基于混合核函數(shù)最小二乘支持向量機(jī)的圖像邊緣檢測(cè)研究

摘要：該文研究了基于混合核函數(shù)最小二乘支持向量機(jī)（LS-SVM）的圖像邊緣檢測(cè)技術(shù)，利用LS-SVM對(duì)圖像象素鄰域的灰度值進(jìn)行曲面擬合，結(jié)合梯度算子和零交叉算子實(shí)現(xiàn)了圖像邊緣定位。通過對(duì)實(shí)驗(yàn)說明了該文算法效果很好，邊緣定位準(zhǔn)確。

關(guān)鍵詞：邊緣檢測(cè)；最小二乘支持向量機(jī)；混合核函數(shù)；邊緣檢測(cè)性能

中圖分類號(hào)：TP911 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044(2009)05-1201-03

Edge Detection Based on Least Squares Support Vector Machine with Mixtures of Kernels

XUE Liang

(People's Bank of China Branch in Urumqi， Urumuqi 830002， China)

Abstract: A novel edge detection algorithm based on the combination result of gradient and zero crossings is presented which the image intensity of neighborhood region of pixel is well estimated by Least Squares Support Vector Machines(LS-SVM) with mixtures of kernels and the gradient operator and zero crossing opertator are obtained by LS-SVM based on mixtures kernel function. The result of experiment shows that the LS-SVM peformance by using mixtures of kernels is much better than other methods when the SNR is lower， especially the edge of positioning accuracy.

Key words: edge detection; least squares support vector machines; mixtures of kernels; edge detection performance evaluation

1 引言

邊緣檢測(cè)往往是其他圖像處理技術(shù)的基礎(chǔ)，是圖像處理中一個(gè)十分令人關(guān)注的研究方向。傳統(tǒng)的邊緣檢測(cè)算子如Sobel、Prewitt、Robert等算子，對(duì)噪聲很敏感，所以在處理實(shí)際圖像時(shí)受到一定的局限。近年來，基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)(Support Vecror Machine，SVM)，作為新的數(shù)據(jù)分類和函數(shù)估計(jì)工具，得到了巨大的發(fā)展[1]。其中最小二乘支持向量機(jī)[2](Least Squares SVM，LS-SVM)在函數(shù)估計(jì)中應(yīng)用較多。LS-SVM的許多特性是由所選擇的核函數(shù)決定的，為了得到性能更為優(yōu)良的LS-SVM，一種改進(jìn)的方法是把多個(gè)核函數(shù)組合起來，形成一種混合核函數(shù)[3]，由這種混合核函數(shù)構(gòu)造的LS-SVM不僅學(xué)習(xí)能力強(qiáng)，而且具有很好的推廣性。文獻(xiàn)[4]利用高斯核和多項(xiàng)式核函數(shù)的LS-SVM完成了邊緣提取研究，本文在文獻(xiàn)[4]的基礎(chǔ)上，利用混合核函數(shù)對(duì)圖像邊緣提取進(jìn)行研究，實(shí)驗(yàn)結(jié)果表明在信噪比較小的情況下，該方法進(jìn)行邊緣提取的性能好，尤其是邊緣定位準(zhǔn)確。

2LS-SVM

最小二乘支持向量機(jī)是統(tǒng)計(jì)學(xué)習(xí)理論中常用的方法，其思想如下：給定訓(xùn)練樣本集{(xi，yi)}Ni=1，xi∈Rn，yi∈R，通過非線性變換Ф(·)把n維輸入向量xi和輸出樣本向量yi從原空間Rn映射到高維特征空間F，在此空間中構(gòu)成最優(yōu)線性決策函數(shù)

其中αk和b是（2）的解，具體的形式取決于核函數(shù)K(x，xk)的類型。目前研究最多的核函數(shù)主要有以下兩類：

1）徑向積核函數(shù)（RBF）：K(x，xk)=exp{-||x-xk||2/σ2}，其中σ2是高斯核寬度。該函數(shù)為局部性核函數(shù)，僅僅在測(cè)試點(diǎn)的附近小鄰域?qū)?shù)據(jù)點(diǎn)有影響。

2）多項(xiàng)式核函數(shù)（poly）：K(x，xk)=(x·xk+1)d，其中d是多項(xiàng)式的次數(shù)。該函數(shù)為全局性核函數(shù)，允許遠(yuǎn)離測(cè)試輸入的數(shù)據(jù)點(diǎn)對(duì)核函數(shù)的值也有影響。

因?yàn)榫植啃院撕瘮?shù)學(xué)習(xí)能力強(qiáng)、泛化能力較弱，而全局性核函數(shù)泛化性能強(qiáng)、學(xué)習(xí)能力較弱，因此考慮把這兩類核函數(shù)混合起來[5]。函數(shù)Kmin=λKpoly+(1-λ)Krbf就是混合核函數(shù)其中的一種，并且滿足Mercer條件。這里的混合系數(shù)λ∈(0，1)。

3 基于LS-SVM的圖像邊緣檢測(cè)

3.1LS-SVM進(jìn)行圖像擬合的原理[4]

一幅二維灰度圖像可以認(rèn)為是一個(gè)連續(xù)的函數(shù)：y=f(x):R2->R1，x是二維向量，表示象素點(diǎn)的行、列坐標(biāo)，輸出y是一個(gè)標(biāo)量，表示輸入向量x所對(duì)應(yīng)象素點(diǎn)的灰度值。在利用LS-SVM進(jìn)行圖像數(shù)據(jù)擬合時(shí)，將象素坐標(biāo)作為輸入，輸出目標(biāo)為象素的灰度值。對(duì)于象素坐標(biāo)(r，c)的鄰域來說，其輸入向量通?？梢杂?r+Δr，c+Δc)描述，其中Δr，Δc分別表示象素鄰域水平和垂直方向上的距離，所以通過LS-SVM算法就可以在象素鄰域大小確定的情況下，構(gòu)建出輸入向量和象素點(diǎn)之間的非線性關(guān)系。令

可以看出圖像的梯度算子和零交叉算子可以由支持向量機(jī)核參數(shù)和卷機(jī)核大小直接求出，不用訓(xùn)練，實(shí)現(xiàn)起來比較容易，而且梯度算子和零交叉算子是來自于同一LS-SVM擬合曲面函數(shù)，因此可以同事準(zhǔn)確地估計(jì)出圖像的梯度和零交叉點(diǎn)，這樣就由可能綜合梯度和零交叉點(diǎn)來進(jìn)行邊緣的定位和檢測(cè)。

3.3 圖像邊緣檢測(cè)算法的實(shí)現(xiàn)

Step 1：采用高斯濾波器對(duì)圖像進(jìn)行去噪預(yù)處理；

Step 2：利用模板Fr、Fc和圖像卷積得到圖像水平、垂直方向的梯度，并對(duì)梯度進(jìn)行閾值化得到梯度所確定的邊緣圖S1；

Step 3：利用模板Fu和圖像卷積得到圖像二階導(dǎo)數(shù)并查找零交叉點(diǎn)，得到基于零交叉點(diǎn)的邊緣圖S2；

Step 4：對(duì)邊緣圖S1和S2進(jìn)行與運(yùn)算，得到邊緣圖S；

Step 5：去除邊緣圖S的離散點(diǎn)，并對(duì)其細(xì)化，得到最終的邊緣檢測(cè)圖。

4 實(shí)驗(yàn)分析

4.1 邊緣檢測(cè)的性能指標(biāo)

圖像邊緣檢測(cè)的性能可以由邊緣的位置精度、邊緣連續(xù)性和邊緣寬度來衡量，Abdou和Pratt提出了一種評(píng)價(jià)邊緣檢測(cè)性能的客觀標(biāo)準(zhǔn)[6]，其定義為：

式中Ii表示被檢測(cè)為邊緣的象素點(diǎn)與最近的理想邊緣象素點(diǎn)間的距離，Id和Il分別為實(shí)際檢測(cè)到的邊緣象素個(gè)數(shù)和理想的邊緣檢測(cè)象素個(gè)數(shù)。α是懲罰因子，取0到1之間的正數(shù)。實(shí)驗(yàn)中采用圖1所示的測(cè)試圖像，圖1的邊緣特性是已知的，通過對(duì)測(cè)試圖像引入不同程度的噪聲，利用不同的核函數(shù)算法對(duì)噪聲圖像進(jìn)行邊緣提取，得出邊緣檢測(cè)性能指標(biāo)P，并以此來評(píng)價(jià)邊緣檢測(cè)算法性能的好壞，其中P值越大，說明該算法邊緣檢測(cè)的性能越好。

4.2 實(shí)驗(yàn)結(jié)果

以Rice圖像為例，給原圖像加上10dB高斯噪聲以后分別用本文算法與Canny方法和Sobel方法進(jìn)行邊緣檢測(cè)的效果如圖1。

利用混合核函數(shù)的LS-SVM算法提取圖像邊緣時(shí)，選取不同的懲罰因子α對(duì)圖像邊緣檢測(cè)效果進(jìn)行檢測(cè)。本文實(shí)驗(yàn)中對(duì)圖1加入SNR＝10dB的噪聲，然后通過不同方法得到的邊緣檢測(cè)性能曲線如圖3、圖4所示。

從圖3、圖4中可以看出， LS-SVM方法比Canny方法、Sobel方法邊緣檢測(cè)性能好。隨著懲罰因子 的增大，Canny方法、Sobel方法邊緣檢測(cè)性能急劇下降，但是LS-SVM方法的性能降低很少，說明本文算法所檢測(cè)到的邊緣定位準(zhǔn)確，假邊緣少，檢測(cè)效果好。

為了比較LS_SVM算法的邊緣檢測(cè)效率，對(duì)Lena和Rice兩副圖像使用不同的邊緣檢測(cè)算法進(jìn)行邊緣檢測(cè)，并統(tǒng)計(jì)它們所需要的時(shí)間，所得統(tǒng)計(jì)結(jié)果如表1所示。

5 結(jié)論

本文利用最小二乘支持向量機(jī)（LS-SVM）對(duì)圖像象素鄰域的灰度值進(jìn)行曲面擬合，直接求出圖像灰度擬合曲面的一階、二階導(dǎo)數(shù)，從而得到梯度算子和零交叉算子，并進(jìn)一步進(jìn)行邊緣檢測(cè)。為進(jìn)一步反映該算法邊緣檢測(cè)性能，本文通過實(shí)驗(yàn)確定了不同信噪比下的最佳混合系數(shù)，通過與Canny法比較得到了如下結(jié)論：1）基于LS-SVM的邊緣檢測(cè)方法可以獲得比Canny方法、Sobel方法更優(yōu)越的性能；2）基于LS-SVM的邊緣檢測(cè)方法獲得圖像邊緣精度高，虛假邊緣少；3）基于LS-SVM的邊緣檢測(cè)方法效率高，所需要的時(shí)間少。

參考文獻(xiàn)：

[1] Vapnik V. An overview of statistical learning theory[J].IEEE Trans on Neural Networks，1999，10(5):988-999.

[2] Suykens J A K，Vandewalle J. Least squares support vector machine classifiers[J].Neural Processing Letters，1999，9(3):293-300.

[3] Smits G F，Jordaan E M.Improved SVMRegression using Mixtures of Kernels[A].Proceedings of the 2002 International Joint Conference on Neural Networks[C].Hawaii:IEEE，2002.2785-2790.

[4] 劉涵，郭勇.基于最小二乘支持向量機(jī)的圖像邊緣檢測(cè)研究[J].電子學(xué)報(bào)，2006，7(7):1275-1279.

[5] hang Sheng，Liu jian，Tian Jin-wen.An SVM-based Small Target Segmentationand Clustering Approach [A].Proceedings of the Third International Conference on Machine Learning and Cybernetics[C].Shanghai:IEEE，2004.3318-3323.

[6] Abdou I E，Pratt W K.Quantitative design and evaluation of enhancement thresholding edge detectors[A].Proc IEEE[C].USA:IEEE inc，1979，67(5):753-763.