基于LVQ神經(jīng)網(wǎng)絡(luò)腦部CT邊緣檢測方法的研究

張喜紅

(1.亳州職業(yè)技術(shù)學(xué)院，安徽亳州236800；2.山東大學(xué)控制科學(xué)與工程學(xué)院，山東濟南250061)

?

基于LVQ神經(jīng)網(wǎng)絡(luò)腦部CT邊緣檢測方法的研究

張喜紅1,2

(1.亳州職業(yè)技術(shù)學(xué)院，安徽亳州236800；2.山東大學(xué)控制科學(xué)與工程學(xué)院，山東濟南250061)

摘要：研究運用LVQ神經(jīng)網(wǎng)絡(luò)進行腦部CT圖像邊緣檢測的方法，以提高邊緣檢測的準(zhǔn)確度。使用傳統(tǒng)的Sobel算法對腦部CT圖像進行邊緣檢測，作為網(wǎng)絡(luò)學(xué)習(xí)的教師信號，并將腦部CT圖像的中值特征量、方向性信息特征量、Krisch算子方向特征量3項特征量作為LVQ神經(jīng)網(wǎng)絡(luò)的輸入信號，進行網(wǎng)絡(luò)訓(xùn)練后，再將訓(xùn)練好的網(wǎng)絡(luò)進行邊緣檢測。在Matlab 2010平臺下進行仿真對比，結(jié)果顯示改進算法邊緣檢測結(jié)果與實際相符，比傳統(tǒng)Sobel算法更具優(yōu)越性。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；邊緣檢測；腦部CT圖像

面對醫(yī)療資源緊缺的現(xiàn)狀，運用計算機技術(shù)輔助醫(yī)學(xué)圖像診斷，降低醫(yī)師工作強度，提高診斷工作效率及診斷準(zhǔn)確率，進而提高醫(yī)療服務(wù)水平具有現(xiàn)實的意義。任何領(lǐng)域基于計算機技術(shù)的圖像識別系統(tǒng)，首要工作就是提取、分割有用的圖像區(qū)域[1]。基于圖像邊緣進行圖像分割的方法是一種經(jīng)典的方法，此類方法在實際應(yīng)用過程中，就是提取圖像感興趣區(qū)域的邊緣，邊緣檢測是否準(zhǔn)確與后續(xù)處理結(jié)果的好壞息息相關(guān)。

目前為止，常用的邊緣檢測算法大多是基于梯度算子實現(xiàn)，如Roberts、Sobel、Prewitt等算法[2-4]。雖然這些算法在某些領(lǐng)域的應(yīng)用具有較好的效果，但大多存在噪聲抑制能力較弱的情況，使邊緣檢測結(jié)果存在缺陷。就腦部CT圖像疾病輔助診斷系統(tǒng)而言，因與其關(guān)聯(lián)的對象是人類，對診斷結(jié)果的準(zhǔn)確性提出了更高的要求，況且腦部CT圖像在實際拍攝過程中干擾較為嚴(yán)重，因此探索一種優(yōu)秀的邊緣檢測算法意義重大?；谏鲜霰尘埃鶕?jù)LVQ神經(jīng)網(wǎng)絡(luò)的諸多優(yōu)點，本文以腦部CT圖像為研究對象，運用LVQ神經(jīng)網(wǎng)絡(luò)理論，提出一種邊緣檢測的新方法。

1LVQ神經(jīng)網(wǎng)絡(luò)簡介

LVQ神經(jīng)網(wǎng)絡(luò)[5]屬于前向神經(jīng)網(wǎng)絡(luò)類型。它與BP神經(jīng)網(wǎng)絡(luò)相比，具有更強的線性分類能力，且具有無需對樣本集進行歸一化，能以較小的計算量處理大量數(shù)據(jù)量的優(yōu)點，特別適合應(yīng)用于圖像處理領(lǐng)域。

LVQ神經(jīng)網(wǎng)絡(luò)模型如圖1所示，是典型的3層網(wǎng)絡(luò)結(jié)構(gòu)，即由前端的輸入層、中間的競爭層、后端的輸出層級聯(lián)而成。輸入層的每個神經(jīng)元與競爭層的每個神經(jīng)元之間都有連接，競爭層神經(jīng)元數(shù)目多于輸出層的數(shù)目，且2層之間是部分連接。

圖1　LVQ神經(jīng)網(wǎng)絡(luò)模型

圖中：P代表網(wǎng)絡(luò)的輸入向量；R、S1、S2分別對應(yīng)各層所包含的神經(jīng)元數(shù)目；w1是輸入層與競爭層之間的連接權(quán)值矩陣；n1、a1、n2、a2分別是各級作用后的輸出值。

傳統(tǒng)LVQ1網(wǎng)絡(luò)的執(zhí)行過程為：

①設(shè)定權(quán)值矩陣w1與學(xué)習(xí)率η(η>0)的初值；

②按式(1)計算輸入向量P=[P1,P2,…,PR]T與競爭層對應(yīng)權(quán)值間的歐氏距離負值，構(gòu)成競爭層的純輸入列向量n1。

(1)

③通過compet()查找最大值函數(shù)，找出競爭層純輸入列向量n1中的最大值所在位置，并將其置“1”取代，其余位置全部置“0”，也就是說權(quán)值與輸入值若相近則競爭勝利，反之競爭失敗。即競爭層的輸出結(jié)果a1=compet(n1)。

④將競爭層神經(jīng)元的輸出結(jié)果a1與線性輸出層神經(jīng)元對應(yīng)的權(quán)值w2相乘，求得線性輸出神經(jīng)元的狀態(tài)a2，即a2=w2a1，其中w2中的元素恒為1。

⑤假定輸入向量P已知的教師類別標(biāo)記結(jié)果屬于tx類，若a2=tx，則競爭勝出的神經(jīng)元權(quán)值w1v按式(2)進行調(diào)節(jié)，即向輸入量靠攏；如果a2≠tx，則按式(3)進行調(diào)整。式中η是學(xué)習(xí)率，經(jīng)驗取值范圍為0.7～0.9。競爭失敗的神經(jīng)元對應(yīng)的權(quán)值保持原值。直到實際輸出值小于等于期望輸出時才進入第②步執(zhí)行下一樣本的訓(xùn)練。

(2)

(3)

針對LVQ1存在僅對1個神經(jīng)元的權(quán)值進行修正的不足之處，為了進一步減小分類的錯誤率，Kohonen專家對其進行了適當(dāng)改進，將改進的算法稱之為LVQ2神經(jīng)網(wǎng)絡(luò)算法。改進算法的執(zhí)行進程與原算法的執(zhí)行過程基本相同，主要區(qū)別在于改變了僅對單一勝出神經(jīng)元調(diào)節(jié)權(quán)值的做法，引入了對次勝出神經(jīng)元權(quán)值調(diào)節(jié)的過程。

2腦部CT圖像邊緣檢測方法

2.1邊緣特征向量的構(gòu)建

要想通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練輸出較為精準(zhǔn)的邊緣檢測分類結(jié)果，前提必須要有能夠較好區(qū)分邊緣像素特征的輸入樣本向量。噪聲的存在會嚴(yán)重影響邊緣檢測的結(jié)果，因此尋求一些既能表征真實邊緣像素點特性，又能極大程度上去除噪聲點干擾的特征向量相當(dāng)關(guān)鍵。由文獻[6-8]可知，中值特征量、方向性信息特征量、Kirsch算子方向特征量3種邊緣特征表示方法能夠極大程度地抑制噪聲的影響。鑒于這3個特征量的計算簡單，噪聲剔除能力較強，本文采用這3項特征量作為LVQ神經(jīng)網(wǎng)絡(luò)的三維輸入向量進行邊緣檢測。這3項特征量的求解方法及定義分別介紹如下。

1)中值特征量。假設(shè)1幅圖像中某像素點的位置用(i,j)表示，i、j表示圖像的行、列值，其灰度是I(i,j)，則其對應(yīng)的中值特征量用Mi,j=Med{I(m,n),(m,n)∈C}來表示；若窗口的大小為3×3，用C表示以(i,j)像素點為中心所得到的3×3大小鄰域。(m,n)為C鄰域中9個像素點的坐標(biāo)，I(m,n)代表這9個像素點對應(yīng)的灰度值。Med表示將這9個點的灰度值I(m,n)從小到達進行排列，取出其中間值便得到此像素點的中值特征量Mi,j。

2)方向性信息特征量。假設(shè)1幅大小為i×j的圖像，i、j表示圖像的行、列值。在以其中一像素點(i,j)為中心，用特定大小的窗口，所得到的鄰域為R，以1條通過此像素點坐標(biāo)且水平夾角為θ(通常θ取0、π/4、π/2、3π/4)的直線Lθ，把鄰域一分為二，分別記為Sθ1和Sθ2。通過式(4)、(5)分別求出Sθ1與Sθ2中各像素點的累加和，式中I(m,n)代表坐標(biāo)位置為(m,n)像素的灰度值。然后通過式(6)求二者的差值絕對值dθ，并從中分別獲得其最大dθmax與最小值dθmin，將dθmax與dθmin的差值定義為此點的方向性信息特征值。從整個求解過程可以看出：對于邊緣點而言，因其存在方向特性，其方向性信息特征具有最大值；而非邊緣點與噪聲點，方向相關(guān)性不強，所以方向特性信息特征具有最小值。因此，最大程度地抑制了噪聲點誤斷為邊緣點的可能。

(4)

(5)

(6)

3)Kirsch算子方向特征量[9]。其定義為用圖2所示的8個3×3窗口大小的模板，分別對圖像中某像素點的3×3鄰域像素點灰度值進行卷積處理，求得行向量{qk}，k為模板順序號，k=0,1，…,7。通過式(7)求得此點的Kirsch算子方向特征量Ki,j。當(dāng)前鄰域中若存在邊緣點，Ki,j為最大值；因非邊緣像素點與噪聲點無方向性，所以為較小值。由此可見，此算法特征也能很好地抑制噪聲引起的邊緣檢測干擾。

(7)

55-350-3-3-3-3

5-3-350-35-3-3

-3-3-350-355-3

-3-3-3-305-355

-3-35-305-3-35

-355-30-3-3-3-3

圖2Kirsch算子的8個模板

2.2邊緣檢測的實現(xiàn)步驟

在Matlab 2010平臺下，按如下步驟編寫相應(yīng)代碼實現(xiàn)腦部CT圖像的邊緣檢測。

①圖像讀取與灰度變換處理。通過I=imread(′NAME.jpg′)語句讀入要進行邊緣檢測的圖像，因其為非灰度圖像，所以需通過語句I=rgb2gray(I)將其轉(zhuǎn)變?yōu)榛叶雀袷健?/p>

②教師指導(dǎo)信息獲取。LVQ神經(jīng)網(wǎng)絡(luò)有指導(dǎo)學(xué)習(xí)方式，因此首先要從1幅圖像中獲取教師邊緣標(biāo)注信息。這里通過Sobel算子實現(xiàn)，用BW=edge(I,′Sobel′)語句對灰度圖像進行邊緣檢測得到后期訓(xùn)練的指導(dǎo)先驗知識。

③構(gòu)建網(wǎng)絡(luò)訓(xùn)練邊緣特征數(shù)據(jù)集。按照2.1節(jié)所述方法，計算整幅圖像的中值特征量、方向性信息特征量、Kirsch算子方向特征量3項特征向量值，隨機抽取一定數(shù)目的樣本集，經(jīng)人工剔除Sobel錯標(biāo)的邊緣點后，作為訓(xùn)練樣本集，與之對應(yīng)Sobel的教師信號作為網(wǎng)絡(luò)的期望輸出。

④創(chuàng)建網(wǎng)絡(luò)，并進行訓(xùn)練、檢測邊緣。通過net=newlvq(a,b,c,d,′learnlv1′)語句創(chuàng)建LVQ神經(jīng)網(wǎng)絡(luò)，其中l(wèi)earnv1代表采用LVQ1算法進行學(xué)習(xí)，若要采用改進的LVQ2，可將其設(shè)為learnlv2。首先，設(shè)置好步長、誤差目標(biāo)、學(xué)習(xí)率等相關(guān)訓(xùn)練參數(shù)后，采用net=train(net,P _train,T _train)語句進行訓(xùn)練；其次，通過T_sim=sim(net,P_test)進行檢測邊緣；最后，依據(jù)檢測輸出結(jié)果對圖像進行邊緣點標(biāo)注。

3仿真結(jié)果及分析

從某醫(yī)院的影像中心，選取300多幅不同層的腦部CT圖像，隨機抽取200幅圖。在進行格式轉(zhuǎn)換及包含最多感興區(qū)域裁剪處理后，在Matlab2010平臺上，按照2.2節(jié)所述的訓(xùn)練樣本集收集方法，完成訓(xùn)練樣本集的數(shù)據(jù)整理。

通過2.2節(jié)所述的網(wǎng)絡(luò)訓(xùn)練方法，經(jīng)多次參數(shù)試湊實驗，最終在學(xué)習(xí)率為0.2，目標(biāo)誤差為0.01，訓(xùn)練步長為1 000步的參數(shù)下，所構(gòu)建的3-10-2結(jié)構(gòu)網(wǎng)絡(luò)模型有較好的邊緣檢測適應(yīng)能力。網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，即輸入特征量為3項，輸入層有10個神經(jīng)元，輸出層有2個神經(jīng)元。

圖3　網(wǎng)絡(luò)模型圖

訓(xùn)練后各層的權(quán)重參數(shù)w1、w2分別如式(8)、(9)所示。

(8)

(9)選取未參加網(wǎng)絡(luò)訓(xùn)練的100幅圖像，對所構(gòu)建的網(wǎng)絡(luò)模型進行測試。圖4、5為部分圖像的實驗結(jié)果，其他圖像的檢測效果均與其相似。由圖可知：用傳統(tǒng)Sobel邊緣算法得到的結(jié)果多處存在偽邊與漏檢情況；從LVQ1神經(jīng)網(wǎng)絡(luò)算法輸出結(jié)果看，邊緣信息與原圖像真實邊緣基本相符，邊緣相對連續(xù)、清晰，但在執(zhí)行時間上遠大于Sobel算法執(zhí)行時間。用LVQ1與LVQ2 2種方法進行檢測對比，發(fā)現(xiàn)LVQ2檢測結(jié)果并無明顯改善，且LVQ2算法的運行時間較長。

(a)原灰度圖象

(b)中值特征量圖像

(c)方向性信息特征圖像

(d)Kirsch算子方向特征圖像

(e)Sobel邊緣檢測輸出圖像

(f)LVQ神經(jīng)網(wǎng)絡(luò)檢測輸出圖像

(a)原灰度圖象

(b)中值特征量圖像

(c)方向性信息特征圖像

(d)Kirsch算子方向特征圖像

(e)Sobel邊緣檢測輸出圖像

(f)LVQ神經(jīng)網(wǎng)絡(luò)檢測輸出圖像

4結(jié)論

鑒于中值特征量、方向性信息特征量、Kirsch算子方向特征量3項邊緣特征向量，既能有效表征圖像的邊緣特征，又能最大程度地抑制噪聲點像素的影響，將它們作為LVQ神經(jīng)網(wǎng)絡(luò)的輸入向量。在Matlab 2010平臺下，以Sobel算子邊緣檢測結(jié)果為指導(dǎo)期望輸出信息，將訓(xùn)練后的網(wǎng)絡(luò)，對多幅腦部CT圖像進行邊緣檢測仿真實驗。實驗結(jié)果表明：LVQ神經(jīng)網(wǎng)絡(luò)算法具有優(yōu)越性；運行時間相對較長，仍需進一步優(yōu)化執(zhí)行過程。

[參考文獻]

[1]曾希君，于博.基于改進BP神經(jīng)網(wǎng)絡(luò)圖像邊緣檢測的研究[J].微電子學(xué)與計算機，2009，26(8)：215-218.

[2]SHEN J，CASTAN S.An optimal linear operator for step edge detection[J].CVGIP,1992,54(2):112-113.

[3]秦然.基于神經(jīng)網(wǎng)絡(luò)的CT 腦血管圖像邊緣檢測算法[J].電子測量與儀器學(xué)報，2010，24(4)：346-351.

[4] 雷印勝,王明時,秦然.基于Gabor濾波器虛部的CT腦血管醫(yī)學(xué)圖像邊緣特征提取方法[J].天津大學(xué)學(xué)報,2007(7)：833-838.

[5]楊杰，占君，張繼傳.MATLAB神經(jīng)網(wǎng)絡(luò)30例[M].北京：電子工業(yè)出版社，2014.

[6]王雅紅.基于LVQ神經(jīng)網(wǎng)絡(luò)數(shù)字圖像邊緣檢測算法的研究 [D].太原：太原理工大學(xué)，2005：29-32.

[7]FURUKAWA Y,PONCE J.Carved visual hulls for image-based modeling[J].International Journal of Computer Vision,2009,81(1):53-67.

[8]馬學(xué)磊，商澤利.基于噪聲點檢測的中值濾波方法[J].現(xiàn)代電子技術(shù)，2008(1)：150-155.

[9]張琳.基于Kirsch算子的圖像邊緣檢測[D].大慶：東北石油大學(xué)，2014：20-28.

責(zé)任編輯：陳亮

An Edge Detection Method for Brain CT Scan Images Based on LVQ Neural Network

ZHANG Xihong1,2

(1.Bozhou Vocational and Technical College,Bozhou 236800;2.School of Control Science and Engineering,Shandong University,Ji′nan 250061)

Abstract：An edge detection method for brain CT scan images using LVQ neural network is studied to enhance the accuracy of edge detection.First,the traditional Sobel algorithm is used to detect the edge of brain CT scan images as the teacher′s signal for network learning.Second,the value of the median,the direction of information characteristics,the direction of the characteristics of the Krisch operator of brain CT scan images are adopted as the input signal of the LVQ neural network to conduct network training.Finally,the trained neural network is used for edge detection.Comparison of computer simulations on Matlab 2010 shows that the improved method can achieve a credible result and has a better detection effect than the traditional Sobel algorithm.

Key words：neural network;edge detection;brain CT scan image

中圖分類號：TP391

文獻標(biāo)志碼：A

文章編號：1671- 0436(2016)01- 0015- 05

作者簡介：張喜紅(1983—)，男，碩士，技師，講師。

基金項目：山東省科學(xué)技術(shù)廳科技重大專項(新興產(chǎn)業(yè))立項項目(2015ZDXX0801A01)；安徽省教育廳高等學(xué)校省級教學(xué)質(zhì)量與教學(xué)改革工程項目(2011131)

收稿日期：2015-12- 07

doi:10.3969/j.issn.1671-0436.2016.01.004