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、基于脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的彩色圖像分割方法 模式識(shí)別與智能系統(tǒng)導(dǎo)論考核 學(xué) 院： 電氣工程學(xué)院 專 業(yè)： 模式識(shí)別與智能系統(tǒng) 學(xué)生姓名： 谷 朝 班 級(jí)： 研碩15級(jí)15班 學(xué) 號(hào)： 主講教師： 張 秀 玲 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的彩色圖像分割方法摘要：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 Neural Network）與傳

2、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(dòng)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(cè)、細(xì)化、識(shí)別等方面。關(guān)鍵詞：彩色圖像分割；脈沖耦合神經(jīng)網(wǎng)絡(luò)1 引言圖像分割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(shí)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。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Natu

3、re雜志上。與此同時(shí)，Eckhom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(guó)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。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(hào)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。2

4、彩色圖像分割圖像分割就是把圖像分成若干個(gè)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)鍵步驟。為了便于研究和理解，通常形式化定義如下1：令集合表示原始圖像，設(shè)被分割為個(gè)非空子集，這個(gè)非空子集滿足以下個(gè)條件： i=1NRi=R（1）對(duì)所有的i和j，有RiRj=(ij)（2）對(duì)i=1，2，N,有PRi=TRUE （3）對(duì)ij，有PRiRj=FALSE （4）對(duì)i=1，2，N,Ri是連通區(qū)域。 （5）其中，PRi表示所有在集合中的元素的邏輯謂詞。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

5、等2。其中，閾值分割最為簡(jiǎn)單有效，在圖像區(qū)域間顏色或是灰度差別較大時(shí)，體現(xiàn)出很好的分割效果。但它忽略了圖像的空間特性，因此對(duì)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(duì)圖像的分割，這種方法計(jì)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。基于特定理論的方法利用某種已經(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

6、識(shí)別，圖像搜索等等領(lǐng)域。3 脈沖耦合神經(jīng)網(wǎng)絡(luò)模型基本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(gè)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(gè)復(fù)雜的非線性動(dòng)態(tài)系統(tǒng)5。一個(gè)PCNN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: 分別以相對(duì)較小/較大的時(shí)間常數(shù) 對(duì)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(duì)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

7、小能否超過其激發(fā)動(dòng)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j小于Uj時(shí)，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?duì)閾值的反饋使得閾值j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(gè)脈沖信號(hào)，此脈沖信號(hào)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)。該模型的數(shù)學(xué)形式可用以下五個(gè)方程來描述： 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(gè)輸入通道; M/ VF 和W/ VL 分別是饋送域和鏈接域的連接權(quán)

8、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(shí)間常數(shù), :內(nèi)部活動(dòng)項(xiàng)的連接因子。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(shí)，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(shí)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(shí)刻點(diǎn)火，這個(gè)結(jié)論也印證了PCNN同步脈沖發(fā)放現(xiàn)象的內(nèi)在機(jī)理。這種情況屬于理想情況。當(dāng)beta0時(shí)，

9、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)生所謂的同步脈沖發(fā)現(xiàn)現(xiàn)象，即神經(jīng)元的振蕩6。由上式我們可以看出，PCNN的主要參數(shù)就是上述四個(gè)，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(duì)PCNN的參數(shù)進(jìn)行優(yōu)化時(shí)，往往主要優(yōu)化鏈接系數(shù)，初始閾值和衰減系數(shù)，在

10、一般情況下，主要是優(yōu)化初始閾值和衰減系數(shù)。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 分割圖像時(shí)，二維的圖像矩陣 a*b 就是 a*b 個(gè) 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(shí)，就將激發(fā)周圍其他灰度相似的像素所對(duì)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(gè)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)成的二值圖像便是 PCNN 輸

11、出的分割圖像。4 實(shí)驗(yàn)結(jié)果與分析為了驗(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。(a)原始彩色圖像 (b)watershed圖像 (c)k-means圖像 (d) PCNN圖像 圖2 實(shí)驗(yàn)效果對(duì)比圖圖（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聚類算法對(duì)于光照與復(fù)雜背景處理圖像分割會(huì)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(duì)于傳統(tǒng)的圖像分割算法法明顯使光照和

12、復(fù)雜背景的影響減少，簡(jiǎn)化 PCNN方法處理則通過提高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。主要運(yùn)行代碼如下：function Edge,Numberofaera=pcnn(X)% 功能：采用PCNN算法進(jìn)行邊緣檢測(cè)% 輸入：X輸入的灰度圖像% 輸出：Edge檢測(cè)到的 % Numberofaera表明了在各次迭代時(shí)激活的塊區(qū)域figure(1);imshow(X); X=double(X);% 設(shè)定權(quán)值Weight=0.07 0.1 0.07;0.1 0 0.1;0.07 0.1 0.07; WeightLI2=-0.03 -0.03 -0.03;-0.03 0 -0.03;-0

13、.03 -0.03 -0.03;d=1/(1+sum(sum(WeightLI2);%測(cè)試權(quán)值%WeightLI=-0.03 -0.03 -0.03;-0.03 0.5 -0.03;-0.03 -0.03 -0.03;d1=1/(sum(sum(WeightLI);%Beta=0.4; Yuzhi=245;%衰減系數(shù)Decay=0.3; a,b=size(X);V_T=0.2;%門限值Threshold=zeros(a,b); S=zeros(a+2,b+2);Y=zeros(a,b);%點(diǎn)火頻率Firate=zeros(a,b); n=1;%統(tǒng)計(jì)循環(huán)次數(shù)count=0; Tempu1=zer

14、os(a,b); Tempu2=zeros(a+2,b+2); %圖像增強(qiáng)部分%Out=zeros(a,b);Out=uint8(Out);for i=1:afor j=1:b if(i=1|j=1|i=a|j=b) Out(i,j)=X(i,j); else H=X(i-1,j-1) X(i-1,j) X(i-1,j+1); X(i,j-1) X(i,j) X(i,j+1); X(i+1,j-1) X(i+1,j) X(i+1,j+1); temp=d1*sum(sum(H.*WeightLI); Out(i,j)=temp; end endendfigure(2);imshow(Out);

15、 %for count=1:30 for i0=2:a+1 for i1=2:b+1 V=S(i0-1,i1-1) S(i0-1,i1) S(i0-1,i1+1); S(i0,i1-1) S(i0,i1) S(i0,i1+1); S(i0+1,i1-1) S(i0+1,i1) S(i0+1,i1+1); L=sum(sum(V.*Weight); V2=Tempu2(i0-1,i1-1) Tempu2(i0-1,i1) Tempu2(i0-1,i1+1); Tempu2(i0,i1-1) Tempu2(i0,i1) Tempu2(i0,i1+1); Tempu2(i0+1,i1-1) Temp

16、u2(i0+1,i1) Tempu2(i0+1,i1+1); F=X(i0-1,i1-1)+sum(sum(V2.*WeightLI2);%保證側(cè)抑制圖像無能量損失F=d*F; U=double(F)*(1+Beta*double(L); Tempu1(i0-1,i1-1)=U; if U>=Threshold(i0-1,i1-1)|Threshold(i0-1,i1-1)<60 T(i0-1,i1-1)=1; Threshold(i0-1,i1-1)=Yuzhi; %點(diǎn)火后一直置為1Y(i0-1,i1-1)=1; else T(i0-1,i1-1)=0; Y(i0-1,i1-1)

17、=0; end end end Threshold=exp(-Decay)*Threshold+V_T*Y; %被激活過的像素不再參與迭代過程 if n=1 S=zeros(a+2,b+2); else S=Bianhuan(T); end n=n+1; count=count+1; Firate=Firate+Y; figure(3); imshow(Y); Tempu2=Bianhuan(Tempu1);end Firate(find(Firate<10)=0; Firate(find(Firate>=10)=10; figure(4); imshow(Firate);%子函數(shù)

18、 %function Y=Jiabian(X)m,n=size(X);Y=zeros(m+2,n+2);for i=1:m+2 for j=1:n+2 if i=1&j=1&j=n+2 Y(i,j)=X(1,j-1); elseif j=1&i=1&i=m+2 Y(i,j)=X(i-1,1); elseif i=1&j=n+2&i=m+2 Y(i,j)=X(i-1,n); elseif i=m+2&j=1&j=n+2 Y(i,j)=X(m,j-1); elseif i=1&j=1 Y(i,j)=X(i,j); elseif

19、 i=1&j=n+2 Y(i,j)=X(1,n); elseif i=(m+2)&j=1 Y(i,j)=X(m,1); elseif i=m+2&j=n+2 Y(i,j)=X(m,n); else Y(i,j)=X(i-1,j-1); end endend%子函數(shù)%function Y=Bianhuan(X)m,n=size(X);Y=zeros(m+2,n+2);for i=1:m+2 for j=1:n+2 if i=1|j=1|i=m+2|j=n+2 Y(i,j)=0; else Y(i,j)=X(i-1,j-1); end endend%子函數(shù)%function

20、 Y=judge_edge(X,n)%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a,b=size(X);T=Jiabian(X);Y=zeros(a,b);W=zeros(a,b);for i=2:a+1 for j=2:b+1 if (T(i,j)=1)&(T(i-1,j)=0&T(i+1,j)=0)|(T(i,j-1)=0&T(i,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) Y(i-1,j-1)=-n; end endend 結(jié)束語本文主要針對(duì)基于

21、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(shí)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(duì)PCNN 參數(shù)復(fù)雜且對(duì)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(jiǎn)化的PCNN 算法。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(duì)應(yīng)關(guān)系, 如噪聲大的圖像連接強(qiáng)度較噪聲小的應(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(duì) PCNN 參數(shù)對(duì)圖像分割的影響還需進(jìn)一步地研究。 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(shí)，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，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(huì)不斷完