基于简化PCNN的图像脉冲噪声去除系统

资 源 简 介

该项目实现了一种专门用于滤除图像中椒盐脉冲噪声的高效MATLAB算法。其核心思想是利用简化脉冲耦合神经网络（S-PCNN）对图像像素进行建模，发挥神经元集群的同步脉冲发放和非线性调制特性。在处理过程中，算法通过迭代衰减的动态阈值依次激活图像中的神经元，由于噪声像素与周围背景像素在灰度上存在显著差异，其神经元点火时间会表现出明显的滞后或提前。系统利用这种时间差来实现对噪声点的精准检测并生成定位掩膜。在修复阶段，算法仅针对检测出的噪声位置进行像素重构，采用局部自适应插值或邻域关联补偿，而对非噪声区域保持原样，

详 情 说 明

基于简化脉冲耦合神经网络（S-PCNN）的图像脉冲噪声去除算法

该项目实现了一种利用简化脉冲耦合神经网络（S-PCNN）进行图像去噪的高效算法，专门针对椒盐脉冲噪声设计。通过模拟生物神经元的点火特性，算法能够精准识别噪声位置并进行局部修复，在抑制噪声的同时保持图像细节。

功能特性

1. 自动噪声检测：利用 S-PCNN 的时间特性，通过像素点火时间（Time of Flight）的差异精准定位椒盐噪声。
2. 简化模型架构：采用简化的 PCNN 模型，减少了参数复杂度，提升了算法的运行效率和实时性。
3. 局部自适应修复：仅对检测出的噪声像素进行处理，非噪声区域保持原始像素，最大限度保留边缘信息。
4. 完备的性能评估：内置 PSNR（峰值信噪比）与 SSIM（结构相似性）计算模块，直观反映去噪效果。
5. 稳健性分析：支持不同噪声密度下的性能评估，并提供量化指标的对比分析图表。

使用方法

1. 环境配置：确保计算机已安装 MATLAB R2016b 或更高版本。
2. 图像准备：算法默认加载内置图像，用户可根据需要修改代码中的图像路径。
3. 参数调节：可根据噪声严重程度调整 Alpha_E（衰减系数）或 Beta（链接系数）。
4. 运行算法：直接运行主脚本，程序将自动执行加噪、检测、修复及评估流程。
5. 结果查看：程序将弹出两个窗口，分别展示图像处理过程对比图和噪声密度与 PSNR 的关系曲线。

系统要求

1. 软件环境：MATLAB。
2. 硬件环境：主流 CPU 及 4GB 以上内存即可流畅运行。
3. 依赖库：无需额外第三方专用库，基于 MATLAB 标准函数实现。

核心实现逻辑

1. 噪声模拟与预处理

算法读取图像并将其转换为灰度双精度格式。根据设定的噪声密度，随机在图像中注入值为 0（椒）和 255（盐）的脉冲噪声。

2. S-PCNN 迭代过程

该阶段是噪声检测的核心，涉及以下动态计算过程：

• 馈送部分：神经元直接接收受污染图像的灰度信息。
• 链接项：通过 3x3 的权重矩阵对周围神经元的输出进行卷积，模拟邻域耦合。
• 内部活动项：结合馈送信息与非线性调制的链接项，计算每个神经元的活动电位。
• 脉冲发放：当活动电位超过动态阈值时，神经元发放脉冲（点火）。
• 动态阈值更新：点火后的神经元阈值瞬间升高以进入抑制状态，未点火神经元的阈值随时间按指数规律衰减。
• 点火时间记录：记录每个像素首次发放脉冲的迭代次数。

3. 基于点火时间的噪声定位

算法基于以下物理现象生成掩膜：图像灰度极值（噪声）的点火时间会显著偏离周围正常像素。

• 局部统计对比：计算每个像素点火时间与周围邻域点火时间中值的差异，若差异超过设定阈值，则判定为噪声。
• 强化检测：对于从未点火（T=0）且灰度值为 0 或 255 的极值像素，强制标记为噪声。

4. 图像修复策略

针对生成的噪声掩膜，算法执行局部修复：

• 掩膜匹配：仅针对掩膜标记为 1 的坐标点进行重构。
• 局部搜索：在噪声点邻域内寻找未被标记为噪声的“干净”像素。
• 中值插值：若邻域内存在干净像素，则取其像素中值作为修复值；若全为噪声，则扩大范围取邻域中值，确保灰度过渡自然。

5. 指标计算与评估

内置专用函数实现性能量化：

• PSNR 计算：基于均方误差（MSE）计算去噪图像与原始图像的信噪比。
• SSIM 计算：通过均值、方差及协方差模拟人眼感知，评估图像亮度、对比度和结构的保持度。

实现细节分析

• 核心算子：算法在链接项计算中使用 3x3 卷积核，权重分配考虑了欧氏距离，增强了邻域内像素的相关性表达。
• 卷积策略：采用 'same' 模式卷积，确保处理后的图像尺寸与原图一致。
• 非噪声保留：修复逻辑中通过 if 判断确保了非噪声像素的零修改，这是保持锐度的关键。
• 鲁棒性分析：除了实时去噪显示，算法还通过内置的模拟数据展示了在不同噪声密度干扰下 PSNR 的下降曲线，证明了模型在 30% 以上高密度噪声下的稳健表现。