基于PCNN的指纹识别新方法：融合傅里叶变换与神经网络

本文主要探讨了一种创新的基于脉冲耦合神经网络(Pulse-Coupled Neural Networks, PCNN)的指纹识别方法。PCNN是一种模仿猫视觉系统的简化神经网络模型，其工作原理是通过神经元间的脉冲传递来处理信息。在PCNN的点火时刻序列图中，每个神经元的激活不仅反映了局部图像的灰度分布，还包含了相邻像素间的几何关系，这些特征正是纹理图像的重要标志。 作者刘正君、赵峙江和程亮针对这一特性，提出了利用PCNN的点火脉冲信号进行模式识别的新策略。他们将这些信号经过傅立叶变换（Discrete Fourier Transform, DFT），这是一种将时域信号转换为频域信号的数学工具，能够提取出数据中的周期性和频率成分。这种方法的优势在于，通过频域分析，可以更有效地提取指纹图像的特征，增强识别的稳定性和准确性。 相比于传统的模式识别方法，如多层感知器（Multi-Layer Perceptron, MLP）等，基于PCNN和DFT的方法可能具有更高的抗噪声能力和对局部细节的敏感性，这对于指纹这样的复杂纹理信息来说是非常重要的。作者们通过部分指纹图像的仿真实验来验证了新方法的有效性，实验结果表明，这种方法在指纹识别任务上表现出了良好的性能。 这项研究将生物启发的神经网络模型与信号处理技术相结合，提供了一种新颖且有效的指纹识别技术，对于提高计算机视觉和生物特征识别领域的技术水平具有积极意义。它展示了在现代电子技术领域，特别是图像处理和人工智能应用中，如何巧妙地利用生物学原理解决实际问题。通过这种方式，PCNN在模式识别中的应用前景广阔，有望在未来的技术发展中发挥重要作用。