基于脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的彩色圖像分割方法研究

1、<p>　　基于脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的彩色圖像分割方法</p><p>　　——《模式識別與智能系統(tǒng)導(dǎo)論》考核</p><p>　　學(xué) 院： 電氣工程學(xué)院 </p><p>　　專 業(yè)： 模式識別與智能系統(tǒng) </p><p>　　學(xué)生姓名：

2、 谷 朝 </p><p>　　班 級： 研碩15級15班 </p><p>　　學(xué) 號： S15081104001 </p><p>　　主講教師： 張 秀 玲

3、 </p><p>　　基于脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的彩色圖像分割方法</p><p>　　摘要：圖像分割是數(shù)字圖像處理中的關(guān)鍵技術(shù)之一,隨著各學(xué)科許多新理論和新方法的提出, 人們也提出了許多與一些特定理論、方法和工具相結(jié)合的彩色圖像分割技術(shù)，其中包括了眾多的利用神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行圖像的分割，比如各種改進(jìn)型的BP神經(jīng)網(wǎng)絡(luò)。而脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN-Pulse Coupled Neur

4、al Network）與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，有著根本的不同。PCNN有生物學(xué)的背景，它是依據(jù)貓、猴等動物的大腦皮層上的同步脈沖發(fā)放現(xiàn)象提出的。PCNN有著廣泛的應(yīng)用，可應(yīng)用于圖像分割，邊緣檢測、細(xì)化、識別等方面。</p><p>　　關(guān)鍵詞：彩色圖像分割；脈沖耦合神經(jīng)網(wǎng)絡(luò)</p><p><b>　　1 引言</b></p><p>　　圖像分割

5、是一種重要的圖像處理技術(shù),它是將圖像中有意義的特征或者需要應(yīng)用的特征提取出來，是圖像識別和圖像理解的基本前提，在理論研究和實(shí)際應(yīng)用中都得到了人們的廣泛重視，圖像分割質(zhì)量的好壞直接影響后續(xù)圖像處理的效果。</p><p>　　人工神經(jīng)網(wǎng)絡(luò)具有較好的泛化能力、魯棒性和數(shù)值逼近能力，能夠處理數(shù)值化信息。Gray首先發(fā)現(xiàn)了貓的初生視覺皮層有神經(jīng)激發(fā)相關(guān)振蕩現(xiàn)象，并將其研究結(jié)果發(fā)在了Nature雜志上。與此同時，Eckho

6、m也根據(jù)貓的大貓皮層的同步脈沖發(fā)放現(xiàn)象，提出了脈沖發(fā)現(xiàn)的連接模式，將開拓性地提出了PCNN基本模型。Gray和Eckhom被稱為PCNN的鼻祖。我國的蘭州大學(xué)馬義德教授在PCNN研究領(lǐng)域有很大建樹，發(fā)表了很多相關(guān)的論文，并出版了《脈沖耦合神經(jīng)網(wǎng)絡(luò)原理及其應(yīng)用》和《脈沖耦合神經(jīng)網(wǎng)絡(luò)與數(shù)字圖像原理》兩本專著。</p><p>　　與BP神經(jīng)網(wǎng)絡(luò)和Kohonen神經(jīng)網(wǎng)絡(luò)相比，PCNN不需要學(xué)習(xí)或者訓(xùn)練，能從復(fù)雜背景下提

7、取有效信息，具有同步脈沖發(fā)放和全局耦合等特性，其信號形式和處理機(jī)制更符合人類視覺神經(jīng)系統(tǒng)的生理學(xué)基礎(chǔ)。因此，結(jié)合PCNN神經(jīng)網(wǎng)絡(luò)在一定的條件下，可視為處理圖像分割結(jié)果的最佳方法。</p><p><b>　　2 彩色圖像分割</b></p><p>　　圖像分割就是把圖像分成若干個特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程。它是由圖像處理到圖像分析的關(guān)鍵步

8、驟。</p><p>　　為了便于研究和理解，通常形式化定義如下[1]：</p><p>　　令集合Ｒ表示原始圖像，設(shè)Ｒ被分割為Ｎ個非空子集 ，這Ｎ個非空子集滿足以下５個條件：</p><p>　　對所有的 和 ，有 （2）</p><p><b>　　對 ,有 （3）</b></p><p>

9、　　對 ，有 （4）</p><p>　　對 , 是連通區(qū)域。 （5）</p><p>　　其中， 表示所有在集合Ｒ中的元素的邏輯謂詞。</p><p>　　現(xiàn)有的圖像分割方法主要分以下幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等[2]。其中，閾值分割最為簡單有效，在圖像區(qū)域間顏色或是灰度差別較大時，體現(xiàn)出很好

10、的分割效果。但它忽略了圖像的空間特性，因此對噪聲很敏感，實(shí)際操作中的效果往往不盡如人意[3]。區(qū)域分割利用區(qū)域相似性提取圖像中相連接的區(qū)域，受噪聲影響較大。邊緣分割通過從圖像中不同區(qū)域的邊緣上提取信息差異實(shí)現(xiàn)對圖像的分割，這種方法計算復(fù)雜且受噪聲干擾明顯。1998年以來，研究人員不斷改進(jìn)原有的圖像分割方法并把其它學(xué)科的一些新理論和新方法用于圖像分割，提出了不少新的分割方法。</p><p>　　基于特定理論的方法

11、利用某種已經(jīng)相當(dāng)成熟的理論，包括聚類分析、模糊理論、遺傳算法、神經(jīng)網(wǎng)絡(luò)等，來實(shí)現(xiàn)圖像分割[4]。圖像分割后提取出的目標(biāo)可以用于圖像語義識別，圖像搜索等等領(lǐng)域。</p><p>　　3 脈沖耦合神經(jīng)網(wǎng)絡(luò)模型</p><p>　　基本PCNN神經(jīng)網(wǎng)絡(luò)是提出的一種有連接域的網(wǎng)絡(luò)模型，它是由若干個神經(jīng)元互連形成的反饋型神經(jīng)網(wǎng)絡(luò)，構(gòu)成PCNN的神經(jīng)元系統(tǒng)是一個復(fù)雜的非線性動態(tài)系統(tǒng)[5]。一個PCNN

12、神經(jīng)元由三部分組成：接受部分，調(diào)制部分，脈沖發(fā)生器，其基本模型見下圖1所示:</p><p>　　分別以相對較小/較大的時間常數(shù) 對神經(jīng)元j某鄰域內(nèi)的其他神經(jīng)元的輸出進(jìn)行漏電容積分加權(quán)和，此外還接受該神經(jīng)元的外部刺激。鏈接器以乘積耦合形式 構(gòu)成神經(jīng)元J的內(nèi)部行為Uj。脈沖產(chǎn)生器由對網(wǎng)絡(luò)輸出進(jìn)行漏電容積分的變閾值特性(起激活該神經(jīng)元的作用)和硬限幅函數(shù)(起抑制該神經(jīng)元的作用)組成，脈沖是否產(chǎn)生取決于內(nèi)部行為大小能否

13、超過其激發(fā)動態(tài)門限，且此門限值隨著該神經(jīng)元輸出狀態(tài)的變化發(fā)生變化。當(dāng)閾值θj小于Uj時，神經(jīng)元被激活(即輸出Yj=1),稱之為點(diǎn)火一次，緊接著因?yàn)檩敵龆藢﹂撝档姆答伿沟瞄撝郸萰突然變高(通常Ve取值大)，神經(jīng)元又被抑制(即輸出Y =0)，從而在神經(jīng)元輸出端產(chǎn)生一個脈沖信號，此脈沖信號經(jīng)過加權(quán)又連接到相鄰神經(jīng)元的輸入端，從而影響這些神經(jīng)元的激發(fā)狀態(tài)，故該網(wǎng)絡(luò)稱為脈沖耦合神經(jīng)網(wǎng)絡(luò)。</p><p>　　該模型的數(shù)學(xué)形

14、式可用以下五個方程來描述：</p><p>　　其中 、 和 分別為神經(jīng)元Nij 的外部刺激(輸入) 、內(nèi)部行為和輸出; 和 分別為神經(jīng)元的鏈接域和饋送域兩個輸入通道; M/ VF 和W/ VL 分別是饋送域和鏈接域的連接權(quán)系數(shù)矩陣/ 放大系數(shù); 和 變閾值函數(shù)輸出和閾值放大系數(shù); 、 、 分別為鏈接域、饋送域和變閾值函數(shù)的時間常數(shù), β:內(nèi)部活動項(xiàng)的連接因子。</p&g

15、t;<p>　　由基本模型可以得出，根據(jù)鏈接系數(shù)即beta，可以將PCNN分為無耦合和有耦合兩種情況，當(dāng)beta=0時，可以認(rèn)為各神經(jīng)元是獨(dú)立運(yùn)行的組合。這種情況下，神經(jīng)元周而復(fù)始地循環(huán)工作，并興奮產(chǎn)生脈沖。在這種情況下，即不同灰度值的像素在沒有受到別的神經(jīng)元影響下，其獨(dú)立點(diǎn)火頻率依賴于該像素灰度值，而于其他像素的灰度值無關(guān)。同時也可以得出以下結(jié)論：即相近灰度值的神經(jīng)元將在同時刻點(diǎn)火，這個結(jié)論也印證了PCNN同步脈沖發(fā)放現(xiàn)

16、象的內(nèi)在機(jī)理。這種情況屬于理想情況。當(dāng)beta≠0時，即有耦合存在的情況之下，神經(jīng)元的點(diǎn)火，不僅受其自身的灰度值影響，還要受與其存在鏈接的神經(jīng)元的影響，也就是存在著捕獲點(diǎn)火的情況，當(dāng)滿足捕獲范圍的若干相似相鄰神經(jīng)元提前興奮，實(shí)現(xiàn)點(diǎn)火。這也是在空間近似或灰度近似的神經(jīng)元同步產(chǎn)生脈沖串的機(jī)理。由PCNN數(shù)學(xué)模型可以知道，當(dāng)連接系數(shù)beta，連接域L值越大，則能夠點(diǎn)火的范圍也越大，所以在耦合狀態(tài)下，PCNN能集群發(fā)放同步脈沖串序列，產(chǎn)生所謂的

17、同步脈沖發(fā)現(xiàn)現(xiàn)象，即神經(jīng)元的振蕩[6]。</p><p>　　由上式我們可以看出，PCNN的主要參數(shù)就是上述四個，即權(quán)值、鏈接系數(shù)、初始閾值和衰減系數(shù)，使用各種優(yōu)化算法對PCNN的參數(shù)進(jìn)行優(yōu)化時，往往主要優(yōu)化鏈接系數(shù)，初始閾值和衰減系數(shù)，在一般情況下，主要是優(yōu)化初始閾值和衰減系數(shù)。</p><p>　　PCNN 用于圖像的分割原理：憑借 PCNN 的同步脈沖發(fā)放實(shí)現(xiàn)圖像分割。當(dāng)用PCNN

18、分割圖像時，二維的圖像矩陣 a*b 就是 a*b 個 PCNN 神經(jīng)元模型，各像素的灰度值與各神經(jīng)元的輸入相一致，當(dāng)灰度值差不多的內(nèi)部連接矩陣所在的領(lǐng)域內(nèi)存在某像素被激發(fā)了產(chǎn)生脈沖輸出時，就將激發(fā)周圍其他灰度相似的像素所對應(yīng)的神經(jīng)元，產(chǎn)生包括圖像區(qū)域信息、紋理特征、邊緣等信息的脈沖輸出序列。繼而相似的神經(jīng)元就構(gòu)成了一個神經(jīng)元集群，同步發(fā)出脈沖。屬于同一集群的神經(jīng)元在同一灰度的圖像區(qū)域中，屬于不同集群的則在不同的區(qū)域中。由此輸出的序列而構(gòu)

19、成的二值圖像便是 PCNN 輸出的分割圖像。</p><p><b>　　4 實(shí)驗(yàn)結(jié)果與分析</b></p><p>　　為了驗(yàn)證本方法的有效性, 選擇了一張具有代表性的rela圖像為例進(jìn)行了實(shí)驗(yàn)，得到如下圖2結(jié)果。</p><p>　　(a)原始彩色圖像 (b)watershed圖像</p>&l

20、t;p>　　(c)k-means圖像 (d) PCNN圖像</p><p>　　圖2 實(shí)驗(yàn)效果對比圖</p><p>　　圖（a）為原始彩色圖像，圖（b）是利用改進(jìn)型的watershed（分水嶺）算法得到的圖像，圖（c）采用圖像k-means聚類（K=3）的方法得到的圖像，圖（d）為通過PCNN的方法得到圖像。從實(shí)驗(yàn)效果可以看出，分水嶺與k-means聚類

21、算法對于光照與復(fù)雜背景處理圖像分割會出現(xiàn)較大的偏差，具體細(xì)節(jié)信息丟失嚴(yán)重，而本方法相對于傳統(tǒng)的圖像分割算法法明顯使光照和復(fù)雜背景的影響減少，簡化 PCNN方法處理則通過提高β的值正確分割出目標(biāo)區(qū)域。能更好地保持目標(biāo)的完整和清晰。</p><p><b>　　主要運(yùn)行代碼如下：</b></p><p>　　function [Edge,Numberofaera]=pcn

22、n(X)</p><p>　　% 功能：采用PCNN算法進(jìn)行邊緣檢測</p><p>　　% 輸入：X—輸入的灰度圖像</p><p>　　% 輸出：Edge—檢測到的 </p><p>　　% Numberofaera—表明了在各次迭代時激活的塊區(qū)域</p><p>　　figure(1);</p&

23、gt;<p>　　imshow(X); </p><p>　　X=double(X);</p><p><b>　　% 設(shè)定權(quán)值</b></p><p>　　Weight=[0.07 0.1 0.07;0.1 0 0.1;0.07 0.1 0.07]; </p><p>　　WeightLI2=[-0.03

24、 -0.03 -0.03;-0.03 0 -0.03;-0.03 -0.03 -0.03];</p><p>　　d=1/(1+sum(sum(WeightLI2)));</p><p>　　%%%%%%測試權(quán)值%%%%%%</p><p>　　WeightLI=[-0.03 -0.03 -0.03;-0.03 0.5 -0.03;-0.03 -0.03 -0.03

25、];</p><p>　　d1=1/(sum(sum(WeightLI)));</p><p>　　%%%%%%%%%%%%%%%%%%</p><p>　　Beta=0.4; </p><p>　　Yuzhi=245;</p><p><b>　　%衰減系數(shù)</b></p>&l

26、t;p>　　Decay=0.3; </p><p>　　[a,b]=size(X);</p><p><b>　　V_T=0.2;</b></p><p><b>　　%門限值</b></p><p>　　Threshold=zeros(a,b); </p><p&g

27、t;　　S=zeros(a+2,b+2);</p><p>　　Y=zeros(a,b);</p><p><b>　　%點(diǎn)火頻率</b></p><p>　　Firate=zeros(a,b); </p><p><b>　　n=1;</b></p><p><b&g

28、t;　　%統(tǒng)計循環(huán)次數(shù)</b></p><p><b>　　count=0; </b></p><p>　　Tempu1=zeros(a,b); </p><p>　　Tempu2=zeros(a+2,b+2); </p><p>　　%%%%%%圖像增強(qiáng)部分%%%%%%</p><p&g

29、t;　　Out=zeros(a,b);</p><p>　　Out=uint8(Out);</p><p><b>　　for i=1:a</b></p><p><b>　　for j=1:b</b></p><p>　　if(i==1|j==1|i==a|j==b)</p><

30、;p>　　Out(i,j)=X(i,j);</p><p><b>　　else </b></p><p>　　H=[X(i-1,j-1) X(i-1,j) X(i-1,j+1);</p><p>　　X(i,j-1) X(i,j) X(i,j+1);</p><p>　　X(i+1,j-1) X(i+

31、1,j) X(i+1,j+1)]; </p><p>　　temp=d1*sum(sum(H.*WeightLI));</p><p>　　Out(i,j)=temp;</p><p><b>　　end</b></p><p><b>　　end</b></p><p>&

32、lt;b>　　end</b></p><p>　　figure(2);</p><p>　　imshow(Out); </p><p>　　%%%%%%%%%%%%%%%%%%%</p><p>　　for count=1:30 </p><p>　　for i0=2:a+1</p>&

33、lt;p>　　for i1=2:b+1</p><p>　　V=[S(i0-1,i1-1) S(i0-1,i1) S(i0-1,i1+1);</p><p>　　S(i0,i1-1) S(i0,i1) S(i0,i1+1);</p><p>　　S(i0+1,i1-1) S(i0+1,i1) S(i0+1,i1+1)];</p><

34、;p>　　L=sum(sum(V.*Weight));</p><p>　　V2=[Tempu2(i0-1,i1-1) Tempu2(i0-1,i1) Tempu2(i0-1,i1+1);</p><p>　　Tempu2(i0,i1-1) Tempu2(i0,i1) Tempu2(i0,i1+1);</p><p>　　Tempu2(i0+1,i1

35、-1) Tempu2(i0+1,i1) Tempu2(i0+1,i1+1)]; F=X(i0-1,i1-1)+sum(sum(V2.*WeightLI2));</p><p>　　%保證側(cè)抑制圖像無能量損失</p><p><b>　　F=d*F; </b></p><p>　　U=double(F)*(1+Beta*double

36、(L)); </p><p>　　Tempu1(i0-1,i1-1)=U;</p><p>　　if U>=Threshold(i0-1,i1-1)|Threshold(i0-1,i1-1)<60</p><p>　　T(i0-1,i1-1)=1;</p><p>　　Thresh

37、old(i0-1,i1-1)=Yuzhi;</p><p><b>　　%點(diǎn)火后一直置為1</b></p><p>　　Y(i0-1,i1-1)=1; </p><p><b>　　else</b></p><p>　　T(i0-1,i1-1)=0;</p><p>　

38、　Y(i0-1,i1-1)=0;</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　Threshold=exp(-Decay)*Threshold+V_T*Y;</p&g

39、t;<p>　　%被激活過的像素不再參與迭代過程</p><p><b>　　if n==1</b></p><p>　　S=zeros(a+2,b+2);</p><p><b>　　else</b></p><p>　　S=Bianhuan(T);</p><p

40、><b>　　end</b></p><p><b>　　n=n+1;</b></p><p>　　count=count+1; </p><p>　　Firate=Firate+Y;</p><p>　　figure(3);</p><p>　　imshow(Y);&

41、lt;/p><p>　　Tempu2=Bianhuan(Tempu1);</p><p><b>　　end</b></p><p>　　Firate(find(Firate<10))=0;</p><p>　　Firate(find(Firate>=10))=10;</p><p>　　

42、figure(4);</p><p>　　imshow(Firate);</p><p>　　%%%%%%子函數(shù) %%%%%%%</p><p>　　function Y=Jiabian(X)</p><p>　　[m,n]=size(X);</p><p>　　Y=zeros(m+2,n+2);</p>

43、<p>　　for i=1:m+2</p><p>　　for j=1:n+2</p><p>　　if i==1&j~=1&j~=n+2</p><p>　　Y(i,j)=X(1,j-1);</p><p>　　elseif j==1&i~=1&i~=m+2</p><p>

44、;　　Y(i,j)=X(i-1,1);</p><p>　　elseif i~=1&j==n+2&i~=m+2</p><p>　　Y(i,j)=X(i-1,n);</p><p>　　elseif i==m+2&j~=1&j~=n+2</p><p>　　Y(i,j)=X(m,j-1);</p>

45、<p>　　elseif i==1&j==1</p><p>　　Y(i,j)=X(i,j);</p><p>　　elseif i==1&j==n+2</p><p>　　Y(i,j)=X(1,n);</p><p>　　elseif i==(m+2)&j==1</p><p>　

46、　Y(i,j)=X(m,1);</p><p>　　elseif i==m+2&j==n+2</p><p>　　Y(i,j)=X(m,n);</p><p><b>　　else</b></p><p>　　Y(i,j)=X(i-1,j-1);</p><p><b>　　en

47、d</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　%%%%%%子函數(shù)%%%%%%</p><p>　　function Y=Bianhuan(X)</p><p>　　[m,n]=size(X)

48、;</p><p>　　Y=zeros(m+2,n+2);</p><p>　　for i=1:m+2</p><p>　　for j=1:n+2</p><p>　　if i==1|j==1|i==m+2|j==n+2</p><p><b>　　Y(i,j)=0;</b></p>

49、<p><b>　　else</b></p><p>　　Y(i,j)=X(i-1,j-1);</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p>

50、;<p>　　%%%%%%子函數(shù)%%%%%%</p><p>　　function Y=judge_edge(X,n)</p><p>　　%X:每次迭代后PCNN輸出的二值圖像，如何準(zhǔn)確判斷邊界點(diǎn)是關(guān)鍵</p><p>　　[a,b]=size(X);</p><p>　　T=Jiabian(X);</p>&l

51、t;p>　　Y=zeros(a,b);</p><p>　　W=zeros(a,b);</p><p>　　for i=2:a+1</p><p>　　for j=2:b+1</p><p>　　if (T(i,j)==1)&((T(i-1,j)==0&T(i+1,j)==0)|(T(i,j-1)==0&T(i,

52、j+1)==0)|(T(i-1,j-1)==0&T(i+1,j+1)==0)|(T(i+1,j-1)==0&T(i-1,j+1)==0))</p><p>　　Y(i-1,j-1)=-n;</p><p><b>　　end</b></p><p><b>　　end</b></p><

53、p><b>　　end</b></p><p><b>　?。?結(jié)束語</b></p><p>　　本文主要針對基于脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的彩色圖像分割方法，圖像分割是進(jìn)行圖像識別、圖像理解的基礎(chǔ), 圖像分割的好壞直接影響其后的各種工作。 針對PCNN 參數(shù)復(fù)雜且對分割有重要影響的特點(diǎn), 結(jié)合彩色圖像圖像的具體特征,提出了簡化的PCNN 算法

54、。此方法使參數(shù)的數(shù)目大大減少, 并使剩下的參數(shù)與圖像之間有了一定的對應(yīng)關(guān)系, 如噪聲大的圖像連接強(qiáng)度β較噪聲小的應(yīng)大一些。實(shí)驗(yàn)發(fā)現(xiàn)在降低噪聲的影響和從陰影中獲取目標(biāo)方面都取得了較滿意的結(jié)果。但是，對 PCNN 參數(shù)對圖像分割的影響還需進(jìn)一步地研究。 </p><p>　　在圖像分割問題上，至今還沒有建立起完善的理論體系，還有大量的工作需要完成，此同時，許多研究人員正不斷嘗試將一些新概念新方法引入到圖像分割領(lǐng)域中，

55、隨著各種新理論的應(yīng)用和改進(jìn)，相信圖像分割技術(shù)會不斷完善和成熟起來。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1] Sahoo P K, Sohani S, Wong A K C, etal．Survey of thresholding techniques[J]. Computer Vision, Graphics, and Image P

56、rocessing,1988,41(2):233-260</p><p>　　[2] Pohlman S, Powell K A, Obuchowski N A, et a1, Quantitative classification of breast tumors in digitized mammograms [J]. Medical Physics, 1996, 23(8): 1337-1345 </

57、p><p>　　[3] Vincent L, Soille P, Watersheds in digital spaces: an efficient algorithm based On immersion simulations [J].IEEE Transaction on Pattern Analysis and Machine Intelligence, 1991,13(6): 583-598<

58、;/p><p>　　[4] 王孝國,王景玉,張雄偉等.基于特定理論工具的圖像分割方法綜述[C].//第九屆全國青年通信學(xué)術(shù)會議論文集.2004:1332-1337.</p><p>　　[5] 顧曉東, 程承旗, 余道衡. 基于PCNN的二值圖像細(xì)化新方法[J] . 計算機(jī)工程與應(yīng)用, 2003(13): 5～6, 28</p><p>　　[6] 張軍英, 樊秀菊,