Although the Pulse Coupled Neural Network (PCNN) as well as FBPCNN (with feed-back) have been, since 1990, well known image analysis methods, they are still developed to solve the problems related to estimation of initial network parameters. Most of such parameters vary dependently on the character of input images, including range of colors, noise strength or shapes diversity, to offer the best results. This work aims to establish parameters of the network based on FBPCNN architecture, applied in processing of images of metals’ microstructures. The paper contains detailed description of implemented neural network followed by sensitivity analysis of the network on parameters’ change. On the basis of the performed analysis, the parameters with major influence on the final results were determined and investigated in details. The results obtained in the process of image analysis by using proposed FBPCNN were passed as input data initiating Watershed algorithm for the purposes of segmentation. Results of segmentation are presented in the paper as well.
Sieci Pulse Coupled Neural Network (PCNN) jak i również FBPCNN (ze sprzężeniem zwrotnym) zostały po raz pierwszy zaproponowane już z początkiem lat 90' i od tego czasu są bardzo dobrze znanym narzędziem wykorzystywanym m.in. do przetwarzania obrazów. Pomimo tak długiego czasu, metody oparte o FBPCNN są nadal rozwijane, a największym wyzwaniem jest wciąż dobór najlepszych parametrów wagowych sieci dla obrazu wejściowego. Celem niniejszej pracy jest zbadanie możliwości zastosowania pulsujących sieci neuronowych do przetwarzania zdjęć mikrostruktur materiałowych oraz wyznaczenie jej optymalnych parametrów dla tego przeznaczenia. Artykuł zawiera szczegółowy opis zaimplementowanej sieci neuronowej oraz wykonanej analizy wrażliwości FBPCNN na zmianę jej parametrów wagowych. Na bazie wykonanej analizy wyznaczone zostały parametry charakteryzujące się znaczącym wpływem na otrzymane wyniki. Dla wybranego parametru (beta) zaproponowano jego modyfikację tak, aby parametr dobierany był w sposób automatyczny w zależności od obrazu wejściowego. Otrzymane wyniki posłużyły jako dane wejściowe od algorytmu watershed, za pomocąktórego wykonano finalną segmentację obrazów mikrostruktur. Rezultaty procesu segmentacji wraz z dyskusją zostały również przedstawione w niniejszej pracy.