基于Tensorflow实现《Cellular Neural Networks: Applications》论文图片

原创 已于 2022-09-30 20:03:39 修改 · 置顶 · 7.6k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#tensorflow #python #深度学习

于 2021-08-07 19:38:34 首次发布
本文介绍了如何使用Tensorflow实现细胞神经网络，展示了其在高斯噪音和非高斯噪音去噪上的应用，以及对边缘、角点和汉字识别的特征提取过程。通过实例展示了不同模板和参数对去噪效果的影响。

1. 导入相关模块

import numpy as np
import random
import cv2
import matplotlib.pyplot as plt
import tensorflow as tf
import matplotlib as mpl
import matplotlib.ticker as ticker
from scipy.interpolate import make_interp_spline
!gdown --id 1fsKERl26TNTFIY25PhReoCujxwJvfyHn
zhfont = mpl.font_manager.FontProperties(fname='SimHei .ttf')
zhfont2 = mpl.font_manager.FontProperties(fname='New Times Roman .ttf')

2.创建图片

# 创建图片：汉字“王”
img01 = np.zeros([16,16])
for i in range(16):
  # print(i)
  for j in range(16):
    if ((i>=0 and i<=2) or (i>=6 and i<=8) or (i>=13 and i<=15)):
      img01[i][j] = -1
    else:
      if (j>=6 and j<=9):
        img01[i][j] = -1
      else:
        img01[i][j] = 1
        
plt.figure(figsize=(3,3))
plt.subplot(111)
plt.imshow(img01,cmap ='gray')

在这里插入图片描述

# 创建图片：菱形
def get_diamond(I):
  img = np.ones([16,16])
  for i in range(8):
    for j in range(8):
      if ((i+j)>=7):
        img[i][j] = I
  for i in range(8):
    for j in range(8,16,1):
      img[i][j] = img[i][15-j]
  for i in range(8,16,1):
    for j in range(16):
      img[i][j] = img[15-i][j]
  return img

plt.figure(figsize=(3,3))
plt.subplot(111)
plt.imshow(get_diamond(-0.5),cmap ='gray')

在这里插入图片描述

# 创建图片：正方形
def get_square(I):
  img = np.ones([16,16])
  for i in range(16):
    for j in range(16):
      if (i >= 3 and i <= 12) and (j >= 3 and j <= 12):
        img[i][j] = I
  return img

plt.figure(figsize=(3,3))
plt.subplot(111)
plt.imshow(get_square(-0.5),cmap ='gray')

在这里插入图片描述

# 创建图片：汉字“中”
def get_zhong(I):
  A = np.ones([16,16])
  for i in range(16):
    for j in range(16):
      if i != 0 and i != 15 and (j==7 or j==8):
        A[i][j] = I

  for i in range(16):
    for j in range(16):
      if i<=10 and i >=4 and (j==2 or j==3 or j==12 or j==13):
        A[i][j] = I

  for i in range(16):
    for j in range(16):
      if (i==4 or i==5  or i==8  or i==9 )and (j>=2 and j<=13):
        A[i][j] = I

  return A
plt.figure(figsize=(3,3))
plt.subplot(111)
plt.imshow(get_zhong(-0.5),cmap ='gray')

在这里插入图片描述

# 创建图片：汉字“不”
def get_bu(I):
  A = np.ones([16,16])
  for i in range(16):
    for j in range(16):
      if (i == 1 or i == 2) and (j > 0 and j < 15):
        A[i][j] = I

  for i in range(16):
    for j in range(16):
      if (i >= 3 and i <= 14) and (j == 7 or j == 8):
        A[i][j] = I

  for i in range(16):
    for j in range(16):
      if (i >= 4 and i <= 9):
        A[i][10-i] = I
        A[i][11-i] = I

  for i in range(16):
    for j in range(8,16,1):
      A[i][j] = A[i][15-j]
  return A
plt.figure(figsize=(3,3))
plt.subplot(111)
plt.imshow(get_bu(-0.5),cmap ='gray')

在这里插入图片描述

3.加入噪音

# 高斯噪音
def gasuss_noise02(image, mean=0, var=0.1):
    noise = np.random.normal(mean, var, image.shape)
    return noise+image
# 加入高斯噪音
img01_noise1 = gasuss_noise02(image=img01,mean=0,var=0.2)
img01_noise2 = gasuss_noise02(image=img01,mean=0,var=0.4)
img01_noise3 = gasuss_noise02(image=img01,mean=0,var=0.6)
img01_noise4 = gasuss_noise02(image=img01,mean=0,var=1.0)
plt.figure(figsize=(5,5))
plt.figure(1)
# plt.xlabel(u"4类不同方差高斯噪音效果图",fontproperties=zhfont,fontsize=14)
plt.subplot(221)
plt.imshow(img01_noise1,cmap ='gray')

plt.subplot(222)
plt.imshow(img01_noise2,cmap ='gray')

plt.subplot(223)
# plt.tight_layout(0.001)
plt.imshow(img01_noise3,cmap ='gray')

plt.subplot(224)
plt.imshow(img01_noise4,cmap ='gray')

plt.suptitle(u"4种不同方差高斯噪音效果图",fontproperties=zhfont,fontsize=14,y=0.05)

在这里插入图片描述

# 非高斯噪音
def sp_noise(image,prob):
    '''
    添加椒盐噪声
    prob:噪声比例 
    '''
    output = np.zeros(image.shape)
    thres = 1 - prob 
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            rdn = random.random()
            if rdn < prob:
                output[i][j] = -0.5
            elif rdn > thres:
                output[i][j] = 0.5
            else:
                output[i][j] = image[i][j]
    return output
# 加入非高斯噪音
img01_noise5 = sp_noise(image=img01, prob=0.08)
plt.figure(figsize=(3,3))
plt.imshow(img01_noise5,cmap ='gray')
plt.suptitle(u"非高斯噪音",fontproperties=zhfont,fontsize=14,y=0.02)

在这里插入图片描述

4.Cloning Template

# Cloning Template in Fig.4
filters_4a = tf.constant([	
  [[0.0],[1.0],[0.0]],
  [[1.0],[2.0],[1.0]],
  [[0.0],[1.0],[0.0]],	
],dtype=tf.float32)

filters_4b = tf.constant([	
  [[0.0],[1.0],[0.0]],
  [[1.0],[4.0],[1.0]],
  [[0.0],[1.0],[0.0]],	
],dtype=tf.float32)

filters_4c = tf.constant([	
  [[0.5],[1.0],[0.5]],
  [[1.0],[4.0],[1.0]],
  [[0.5],[1.0],[0.5]],	
],dtype=tf.float32)

filters_4d = tf.constant([	
  [[0.0],[0.0],[0.0]],
  [[0.0],[4.0],[0.0]],
  [[0.0],[0.0],[0.0]],	
],dtype=tf.float32)

filters_15 = tf.constant([	
  [[0.0],[-0.5],[0.0]],
  [[-0.5],[2.0],[-0.5]],
  [[0.0],[-0.5],[0.0]],	
],dtype=tf.float32)

filters_17 = tf.constant([	
  [[0.0],[-1],[0.0]],
  [[-1.0],[4.0],[-1.0]],
  [[0.0],[-1],[0.0]],	
],dtype=tf.float32)

filters_18a = tf.constant([	
  [[0.0],[0.0],[0.0]],
  [[0.0],[2.0],[0.0]],
  [[0.0],[0.0],[0.0]],	
],dtype=tf.float32)

filters_18b = tf.constant([	
  [[-0.25],[-0.25],[-0.25]],
  [[-0.25],[2.0],[-0.25]],
  [[-0.25],[-0.25],[-0.25]],	
],dtype=tf.float32)

filters_19 = tf.constant([	
  [[1.0],[1.0],[1.0]],
  [[1.0],[-8.0],[1.0]],
  [[1.0],[1.0],[1.0]],	
],dtype=tf.float32)

print('Cloning templates: Fig.4(a)')
print(tf.reshape(tf.convert_to_tensor(filters_4a,dtype=tf.float32), [3,3]).numpy())
print('Cloning templates: Fig.4(b)')
print(tf.reshape(tf.convert_to_tensor(filters_4b,dtype=tf.float32), [3,3]).numpy())
print('Cloning templates: Fig.4(c)')
print(tf.reshape(tf.convert_to_tensor(filters_4c,dtype=tf.float32), [3,3]).numpy())
print('Cloning templates: Fig.4(d)')
print(tf.reshape(tf.convert_to_tensor(filters_4d,dtype=tf.float32), [3,3]).numpy())
filters_4a = tf.reshape(filters_4a, [3, 3, 1, 1])
filters_4b = tf.reshape(filters_4b, [3, 3, 1, 1])
filters_4c = tf.reshape(filters_4c, [3, 3, 1, 1])
filters_4d = tf.reshape(filters_4d, [3, 3, 1, 1])
filters_15 = tf.reshape(filters_15, [3, 3, 1, 1])
filters_17 = tf.reshape(filters_17, [3, 3, 1, 1])
filters_18a = tf.reshape(filters_18a, [3, 3, 1, 1])
filters_18b = tf.reshape(filters_18b, [3, 3, 1, 1])
filters_19 = tf.reshape(filters_19, [3, 3, 1, 1])

在这里插入图片描述

5.细胞神经网络

# 输出值过滤函数
def sgn(x):
  if x > 1:
    return 1
  elif x < -1:
    return -1
  else:
    return x

rng = [i for i in range(-10,10,2)]
y = [sgn(x) for x in rng]
plt.plot(rng, y)

# 细胞神经网络运算并绘图
def convolution_fig(input_x, filterinput, epochs, fig_size, fig_num, title):

  A1 = np.zeros([16,16],dtype=float)
  A2 = np.zeros([16,16],dtype=float)
  A3 = np.zeros([16,16],dtype=float)

  for i in range(16):
    for j in range(16):
      A1[i][j] = float(input_x[i][j])

  for i in range(16):
    for j in range(16):
      A3[i][j] = sgn(float(input_x[i][j]))

  # A3:Vyij,[16,16]
  # A1:Vxij,[16,16]
  for k in range(epochs):
    if fig_num == 4:
      if k == 0:
        plt.figure(figsize=(fig_size,fig_size))
        plt.suptitle(title,y=0.01)
        plt.subplot(221)
        plt.imshow(A3,cmap ='gray')
      elif k == int(epochs/4):
        plt.subplot(222)
        plt.imshow(A3,cmap ='gray')
      elif k == int(epochs/2):
        plt.subplot(223)
        plt.imshow(A3,cmap ='gray')
      elif k == int(epochs-1):
        plt.subplot(224)
        plt.imshow(A3,cmap ='gray')
        plt.tight_layout()
    elif fig_num == 6:
      if k == 0:
        plt.figure(figsize=(fig_size,fig_size/1.6))
        plt.suptitle(title,y=0.01)
        plt.subplot(231)
        plt.imshow(A3,cmap ='gray')
      elif k == 1:
        plt.subplot(232)
        plt.imshow(A3,cmap ='gray')
      elif k == 2:
        plt.subplot(233)
        plt.imshow(A3,cmap ='gray')
      elif k == 3:
        plt.subplot(234)
        plt.imshow(A3,cmap ='gray')
      elif k == 4:
        plt.subplot(235)
        plt.imshow(A3,cmap ='gray')
      elif k == 5:
        plt.subplot(236)
        plt.imshow(A3,cmap ='gray')
        plt.tight_layout()
    elif fig_num == 8:
      if k == 0:
        plt.figure(figsize=(fig_size,fig_size/2.2))
        plt.suptitle(title,y=0.05)
        plt.subplot(241)
        plt.imshow(A3,cmap ='gray')
      elif k == 1:
        plt.subplot(242)
        plt.imshow(A3,cmap ='gray')
      elif k == 2:
        plt.subplot(243)
        plt.imshow(A3,cmap ='gray')
      elif k == 3:
        plt.subplot(244)
        plt.imshow(A3,cmap ='gray')
      elif k == 4:
        plt.subplot(245)
        plt.imshow(A3,cmap ='gray')
      elif k == 5:
        plt.subplot(246)
        plt.imshow(A3,cmap ='gray')
      elif k == 6:
        plt.subplot(247)
        plt.imshow(A3,cmap ='gray')
      elif k == 7:
        plt.subplot(248)
        plt.imshow(A3,cmap ='gray')
                      
    # A4, [1, 18, 18, 1]
    A4 = np.pad(A3, ((1,1), (1,1)), 'edge')
    A4 = tf.reshape(tf.convert_to_tensor(A4,dtype=tf.float32), [1, 18, 18, 1])
    # 卷积运算，A*Vyij -> [1, 16, 16, 1]
    A4 = tf.nn.conv2d(A4, filterinput, strides=[1,1,1,1], padding='VALID')

    for i in range(16):
      for j in range(16):
        # Vxij = Vxij + A*Vyij
        A1[i][j] = A1[i][j] + float(A4[0][i][j][0])*0.2

    for i in range(16):
      for j in range(16):
        A3[i][j] = sgn(float(A1[i][j]))

6.去噪效果对比

convolution_fig(input_x=img01_noise1, filterinput=filters_4a, epochs=4, fig_size=4, fig_num=4, title='Fig.5')

在这里插入图片描述

convolution_fig(input_x=img01_noise2, filterinput=filters_4a, epochs=4, fig_size=4, fig_num=4, title='Fig.6')

在这里插入图片描述

convolution_fig(input_x=img01_noise1, filterinput=filters_4b, epochs=4, fig_size=4, fig_num=4, title='Fig.7')

在这里插入图片描述

convolution_fig(input_x=img01_noise2, filterinput=filters_4b, epochs=4, fig_size=4, fig_num=4, title='Fig.8')

在这里插入图片描述

convolution_fig(input_x=img01_noise3, filterinput=filters_4b, epochs=4, fig_size=4, fig_num=4, title='Fig.9')

在这里插入图片描述

convolution_fig(input_x=img01_noise4, filterinput=filters_4b, epochs=8, fig_size=4, fig_num=4, title='Fig.10')

在这里插入图片描述

convolution_fig(input_x=img01_noise1, filterinput=filters_4c, epochs=6, fig_size=6, fig_num=6, title='Fig.11')

在这里插入图片描述

convolution_fig(input_x=img01_noise2, filterinput=filters_4c, epochs=6, fig_size=6, fig_num=6, title='Fig.12')

在这里插入图片描述

convolution_fig(input_x=img01_noise5, filterinput=filters_4a, epochs=6, fig_size=6, fig_num=6, title='Fig.13')

在这里插入图片描述

convolution_fig(input_x=img01_noise5, filterinput=filters_4d, epochs=6, fig_size=6, fig_num=6, title='Fig.14')

在这里插入图片描述

7.特征提取: 边缘与角点

convolution_fig(input_x=get_diamond(-0.5), filterinput=filters_15, epochs=8, fig_size=10, fig_num=8, title='Fig.19')

在这里插入图片描述

convolution_fig(input_x=get_diamond(-0.8), filterinput=filters_15, epochs=8, fig_size=10, fig_num=8, title='Fig.20')

在这里插入图片描述

convolution_fig(input_x=get_diamond(0.9), filterinput=filters_15, epochs=8, fig_size=10, fig_num=8, title='Fig.21')

在这里插入图片描述

convolution_fig(input_x=get_square(-0.8), filterinput=filters_17, epochs=64, fig_size=10, fig_num=8, title='Fig.22')

在这里插入图片描述

convolution_fig(input_x=get_square(-0.5), filterinput=filters_17, epochs=32, fig_size=6, fig_num=6, title='Fig.23')

在这里插入图片描述

convolution_fig(input_x=get_diamond(-0.5), filterinput=filters_18b, epochs=4, fig_size=4, fig_num=4, title='Fig.24')

在这里插入图片描述

convolution_fig(input_x=get_square(-0.5), filterinput=filters_18b, epochs=4, fig_size=4, fig_num=4, title='Fig.25')

在这里插入图片描述

convolution_fig(input_x=get_diamond(-0.2), filterinput=filters_17, epochs=4, fig_size=4, fig_num=4, title='Fig.26')

在这里插入图片描述

convolution_fig(input_x=get_square(-0.5), filterinput=filters_15, epochs=8, fig_size=4, fig_num=4, title='Fig.27')

在这里插入图片描述

8.中文识别

convolution_fig(input_x=get_zhong(-0.5), filterinput=filters_17, epochs=32, fig_size=4, fig_num=4, title='Fig.34')

在这里插入图片描述

convolution_fig(input_x=get_bu(0.1), filterinput=filters_17, epochs=32, fig_size=4, fig_num=4, title='Fig.35')

在这里插入图片描述

AI4S - ProGen: Language Modeling for Protein Generation 论文简读(1)
AGI
03-23 1442
ProGen 是一个基于 Transformer 架构的 12 亿参数神经网络，使用自注意机制对综合残基-残基相互作用进行建模。 ProGen 被训练通过在通用蛋白质序列数据集上，最小化下一个氨基酸预测问题的损失来生成人工序列。
3_流量预测综述阅读_Cellular traffic prediction with machine learning: A survey
郭小儒的博客
12-06 2076
摘要：classify the prediction problems as the temporal（时间的）and spatiotemporal prediction problems人工智能的预测模型分为：statistical, machine learning, deep learning。
细胞神经网络Cellular Neural Networks
AnthonyHao的博客
07-26 2841
细胞神经网络理论Cellular Neural Networks: Theory ——蔡少棠和Lin Yang于1988年10月发表于IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS的文章，配套还有一篇文章Cellular Neural Networks: Applications‘
细胞神经网络学习00
weixin_46277425的博客
07-27 1250
Cellular Neural Networks: Theory LEON 0. CHUA, FELLOW, IEEE, AND LIN YANG, STUDENT MEMBER, IEEE 神经网络结构 fig1：一个二维的神经细胞网络，电路尺寸4x4，这个正方形是被称为 细胞 的电路单元，细胞间的链接表明在相连细胞间有关联。 单个细胞定义“邻居” fig2：shows 3 neighborhoods of the same cell (located at the cente..
3、细胞神经网络作为非线性动态生成器
sand8的博客
05-11 143
本文深入探讨了状态控制型细胞神经网络（SC-CNN）的理论基础、实现方法及应用场景。SC-CNN作为一种强大的非线性动态生成器，能够精确复制多种非线性振荡器的动态行为，并广泛应用于混沌加密、模式识别和环境模拟等领域。通过实验验证与优化策略，展示了SC-CNN在科学研究和工程应用中的巨大潜力。
Tensorflow--线性函数训练实例
小雪花的博客
07-24 513
B站： http://www.bilibili.com/video/av20542427?share_medium=android&amp;share_source=copy_link&amp;bbid=8099B994-2CEF-4DB4-A914-9DC322B1E3A531040infoc&amp;ts=1532410379035 强烈推荐小哥哥的课，又有耐心，声音又好听 关于 学习率...
细胞神经网络学习（2）
dw13z的博客
07-14 96
对《Cellular Neural Network Theory》中的Fig12进行了绘制。
pyclustering：pyclustring是Python，C ++数据挖掘库
02-03
3. **Chaos Neural Network (CNN, not to be confused with Cellular Neural Networks)**：混沌神经网络，利用混沌理论的特性进行建模和预测。 ### 其他功能 除了上述聚类和神经网络算法，`pyclustering`还提供了...
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow》第二版中文解读第十章
JackieYZ的博客
10-16 4543
标题基于keras的人工神经网络的介绍 文章目录标题基于keras的人工神经网络的介绍前言一、从生物神经元到人工神经元1.生物神经元2.用神经元进行逻辑计算3.感知机前向计算反向传播二、使用步骤1.引入库2.读入数据总结 前言 鸟儿启发我们飞翔，牛蒡激发了魔术贴的灵感，大自然激发了无数的发明。因此，通过观察大脑的结构来获得如何建造智能机器的灵感似乎是合乎逻辑的。这就是引发人工神经网络(ANNs)的逻辑:ANN是由我们大脑中发现的生物神经元网络所激发而组成的机器学习模式。然而，尽管飞机的灵感来自
Cellular neoral networks
alaclp的专栏
05-09 1837
<br />wiki: http://en.wikipedia.org/wiki/Cellular_neural_network<br />http://www.cnn.com.au/<br />http://www.mathworks.com/matlabcentral/fileexchange/19281<br />http://www.ce.unipr.it/research/pardis/CNN/cnn.html<br /> <br />在计算机视觉上有用，著名的是inpainting示例<br /
深度学习基础认识
weixin_42958977的博客
05-15 1154
深度学习
tensorflow 图像处理函数
Loong Cheng的博客
04-25 738
adjust_brightness(...)：调整RGB或灰度图像的亮度. adjust_contrast(...)：调整RGB或灰度图像的对比度. adjust_gamma(...)：对输入图像执行Gamma校正. adjust_hue(...)：调整RGB图像的色调. adjust_saturation(...)：调整RGB图像的饱和度. central_crop(...)：裁剪图像...
tensorflow中的masks()和padding()：tf.sign()、tf.reduce_sum()、axis含义、expand_dims()
xinjieyuan的博客
09-03 2117
mask函数生成的具体内部细节方法 tf.sign() 等价于numpy.sign,除了NaN. sign( x, #　一个tensor或者sparseTensor name=None # 可选 ) 返回数字符号的元素指示 如果x < 0,则有 y = sign(x) = -1；如果x == 0,则有 0 或者tf.is_nan(x)；如果x > 0,则有1. ...
正则化方法：L1和L2 regularization、数据集扩增、dropout
热门推荐
wepon的专栏
03-14 13万+
本文是《Neural networks and deep learning》概览 中第三章的一部分，讲机器学习/深度学习算法中常用的正则化方法。（本文会不断补充）正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。其直观的表现如下图所示，随着训练过程，网络在training data上的error渐渐减小，但是在验证集上
Tensorflow | 基本函数介绍
求知：数据科学家之路
01-18 9360
这次来总结下这几天学习tensorflow的心得，包含了一些基本的函数，例如，加减乘除等，下面来一一介绍，并给出具体的例子。 两个小的tips 我的版本：anaconda 4.2 tensorflow 0.12.1 若是你不知道如何在windows下安装tensorflow，可以依照我的博客：http://blog.youkuaiyun.com/xxzhangx/article/details/5437925
TensorFlow 高级之一（实现单层神经网络）
红叶谷 wsp_1138886114的博客
08-05 2984
单层神经网络（一个神经元） 实现环境： TensorFlow1.3，Python3.6，Jupyter 1 定义变量 import tensorflow as tf # 导入tensorflow graph = tf.get_default_graph() # 定义一个图 input_value = tf.constant(1.0) ...
NN_Transformer、Pytorch、TensorFlow和ONNX的名词辨析
最新发布
qjworkman的博客
11-20 202
名称 类型 作用 举例。
Unity实现2D液体模拟：Cellular自动机深入探究
资源摘要信息:"dotnet-Unity的Cellular自动机2D液体模拟器" 知识点: 1. Unity引擎：Unity是一个跨平台的游戏开发引擎，由Unity Technologies开发。它主要用于制作2D和3D游戏，以及虚拟现实和增强现实内容。Unity...
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值