降低为分区域连接，得到了Spiking神经脉冲的卷积稀疏连接方式；

(14)得到了Spiking神经脉冲的卷积稀疏连接方式后，再对Spiking-卷积神经网络结构中Spiking-卷积层的每个感受野采用权值共享，在所有感受野上采用的权值都是相同的，即每一个Spiking-卷积层的滤波器重复地作用于每个区域中，对输入信号进行卷积的结果构成了输入信号特征，从而提取出输入信号的局部特征，每一个Spiking-卷积层的滤波器都是相同的，即共享相同的参数，包括相同的权值矩阵和偏置项，最终产生Spiking-卷积神经网络模型；

(2)将构建好的卷积结构的Spiking-卷积神经网络模型，运用拉普拉斯高斯算子和高斯差分算子分别作为Spiking-卷积层的滤波器，形成基于算子的Spiking-卷积算法；

(3)获取输入图像，将输入图像灰度值像素编码为Spiking神经元，作为Spiking-卷积神经网络模型的输入层；

(4)将基于算子的Spiking-卷积算法运用于Spiking-卷积神经网络模型，对输入层采取脉冲卷积，然后再根据Spiking阈值点火模型，重构输出图像的边缘。

2.根据权利要求1所述的一种基于Spiking-卷积神经网络模型的图像边缘检测方法，其特征在于，所述步骤(2)中，运用拉普拉斯高斯算子和高斯差分算子分别作为Spiking-卷积层的滤波器，形成基于算子的Spiking-卷积算法的具体步骤如下：(21)根据拉普拉斯高斯算子函数，将拉普拉斯高斯算子函数形式转化为与卷积核大小相同的梯度模板，并且具有拉普拉斯高斯滤波器的同等效应；

(22)根据高斯差分算子函数，将高斯差分算子函数形式转化为与卷积核大小相同的梯度模板，并且具有高斯差分滤波器的同等效应；

(23)将步骤(21)和步骤(22)中的梯度模板，作为Spiking-卷积神经网络模型中的卷积核，以相同的梯度模板重复作用于每个感受野区域，形成基于算子的Spiking-卷积算法。

3.根据权利要求2所述的一种基于Spiking-卷积神经网络模型的图像边缘检测方法，其特征在于，所述步骤(21)中，根据拉普拉斯高斯算子函数，将拉普拉斯高斯算子函数形式转化为与卷积核大小相同的梯度模板，并且具有拉普拉斯高斯滤波器的同等效应的具体步骤为：(211)先用高斯函数对原始图像进行平滑滤波；

(212)将进行平滑滤波后的图像进行Laplace运算；

(213)将进行Laplace运算后等于零的点作为边缘点。

4.根据权利要求1所述的一种基于Spiking-卷积神经网络模型的图像边缘检测方法，其特征在于，所述步骤(3)中，将图像灰度值像素编码为Spiking神经元，作为Spiking-卷积神经网络模型的输入层的具体步骤如下：(31)将输入图像的像素点，进行图像灰度化处理，像素值范围限定在[0,255]区间内；

(32)对灰度化处理后的图像的每个灰度值进行Spiking延时编码操作，采用T＝[0,

255]的时间窗口，采用公式tj＝T-c×xj，T表示时间窗口，c表示时间常数，xj表示输入图像灰度值，tj表示编码后的点火时间，由灰度值求出具体Spiking脉冲点火时间，当输入图像灰度刺激越大，那么其对应Spiking神经元点火强度越强，表现的脉冲点火时间越早；

(33)Spiking-卷积神经网络模型中的输入层选择与输入图像维度相同大小的二维矩阵，二维矩阵中每个点表示Spiking神经元，根据步骤(32)的延时编码得到的每个Spiking神经元点火时间构成其输入层的输入Spiking时间。

5.根据权利要求4所述的一种基于Spiking-卷积神经网络模型的图像边缘检测方法，其特征在于，所述步骤(4)中将基于算子的Spiking-卷积算法运用于Spiking-卷积神经网络模型，对输入层采取脉冲卷积，然后再根据Spiking阈值点火模型，重构输出图像的边缘的具体步骤如下：(41)把基于算子的Spiking-卷积算法作用于输入层的Spiking神经元，即在输入层Spiking神经元中，将高斯差分滤波器/拉普拉斯滤波器作为Spiking-卷积神经网络的卷积核，进行Spiking-卷积，其具体卷积公式为： 是Spiking-卷积层的值， 是输入层的值，D是Spiking神经元编码方式，k表示网络第几层，Kernel为卷积核，而i,j分别表示输入层和卷积层的网络层数，每个特征图由不同的卷积核产生，而Mj为输入特征图的一个选择，每一层有唯一的偏移B，f激活函数为Spiking脉冲电压函数 εij(t)作为f激活函数，其中τ是时间常数， 是轴突延迟， 是阶梯函数，是输入层点火时间，t是时间轴，αx是轴突常数；

(42)Spiking-卷积后，随即产生每个后突触Spiking神经元的电压曲线；

(43)根据Spiking的阈值点火模型SRM，设定阈值，记录后突触Spiking神经元的电压曲线到达阈值的精确时间点，从而产生了Spiking后突触神经元的点火时序，其中有种特殊情况，即是Spiking神经元在整个时间窗口中，其最大的电压值并没有到达阈值时，记录其Spiking神经元的点火时间为0；

(44)Spiking后突触神经元产生的点火时序，作为Spiking-卷积神经网络中的Spiking-卷积层的数值点；

(45)将步骤(44)通过解码重构，Spiking后突触神经元的点火时间直接作为灰度化处理后的图像灰度值，并对新灰度值的图像进行归一化处理；

(46)对输出层图像进行二值化操作，产生输出层，即是输出图像的边缘信息。

说明书

一种基于Spiking-卷积神经网络模型的图像边缘检测方法

技术领域

[0001] 一种基于Spiking-卷积神经网络模型的图像边缘检测方法，应用于图像预处理、特征提取、边缘检测，涉及神经网络，机器学习，Deep Learning，属于图像处理等技术领域。

背景技术

[0002] 在实际的图像处理问题中，图像的边缘图作为图像的一种基本特征，被经常应用到较高层次的特征描述、图像识别、图像分割、图像增强以及图像压缩等的图像处理和分析技术中，从而可对图像作进一步的分析和理解。它在图像识别，图像分割，图像增强以及图像压缩等的领域中有较为广泛的应用，也是它们的基础。

[0003] 图像边缘是图像最基本的特征之一，往往携带着一幅图像的大部分信息。而边缘存在于图像的不规则结构和不平稳现象中，也即存在于信号的奇异点或突变点处，这些点给出了图像轮廓的位置，这些轮廓则常常是我们在图像处理时所需要的非常重要的一些特征条件，这就需要我们对一幅图像检测和提取出它的边缘图像。而边缘检测算法则是图像处理问题中的经典技术难题之一，它的解决对于我们进行高层次的特征描述、识别和理解等有着重大的影响；又由于边缘检测在许多方面都有着非常重要的实用价值，所以人们一直在致力于研究和解决如何构造出具有良好性质及效果好的边缘检测算子的问题。在通常情况下，我们可将信号中的奇异点或突变点认为是图像中的边缘点，其附近灰度的变化情况可从它相邻象素灰度分布的梯度来反映。

[0004] 边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法，是对原始图像中像素的某小邻域来构造边缘检测算子。

[0005] 被誉为“第三代神经网络模型”的Spiking神经网络，是能够有效模拟生物神经元之间信息随时间连续传递的动力系统。该模型采用时间编码方式组织信息，可以模拟真实生物中的编码机制，采用脉冲发放的精确时间进行编码，比传统神经网络的脉冲发放频率对信息编码方式更接近实际生物神经系统，无论是处理能力和计算速度都得到了巨大提升。研究表明，Spiking神经元本身就具备对外部输入信息的非线性处理能力，相比前两代人工神经网络，Spiking具备更强的计算能力。Spiking神经元模型在生物、神经等学科中有较多的研究，而在工程领域的应用尚处于起步阶段。

[0006] Deep Learning是机器学习领域中的一个新的研究热点，能有效模仿生物大脑空间层次结构来解释数据处理流程。由于其适应大数据时代的背景，且成功的应用于语义、图像等领域，使得沉积多年的卷积神经网络再次掀起了智能领域新一轮研究浪潮。作为机器学习的前沿领域，Deep Learning模拟了生物神经系统不断迭代抽象的认知和学习过程，为优化神经计算模型提供了更加合理的神经生物学依据。但由于卷积神经网络仅仅模拟生物神经系统的空间层次结构，缺乏对时间特征的解释，依旧是采用离散化的方式进行处理，所以尚未从根本上解决时序分析问题，仍存在巨大的改进空间。

[0007] 神经网络是一种多种学科交叉的研究课题，随着应用技术的不断深入及应用范围的不断扩展，它被用来解决很多传统科学解决不了的难题，为人们学习世界、发现未知范畴、增强现代科学科研水平、从而以科技带动生产力、增大人民经济发展幅度带来了积极的影响，已成为科学领域方向国际公认的尖端前沿课题。对Spiking神经网络的探索，是推动神经网络技术应用的重要环节，具有极高的实际工程应用价值。

发明内容

[0008] 本发明针对现有技术的不足之处提供了一种基于Spiking-卷积神经网络模型的图像边缘检测方法，可以模拟生物神经系统的空间层次结构和时间特征的解释特点，采用Spiking生物机制进行处理，能够有效捕获时空信息，比现有技术更具仿生性和时空特性，从而图像的边缘可以应用于较高层次的特征描述中。

[0009] 为了实现上述目的，本发明采用的技术方案为：

[0010] 一种基于Spiking-卷积神经网络模型的图像边缘检测方法，其特征在于，如下步骤：

[0011] (1)基于视觉分层结构的信息处理连接方式，构建有输入层、Spiking-卷积层和输出层的卷积结构的Spiking-卷积神经网络模型；

[0012] (2)将构建好的卷积结构的Spiking-卷积神经网络模型，运用拉普拉斯高斯算子(LOG)和高斯差分算子(DOG)分别作为Spiking-卷积层的滤波器，形成基于算子的Spiking-卷积算法；

[0013] (3)获取输入图像，将输入图像灰度值像素编码为Spiking神经元，作为Spiking-卷积神经网络模型的输入层；

[0014] (4)将基于算子的Spiking-卷积算法运用于Spiking-卷积神经网络模型，对输入层采取脉冲卷积，然后再根据Spiking阈值点火模型，重构输出图像的边缘。

[0015] 进一步，所述步骤(1)中，构建有输入层、Spiking-卷积层和输出层的卷积结构的Spiking-卷积神经网络模型的具体步骤如下：

[0016] (11)建立一个“输入层-Spiking-卷积层-输出层”模式的3层Spiking-卷积神经网络结构；

[0017] (12)根据Spiking-卷积神经网络结构和二维图像的数据特征，设定一个和预处理图像相同维度的二维矩阵，并使得每个像素点一一映射到Spiking-卷积神经网络结构中的输入层；

[0018] (13)在Spiking-卷积神经网络结构中，模拟生物的视觉系统，仿真感受野的功能，即将Spiking-卷积神经网络结构中的输入层到Spiking-卷积神经网络结构中的Spiking-卷积层的连接方式降低为分区域连接，得到了Spiking神经脉冲的卷积稀疏连接方式；

[0019] (14)得到了Spiking神经脉冲的卷积稀疏连接方式后，再对Spiking-卷积神经网络结构中Spiking-卷积层的每个感受野采用权值共享，在所有感受野上采用的权值都是相同的，即每一个Spiking-卷积层的滤波器重复地作用于每个区域中，对输入信号进行卷积的结果构成了输入信号特征，从而提取出输入信号的局部特征，每一个Spiking-卷积层的滤波器都是相同的，即共享相同的参数，包括相同的权值矩阵和偏置项，最终产生Spiking-卷积神经网络模型。

[0020] 进一步，所述步骤(2)中，运用拉普拉斯高斯算子(LOG)和高斯差分算子(DOG)分别作为Spiking-卷积层的滤波器，形成基于算子的Spiking-卷积算法的具体步骤如下：

[0021] (21)根据拉普拉斯高斯算子(LOG)函数，将拉普拉斯高斯算子(LOG)函数形式转化为与卷积核大小相同的梯度模板，并且具有拉普拉斯高斯滤波器的同等效应；

[0022] (22)根据高斯差分算子(DOG)函数，将高斯差分算子(DOG)函数形式转化为与卷积核大小相同的梯度模板，并且具有高斯差分滤波器的同等效应；

[0023] (23)将步骤(21)和步骤(22)中的梯度模板，作为Spiking-卷积神经网络模型中的卷积核，以相同的梯度模板重复作用于每个感受野区域，形成基于算子的Spiking-卷积算法。

[0024] 进一步，所述步骤(21)中，根据拉普拉斯高斯算子(LOG)函数，将拉普拉斯高斯算子(LOG)函数形式转化为与卷积核大小相同的梯度模板，并且具有拉普拉斯高斯滤波器的同等效应的具体步骤为：

[0025] (211)先用高斯函数对原始图像进行平滑滤波；

[0026] (212)将进行平滑滤波后的图像进行Laplace运算；

[0027] (213)将进行Laplace运算后等于零的点作为边缘点。

[0028] 进一步，所述步骤(3)中，将图像灰度值像素编码为Spiking神经元，作为Spiking-卷积神经网络模型的输入层的具体步骤如下：

[0029] (31)将输入图像的像素点，进行图像灰度化处理，像素值范围限定在[0,255]区间内；

[0030] (32)对图像的每个灰度值进行Spiking延时编码操作，采用T＝[0,255]的时间窗口，采用公式tj＝T-c×xj，T表示时间窗口，c表示时间常数，xj表示输入图像灰度值，tj表示编码后的点火时间，由灰度值求出具体Spiking脉冲点火时间，当输入图像灰度刺激越大，那么其对应Spiking神经元点火强度越强，表现的脉冲点火时间越早；

[0031] (33)Spiking-卷积神经网络模型中的输入层选择与图像维度相同大小的二维矩阵，矩阵中每个点表示Spiking神经元，根据步骤(32)的延时编码得到的每个Spiking神经元点火时间构成其输入层的输入Spiking时间。

[0032] 进一步，所述步骤(4)中将基于算子的Spiking-卷积算法运用于Spiking-卷积神经网络模型，对输入层采取脉冲卷积，然后再根据Spiking阈值点火模型，重构输出图像的边缘的具体步骤如下：

[0033] (41)把基于算子的Spiking-卷积算法作用于输入层的Spiking神经元，即在输入层Spiking神经元中，将高斯差分滤波器/拉普拉斯滤波器作为Spiking-卷积神经网络的卷积核，进行Spiking-卷积，其具体卷积公式为： 是Spiking-卷积层的值， 是输入层的值，D是Spiking神经元编码方式，k表示网络第几层，Kernel为卷积核，而i,j表示对应的网络层数，每个特征图可以由不同的卷积核产生，而Mj为输入特征图的一个选择，每一层有唯一的偏移B，f激活函数为Spiking脉冲电压函数εij(t)作为f激活函数，其中τ是时间常
数， 是轴突延迟， 是阶梯函数， 是输入层点火时间，t是时间轴，αx是轴突常数；

[0034] (42)Spiking-卷积后，随即产生每个后突触Spiking神经元的电压曲线；

[0035] (43)根据Spiking的阈值点火模型SRM，设定阈值，记录后突触Spiking神经元的电压曲线到达阈值的精确时间点，从而产生了Spiking后突触神经元的点火时序，其中有种特殊情况，即是Spiking神经元在整个时间窗口中，其最大的电压值并没有到达阈值时，记录其Spiking神经元的点火时间为0；

[0036] (44)Spiking后突触神经元产生的点火时序，作为Spiking-卷积神经网络中的Spiking-卷积层的数值点；

[0037] (45)将步骤(44)通过解码重构，Spiking后突触神经元的点火时间直接作为灰度化处理后的图像灰度值，并对新灰度值的图像进行归一化处理；

[0038] (46)对输出层图像进行二值化操作，产生输出层，即是输出图像的边缘信息。

[0039] 与现有技术相比，本发明的优点在于：

[0040] 一、对Spiking脉冲进行卷积，优化了网络连接方式，降低权重复杂度，提高了计算速度；

[0041] 二、采用卷积生物机制，模拟人类视觉系统信息处理流程，进行抽象分层特征提取；

[0042] 三、具有Spiking时序机制的处理方式，能够高效捕获时间信息。同时具有空间旋转位移不变性的卷积神经网络架构，高度仿生物大脑系统功能，捕获时空信息；

[0043] 四、通过构建参数较少的3层Spiking-卷积神经网络架构，增强计算模型的运算能力；

[0044] 五、通过将输入图像转化为神经元点火脉冲时间序列以及Spiking-卷积神经网络结构计算机制，极大提升非线性数据的处理水平；

[0045] 六、通过基于算子的模板梯度，进行Spiking-卷积，通过拉普拉斯高斯函数(LOG)和高斯差分函数(DOG)，可以对图像数据进行平滑滤波，同时根据信号中的奇异点和突变点作为图像中的边缘点，从它相邻像素灰度分布的梯度来反映其附近灰度的变化情况；

[0046] 七、采用权值共享，滤波器重复作用于每个感受野，在Spiking机制下，运用时间脉冲电压核函数，对信号进行卷积操作，极大地提高了运算速度；

[0047] 八、采用Spiking阈值点火模型进行建模，极大地模拟了生物神经元机制，对信号脉冲能够捕获其最本质的数据特征；

[0048] 九、Spiking-卷积编码机制，将复杂的图像数据，稀疏表示为二维网络输入层，能够处理实际生活中复杂多变的图像信号；

[0049] 十、解码重构，将最终的神经元脉冲点火时序转化为最后的图像输出，还原出图像本质的边缘特征。

[0050] 十一、本发明有机结合了Spiking神经机制，具体提出了一种具有良好空间表征特性和时间信息传递的Spiking-卷积神经网络模型，涉及了Spiking时间脉冲的卷积过程，稀疏连接，权值共享，降低网络的连接参数，优化网络，提高了计算能力。

附图说明

[0051] 图1为本发明的方法流程示意图；

[0052] 图2为本发明的整体流程示意图；

[0053] 图3为本发明Spiking-卷积神经网络结构设计示意图；

[0054] 图4为本发明原图像编码Spiking神经元流程图；

[0055] 图5为本发明突触间稀疏连接示意图；

[0056] 图6为本发明权值共享原理示意图；

[0057] 图7为本发明网络Spiking-卷积层的网络连接示意图；

[0058] 图8为本发明基于算子的Spiking-卷积方法流程图；

[0059] 图9为本发明Spiking延时编码示意图；

[0060] 图10为本发明中Spiking阈值点火模型示意图；

[0061] 图11为本发明整体使用的Spiking-卷积机制网络流程图。

具体实施方式

[0062] 下面将结合附图及实施例对本发明作进一步的描述。

[0063] 一种基于Spiking-卷积神经网络模型的图像边缘检测方法，首先基于人类大脑视觉分层结构的信息处理连接方式，搭建一个卷积结构的Spiking网络模型。首次结合时序Spiking机制和空间抽象能力的卷积模式。再运用拉普拉斯高斯算子(LOG)和高斯差分算子(DOG)分别作为Spiking-卷积层的滤波器，形成一个基于算子的Spiking-卷积方法。最后将图像信号稀疏编码为Spiking神经元，输入Spiking-卷积神经网络结构，进行三层结构的模式处理，去噪滤波，解码重构，产生图像边缘信息。

[0064] 首先需要构建Spiking-卷积神经网络模型，包括：Spiking网络输入输出关系定义、卷积神经网络层次结构、神经网络链接方式、数据均一化及编码方式。具体步骤如下：

[0065] (1)基于视觉分层结构的信息处理连接方式，构建有输入层、Spiking-卷积层和输出层的卷积结构的Spiking-卷积神经网络模型，即利用具有时序信息的Spiking神经元，替代传统神经元，建构卷积神经网络的空间提取结构，运用其时间处理机制，进行脉冲卷积，构建有输入层、Spiking-卷积层和输出层的卷积结构的Spiking-卷积神经网络模型的具体步骤如下：

[0066] (11)采用生物卷积机制，改进Spiking网络结构，包括局部连接，权值共享，稀疏编码，对捕获的图像灰度值数据，采用延时编码方案，编码为Spiking神经脉冲点火信息，建立一个“输入层-Spiking-卷积层-输出层”模式的3层Spiking-卷积神经网络结构，其中的神经元都采用Spiking神经元机制；

[0067] (12)根据Spiking-卷积神经网络结构和二维图像的数据特征，设定一个和预处理图像相同维度的二维矩阵，并使得每个像素点一一映射到Spiking-卷积神经网络结构中的输入层；

[0068] (13)在Spiking-卷积神经网络结构中，模拟生物的视觉系统，仿真感受野的功能，即将Spiking-卷积神经网络结构中的输入层到Spiking-卷积神经网络结构中的Spiking-卷积层的连接方式降低为分区域连接(在线性一维结构中，表现为减少连接数量)，因为层间局部空间相关性，相邻每层的神经节点只和它相近的上层神经节点连接，即局部连接，得到了Spiking神经脉冲的卷积稀疏连接方式(生物的视觉系统是个高度分层抽象的处理流程，针对视觉皮层的感受野功能，Spiking-卷积神经网络可以模拟这种分区稀疏的表示方法，对特定区域提取相关特征)；

[0069] (14)得到了Spiking神经脉冲的卷积稀疏连接方式后，再对Spiking-卷积神经网络结构中Spiking-卷积层的每个感受野采用权值共享，在所有感受野上采用的权值都是相同的，即每一个Spiking-卷积层的滤波器重复地作用于每个区域中，对输入信号进行卷积的结果构成了输入信号特征，从而提取出输入信号的局部特征，每一个Spiking-卷积层的滤波器都是相同的，即共享相同的参数，包括相同的权值矩阵和偏置项，最终产生Spiking-卷积神经网络模型。

[0070] (2)将构建好的卷积结构的Spiking-卷积神经网络模型，运用拉普拉斯高斯算子(LOG)和高斯差分算子(DOG)分别作为Spiking-卷积层的滤波器，形成基于算子的Spiking-卷积算法；运用拉普拉斯高斯算子(LOG)和高斯差分算子(DOG)分别作为Spiking-卷积层的滤波器，形成基于算子的Spiking-卷积算法的具体步骤如下：

[0071] (21)根据拉普拉斯高斯算子(LOG)函数，将拉普拉斯高斯算子(LOG)函数形式转化为与卷积核大小相同的梯度模板，并且具有拉普拉斯高斯滤波器的同等效应；根据拉普拉斯高斯算子(LOG)函数，将拉普拉斯高斯算子(LOG)函数形式转化为与卷积核大小相同的梯度模板，并且具有拉普拉斯高斯滤波器的同等效应的具体步骤为：

[0072] (211)先用高斯函数对图像进行平滑滤波；

[0073] (212)将进行平滑滤波后的图像进行Laplace运算；

[0074] (213)将进行Laplace运算后等于零的点作为边缘点。

[0075] 设f(x ,y)为原图像，G(x ,y)为高斯函数，其中高斯函数原型为：其中δ为方差，x,y为图像中每个像素点对应的二
维坐标值。采用斯算子平滑图像之后再进行Laplace运算，即是LOG算子，记为作为一个算子，公式 其
中δ为方差，采用高斯函数进行Spiking-卷积的过程就是对图像低通滤波，而后采用Laplace算子等同于对图像高通滤波的过程，综合起来LOG算子就是带通滤波，方法中常采用的的5*5的两个不同δ的LOG梯度模板为：

[0076]

[0077] (22)根据高斯差分算子(DOG)函数，将高斯差分算子(DOG)函数形式转化为与卷积核大小相同的梯度模板，并且具有高斯差分滤波器的同等效应；高斯差分(DOG)函数相当于一个能够去除除了那些在原始图像中被保留下来的频率之外的所有其他频率信息的带通滤波器，DOG是一个空总额的小波母函数，它从一个窄高斯减去一个宽高斯，是墨西哥帽小波(即LOG)的一个近似。本发明中同样用到了步骤(21)中的梯度模块，并且两个不同δ的高斯矩阵差分值，分别设定为δ1＝0.7和δ2＝1.7时，效果最好。

[0078] (23)将步骤(21)和步骤(22)中的梯度模板，作为Spiking-卷积神经网络模型中的卷积核，以相同的梯度模板重复作用于每个感受野区域，作为Spiking-卷积层的卷积Kernel函数，形成基于算子的Spiking-卷积算法。

[0079] (3)获取输入图像，获取的输入图像与步骤(12)中设定的二维矩阵相同，将输入图像灰度值像素编码为Spiking神经元，将图像灰度值像素编码为Spiking神经元作为Spiking-卷积神经网络模型的输入层；将图像灰度值像素编码为Spiking神经元作为Spiking-卷积神经网络模型的输入层的具体步骤如下：

[0080] (31)Spiking-卷积神经网络模型的输入层是一个二维Spiking神经元矩阵，将输入图像的像素点，进行图像灰度化处理，像素值范围限定在[0,255]区间内；

[0081] (32)对图像的每个灰度值进行Spiking延时编码操作，采用T＝[0,255]的时间窗口，经过编码后转化为神经元的脉冲点火时序，具体说来，对于一个灰度值向量(x1,.....,xn)，其中xj∈[0,255]，能够被编码成n个神经元的点火时间tj，其中tj＝T-c×xj，T表示时间窗口，c表示时间常数，xj表示输入图像灰度值，tj表示编码后的点火时间；时间能够定义为同一神经元产生的一些相对的其他spike序列或者是多个神经元的单一刺激的触发，如果对于每一个神经元，认为刺激触发后只有第一个spike的延迟，那么就能得到方法中基于spike第一次点火时间的编码方式，采用公式tj＝T-c×xj，由灰度值求出具体Spiking脉冲点火时间，当输入图像灰度刺激越大，那么其对应Spiking神经元点火强度越强，表现的脉冲点火时间越早；

[0082] (33)Spiking-卷积神经网络模型中的输入层选择与图像维度相同大小的二维矩阵，矩阵中每个点表示Spiking神经元，根据步骤(32)的延时编码得到的每个Spiking神经元点火时间构成其输入层的输入Spiking时间。

[0083] (4)将基于算子的Spiking-卷积算法运用于Spiking-卷积神经网络模型，对输入层采取脉冲卷积，然后再根据Spiking阈值点火模型，重构输出图像的边缘。将基于算子的Spiking-卷积算法运用于Spiking-卷积神经网络模型，对输入层采取脉冲卷积，然后再根据Spiking阈值点火模型，重构输出图像的边缘的具体步骤如下：

[0084] (41)把基于算子的Spiking-卷积算法作用于输入层的Spiking神经元，即在输入层Spiking神经元中，将高斯差分滤波器/拉普拉斯滤波器滤波器作为Spiking-卷积神经网络的卷积核，进行Spiking-卷积，对Spiking-卷积层的产生，需要一个与卷积核大小相同的平滑滤波器，以相同的权值和偏置项作用于特征图的感受野中，使得其滤波器中的权值，能够进入网络突触可塑性调整，其具体卷积公式为：是Spiking-卷积层的值， 是输入层的值，D是Spiking神经元编码方式，k表示网络第几层，Kernel为卷积核，而i,j表示对应的网络层数，在本发明中i＝1,j＝2，每个特征图可以由不同的卷积核产生，而Mj为输入特征图的一个选择，每一层有唯一的偏移B，f激活函数为Spiking脉冲电压函数 εij(t)作为f激
活函数，τ是时间常数， 是轴突延迟， 是阶梯函数， 是输入层点火时间，t是时间轴，αx是轴突常数；

[0085] (42)Spiking-卷积后，随即产生每个后突触Spiking神经元的电压曲线，即采用了Spiking的阈值点火模型，模拟生物大脑神经元的模电压曲线状态，首先设所有的后突触神经元的电位εij都是一样的，并且独立于第一次触发的时间参数 只与当前接收到的突触前信号脉冲有关联；其次使核函数κ也独立于第一次触发的时间参数，其中神经元电压的状态方程 为uj (t) ，ε0 (s) 是简化的 PS P突触后电 压函数 ，公式为 ：其中τ是时间常数， 是轴突延迟， 是阶
梯函数，s是时间轴，αx是轴突常数，本发明忽略了静息电位后的作用，即设定了其模型在本发明中的各参数设置为：时间常数τ＝2ms，轴突上的传输延迟△＝4ms，点火阈值θ＝0.08mv，这样就形成了Spiking-卷积层中Spiking神经元的电压曲线，即是整个阈值点火模型采用的方法；

[0086] (43)根据Spiking的阈值点火模型(SRM)，设定阈值，记录后突触Spiking神经元的电压曲线到达阈值的精确时间点，从而产生了Spiking后突触神经元的点火时序，其中有种特殊情况，即是Spiking神经元在整个时间窗口中，其最大的电压值并没有到达阈值时，记录其Spiking神经元的点火时间为0；即在Spiking神经元接受电压输入之后，因为电压函数εij(t)是突触后电压(PSP)随脉冲时间连续变化的曲线，所以要作为离散图像的输出，我们运用Spiking神经元脉冲精确时间处理机制，将突触后神经元的脉冲点火时间作为图像数字输出，即由公式 并且 记录下脉冲点火时间 作为卷积层Spiking神经元的输出值。本发明中采用的Spiking阈值点火模型，设定阈值θ，记录卷积层电压到达θ的精确时间点，产生Spiking后突触神经元的点火时间；若其中有的Spiking神经元在整个时间窗口中，若最大电压值并没有到达阈值θ，记录其后突触的点火时间为0；

[0087] (44)Spiking后突触神经元产生的点火时序，作为Spiking-卷积神经网络中的Spiking-卷积层的数值点；

[0088] (45)将步骤(44)通过解码重构，即是把Spiking后突触神经元的点火时间直接作为灰度化处理后的图像灰度值，即直接将记录下来的Spiking时间窗口里的点火时间，并对新灰度值的图像进行归一化处理，将像素值归一为窗口[0,1]之间；

[0089] (46)对输出层图像进行二值化操作，产生输出层，即是输出图像的边缘信息；对[0,1]数据内的像素值，取数值0.45作为阈值，将图像数字二值化为0和1，输出的图像信息即为边缘信息，综上所述，整个Spiking-卷积机制，边缘检测过程如图11所示。

[0090] 本发明已经通过上述实施例进行了说明，但应当理解的是，上述实施例只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施例范围内。此外本领域技术人员可以理解的是，本发明并不局限于上述实施示例，根据本发明的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围以内。本发明的保护范围由附属的权利要求书及其等效范围所界定。