基于SOFM融合的亮度不均圖像分割方法*

楊 睿 張榮文 付 軍

(91550部隊93分隊 大連 116023)

?

基于SOFM融合的亮度不均圖像分割方法*

楊 睿 張榮文 付 軍

(91550部隊93分隊 大連 116023)

提出了一種新的基于SOFM融合的亮度不均圖像分割方法。首先利用基于SOFM網絡求取最佳曝光值,然后在此曝光值附近選取兩個曝光值獲取兩幅圖片;再對各圖片進行基于雙向加權序貫平滑的二值化;最后將二值化后的圖像進行基于SOFM的融合,這樣就完成了亮度不均圖像的分割。此方法分割能夠很好地保持目標圖像原有形態(tài),噪聲小,為亮度不均圖像的分割提出了一種新的思路。

SOFM; 融合; 亮度不均; 圖像分割

Class Number TP391.41

1 引言

在光學圖像判讀中,圖像的細節(jié)有時對試驗結論的判定起決定性作用。但由于受客觀條件的限制不能保證圖像亮度均勻,給后續(xù)圖像處理中帶來極大的不便。圖像處理時不增大曝光量,能夠保證較亮區(qū)域清晰成像,但是處于較暗區(qū)域的細節(jié)就無法看清,造成丟失原始信息;如果增大曝光量,處于較暗區(qū)域的細節(jié)能夠得以識別,但是會使得本身處于較亮區(qū)域的圖像無法識別[1～2]。對這樣的圖像的分割若采用常規(guī)的分割方法不會獲取良好的效果,對后續(xù)的圖像識別等造成了嚴重的影響[3],所以這里提出了一種基于SOFM融合的分割方法來分隔亮度不均圖像。為闡述問題方便,選取粘膠長絲的纖維斷面的圖像處理進行說明。

SOMF神經網絡[4]是一種無監(jiān)督地進行自組織學習的神經網絡模型。該網絡模型認為網絡在接收外界輸入時,將對不同的模式產生不同的敏感區(qū)。當外界輸入不同的樣本時,通過在輸出層的競爭,形成了一些神經元,分別代表各類輸入樣本,反映輸入樣本特征,從而使無規(guī)則的輸入在輸出層自動排序。

基于SOFM融合的分割方法為:

1) 利用SOFM神經網絡獲取圖像的最佳曝光值,在這個曝光值領域選取兩個曝光值,用每個曝光值分別獲取一幅圖片;

2) 將所有獲取圖像進行基于雙向加權序貫平滑的二值化;

3) 對獲取源圖像進行基于Shannon熵準則進行融合;

4) 融合后依據SOFM神經網絡所求取的閾值對二值圖像進行融合。

2 基于SOFM神經網絡的曝光控制

SOFM神經網絡模型如圖1所示。

圖1 SOFM網絡模型

設輸入層神經元數(shù)為p,競爭層由n×n個神經元組成且構成一個二維平面陣列。輸入層與競爭層之間為全連接,有時競爭層各神經元之間還實行側抑制連接。網絡中有兩種連接權值,一種是神經元對外部輸入反應的連接權值,另一種是神經元之間的連接權值,它的大小控制著神經元之間的交互作用的大小[5]。設輸入矢量X為

X=[X1,X2,…,Xp]T

(1)

輸入層與輸出層神經元j相應的權值矢量Wj記為

Wj=[wj1,wj2,…,wjp]T,j=1,2,…,N

(2)

確定獲勝輸出層神經元,相當于選擇權值矢量Wj與輸入矢量X最為匹配的輸出層神經元。也就是選取權值矢量距離輸入矢量有最小歐氏范數(shù)值的輸出層神經元作為獲勝神經元。

曝光時間的控制對獲取高質量纖維圖片有著很重要的意義。曝光量太小,處于邊緣的纖維將無法成像;曝光量太大,纖維切片中心部分出現(xiàn)大面積粘結。為了控制最佳的曝光量,這里設計了一個SOFM神經網絡。在訓練時,首先將圖像劃分為8個區(qū)域。為了消除背景的影響,可以通過尋找纖維切片的邊界,定位出纖維切片的中心。此中心點的坐標為

(3)

其中:x和y分別為中心點x軸和y軸坐標,M為邊界點數(shù)目,xi和yi分別為第i個邊界點x軸和y軸坐標。以此中心點為中心分別以相隔45°角將圖像分為八個部分,將圖像每個區(qū)域的平均亮度值、亮度偏差、亮度最小值以及亮度最大值作為神經網絡的輸入單元;輸出神經元的個數(shù)取決于訓練神經網絡所得到的曝光值,這里神經網絡的輸出元個數(shù)選10;隱含層神經元個數(shù)選20。

在訓練時,若總均方誤差MSE最小,則結束?？偩秸`差MSE可以表示為[6]

(4)

其中,Q表示表示事例個數(shù),M為輸出向量的個數(shù),yj是第j維神經元的輸出量。

網絡訓練完畢后,采集圖像并進行分塊,分塊后將各特征量輸入網絡求取曝光值。將所獲得的曝光值作為中心值,在其鄰域另選取兩個值,用這兩個曝光值分別曝光獲取兩幅圖像。圖2是在較大曝光量和較小曝光量下獲取的兩幅圖像。

圖2 獲取的纖維斷面圖像

3 基于雙向加權序貫平滑的二值化方法

圖像分割是區(qū)分物體與背景、不同物體、物體的不同表面、具有不同特性區(qū)域的基本手段。對于亮暗不均勻圖像的分割不能整體使用某一固定閾值分割,在這里首先對獲取圖像進行雙向加權序貫平滑[7～8],平滑算法可以表示為

g(x,y)=ag(x-1,y)+(1-a)g(x,y);

x從0到xmax

(5)

g(x,y)=ag(x+1,y)+(1-a)g(x,y);

x從xmax-1到0

(6)

g(x,y)=ag(x,y-1)+(1-a)g(x,y);

y從0到y(tǒng)max

(7)

g(x,y)=ag(x,y+1)+(1-a)g(x,y);

y從ymax-1到0

(8)

其中,xmax和ymax分別為兩坐標的最大值,a為平滑因子,取值范圍為0～1。依次按照式(5)～式(8)對源圖像進行平滑,設平滑后圖像為g1(x,y)。

將平滑后的的圖像g1(x,y)的每一點灰度值作為源圖像在此點的動態(tài)閾值,以此閾值對源圖像進行分割。此閾值分割方法算法簡單,計算速度很快,同時分割效果很好。當平滑因子a的值較小時能夠獲得很完整的纖維截面形態(tài)圖像,但是會帶來很多噪聲點;增大a的值,有濾波的效果,可以減小噪聲,但是同時使得纖維斷面間出現(xiàn)粘結現(xiàn)象,經試驗我們選取a=0.75為最佳值。用此方法將獲取的圖像分別進行二值化,接著采用以下方法對二值圖像進行融合。

4 基于SOFM神經網絡的閾值求取

在求取閾值中,重新設計一個SOFM神經網絡,假設有一幅M×N數(shù)字圖像,在進行圖像灰度值分類時,首先把圖像分成k=l×l尺寸的子圖像,按行或按列轉換為l2×1維列矢量,這樣就構成了分類器的輸入矢量空間X;然后按失真度最小原則把灰度值分成G類,構成分類器的類空間Y。每個類是k維矢量,在得到類yi后,分別把其分量相加求其平均值,即:

(9)

其中yij表示類yi的第j維分量。統(tǒng)計出類yi在輸入矢量空間X中的個數(shù)numi,然后計算第一閾值T1:

(10)

求得第一閾值T1后,再采用循環(huán)迭代方法求第二閾值T2。兩次迭代后獲取誤差小于一定值時,結束迭代計算,T2即為所求。

5 基于融合技術的圖像分割方法

閾值求取后,按照Shannon熵準則對源圖像進行融合。Shannon熵[9]是美國數(shù)學家Shannon提出的灰度信息量的方法,可以表示為

(11)

其中,P(i)為像素值為i的像素出現(xiàn)的頻率,N是像素的最大值。若E(x,y)的第x行中有邊緣點,則對各源圖像在第x行的邊緣點間每一段分別求熵,選擇熵值最大的圖像的像素段作為融合圖像的像素值;若E(x,y)的第x行中無邊緣點,則對第x行整行求熵,選擇熵值最大圖像的一行像素作為融合圖像的像素值。

設融合后圖像為h(x,y),將融合后圖像作為SOFM神經網絡的輸入來求取閾值T2。假設較小曝光量下獲取圖像二值化后為f1(x,y),較大曝光量下獲取圖像二值花后為f2(x,y)融合后二值圖像為f(x,y)則二值化圖像融合方法為

(12)

按照式(12)融合后將會得到最后的分割圖像。

6 結果分析

為了驗證本方案的效果,對以上獲取的粘膠長絲斷面圖像進行了基于SOFM融合的分割,分割效果為圖3(a),同時采用最大類間方差法見圖3(b),文獻[10]和文獻[11]的方法對源圖像進行分割,分割效果為圖3(b)～圖3(d)。

從圖3(a)中可以看出,基于SOFM融合的分割方法效果很好,能夠較準確的對圖像進行分割,同時邊緣纖維圖像完整;而采用其他的分割方法,對圖像進行分割后,圖像信息丟失嚴重。此方法可以作為纖維計數(shù)的前處理方法,能夠準確地構建纖維信息,從而能夠準確地對纖維進行計數(shù)等,同時此方法也為明暗不均圖像的分割提供了一種思路。

7 結語

圖像的亮度不均對圖像的判讀有很大的影響,會影響到試驗數(shù)據的獲取,甚至影響試驗結果的判定,許多研究人員在該領域進行研究,并提出了解決方法。文中提出的基于SOFM網絡求取最佳曝光值,然后對各圖片進行基于雙向加權序貫平滑的二值化,最后將二值化后的圖像進行基于SOFM的融合分割方法,能夠很好地保持被處理圖像的原有形態(tài),噪聲較小,可以在很大程度上解決該類圖像的處理問題,在該領域內有較高的應用價值。

[1] 李星華,王偉霞.對單絲不足粘膠長絲的排查方法[J].人造纖維,2007,37(5):34.

[2] 張立強.紅外圖像增強技術研究[J].艦船電子工程,2013,33(3):17-19.

[3] 盛元平.紅外圖像處理系統(tǒng)的方案設計[J].艦船電子工程,2014,34(5):100-105.

[4] MARNIF, ZUPAN J, ANTONOL. Magri Class-modeling using Kohonen artificial neural networks[J]. Analytica Chimica Acta,2005,544(1):2.

[5] 潘梅森,榮秋生.基于SOFM神經網絡的圖像融合二值化方法[J].光學精密工程.2007,15(3):401-406.

[6] Nikos C S, Grorge S, George K K. New results for the shannon channel capacity in generalized fading channels[C]//IEEE Communication Letters,2005:97-99.

[7] 陳燏,張新榮,朱軼偉,等.多層次分割實現(xiàn)微小尺寸實時測量[J].光電工程,2005,32(2):64-66.

[8] 羅三定.基于機器視覺的分鋼關鍵技術研究及其應用[D].長沙:中南大學,2006.

[9] Goshtasby A A. Fusion of multi-exposure images[J]. Image and Vision Com-putting,2005(23):611-618.

[10] 蔣加伏,趙嘉,胡益紅.一種基于支持向量聚類的圖像分割方法[J].計算機工程與應用,2009,45(30):165-167.

[11] 殷春芳,李正明,孫俊.一種混合遺傳算法在圖像分割中的應用[J].計算機仿真,2004,21(8):158-160.

Segmentation of Ununiformity Brightness Image Based on SOFM Network Fusion

YANG Rui ZHANG Rongwen FU Jun

(Unit 93, No. 91550 Troop of PLA, Dalian 116023)

A method of ununiformity brightness image segmentation based on SOFM network fusion is proposed. Firstly, the best exposure value is got and two exposure values near the best exposure value are chosen to get two images using SOFM network. Then, the binarization method based on two-way weighting Sequential smooth is used to segment the two images which are obtained in different light intensity. Lastly, the two binary images based on SOFM fusion. After that, the final segmentation image is obtained. Using this method can record the information of objects accurately. The experimental results show that this method is much better and provides a way to segment the ununiformity brightness images.

SOFM, fusion, ununiformity brightness, image segmentation

2015年6月3日,

2015年7月20日

楊睿,男,碩士,工程師,研究方向:光電檢測和圖像處理。張榮文,男,碩士研究生,工程師,研究方向:通信工程。付軍,男,工程師,研究方向:光學測量。

TP391.41

10.3969/j.issn.1672-9730.2015.12.039