基于最小交叉熵的改進(jìn)PCNN楊梅圖像分割算法

徐黎明,呂繼東

(1．常州大學(xué)信息科學(xué)與工程學(xué)院，江蘇常州 213164；2．江蘇城鄉(xiāng)建設(shè)職業(yè)學(xué)院建筑設(shè)備系，江蘇常州 213147)

?

基于最小交叉熵的改進(jìn)PCNN楊梅圖像分割算法

徐黎明1,2,呂繼東1*

(1．常州大學(xué)信息科學(xué)與工程學(xué)院，江蘇常州 213164；2．江蘇城鄉(xiāng)建設(shè)職業(yè)學(xué)院建筑設(shè)備系，江蘇常州 213147)

針對(duì)傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse coupled neural network,PCNN)模型復(fù)雜、迭代次數(shù)需要人工試驗(yàn)調(diào)整等缺點(diǎn)，對(duì)PCNN模型進(jìn)行改進(jìn)，提出了一種基于色差分量R-G和改進(jìn)PCNN模型的楊梅圖像分割方法.首先用楊梅圖像的R-G色差分量作為輸入；然后選用最小交叉熵準(zhǔn)則，自適應(yīng)生成PCNN的迭代次數(shù)；最后通過(guò)PCNN迭代實(shí)現(xiàn)楊梅圖像的自動(dòng)分割.實(shí)驗(yàn)結(jié)果表明，此方法與傳統(tǒng)方法相比，能夠有效避免背景干擾，提升了圖像分割質(zhì)量，分割結(jié)果更符合楊梅果實(shí)的特征.

脈沖耦合神經(jīng)網(wǎng)絡(luò)；顏色特征；最小交叉熵；圖像分割

以往楊梅采摘主要靠人手工完成，不僅效率低下，而且因?yàn)椴烧患皶r(shí)，導(dǎo)致果實(shí)腐爛在樹上，從而影響產(chǎn)量，造成損失[1].如果對(duì)楊梅實(shí)行自動(dòng)采摘，就可以有效降低成本，提高采摘效率.楊梅采摘機(jī)器人研究的關(guān)鍵就是進(jìn)行果實(shí)的識(shí)別和定位，而識(shí)別和定位的準(zhǔn)確性往往取決于圖像分割的結(jié)果.

果實(shí)圖像分割常用的方法主要有基于閾值的分割法、基于邊緣檢測(cè)的分割法、基于聚類的分割法、基于區(qū)域的分割法和基于神經(jīng)網(wǎng)絡(luò)等特定理論的分割方法.如崔永杰等[2]提出綜合應(yīng)用果實(shí)顏色和形狀特征，選用R-G色差分量，用Otsu方法對(duì)獼猴桃果實(shí)圖像進(jìn)行閾值分割；羅陸鋒等[3]根據(jù)葡萄彩色圖像的顏色特征，提出了用改進(jìn)的人工蜂群優(yōu)化模糊聚類算法對(duì)葡萄圖像進(jìn)行分割的方法；鄭向陽(yáng)等[4]提出使用基于貝葉斯決策分類模型的分割方法對(duì)橘子果實(shí)圖像進(jìn)行分割；宋懷波等[5]提出使用K-means 聚類分割算法結(jié)合凸殼理論進(jìn)行蘋果圖像的分割與重建；彭紅星等[6]提出使用基于蜂王交配結(jié)合精英選擇、截?cái)噙x擇分階段的改進(jìn)演化算法對(duì)水果圖像進(jìn)行分割.由于自然環(huán)境的復(fù)雜性、不同果實(shí)的不同特性，針對(duì)特定水果的圖像分割算法有一定的局限性和應(yīng)用范圍，而目前對(duì)楊梅果實(shí)的圖像分割則鮮有相關(guān)研究.

傳統(tǒng)的PCNN模型過(guò)于復(fù)雜，其迭代次數(shù)應(yīng)自行設(shè)定，相應(yīng)分割結(jié)果依賴性較強(qiáng)，而采摘機(jī)器人工作過(guò)程中需自適應(yīng)完成圖像分割，為此，文中在借鑒上述文獻(xiàn)的基礎(chǔ)上，對(duì)PCNN算法進(jìn)行改進(jìn)，使得迭代次數(shù)自適應(yīng)生成，而后用于楊梅圖像的分割.

1 改進(jìn)的PCNN算法

脈沖神經(jīng)網(wǎng)絡(luò)(PCNN)是一種基于高級(jí)哺乳動(dòng)物視覺(jué)特性仿生技術(shù)的人工神經(jīng)網(wǎng)絡(luò)，由多個(gè)基本神經(jīng)元組合而成，其中每個(gè)神經(jīng)元對(duì)應(yīng)于圖像的一個(gè)像素點(diǎn).神經(jīng)網(wǎng)絡(luò)由接收域、調(diào)制部分和脈沖發(fā)生器 3部分組成，當(dāng)一個(gè)神經(jīng)元被激發(fā)時(shí)，相鄰區(qū)域中與它相似的神經(jīng)元也被同步激發(fā)，這被稱為PCNN 網(wǎng)絡(luò)的捕獲特性，在邊緣檢測(cè)、細(xì)化、圖像分割、識(shí)別等方面有很多應(yīng)用[7].用PCNN模型進(jìn)行圖像分割，不用預(yù)先選擇需要處理的空間范圍，而是利用圖像的灰度與結(jié)構(gòu)這兩個(gè)自然屬性，通過(guò)調(diào)節(jié)神經(jīng)元的聯(lián)接強(qiáng)度，對(duì)圖像進(jìn)行相應(yīng)的分割，因此分割效果更好.但傳統(tǒng)的PCNN模型參數(shù)的選擇靠經(jīng)驗(yàn)設(shè)定，需要對(duì)每一幅圖像反復(fù)實(shí)驗(yàn)才能得到適合的數(shù)值，致使人機(jī)交互工作量大，無(wú)法實(shí)現(xiàn)自動(dòng)化.因此，有很多研究對(duì)PCNN模型進(jìn)行改進(jìn)[8-13].文中采用簡(jiǎn)化的PCNN模型，基于最小交叉熵準(zhǔn)則，自動(dòng)生成PCNN的迭代次數(shù),從而改進(jìn)PCNN圖像分割算法.

1.1 簡(jiǎn)化的PCNN模型

應(yīng)用簡(jiǎn)化的PCNN模型處理二維圖像時(shí)，將每個(gè)像素的灰度值Iij作為神經(jīng)元的外部激勵(lì),其描述為[14]250

(1)

(2)

(3)

(4)

(5)

其中，n為迭代次數(shù)；Iij[n]為輸入刺激信號(hào)；Fij[n]為神經(jīng)元(i,j)的第n次迭代反饋輸入；Wijkl為神經(jīng)元之間的連接權(quán)值；α為時(shí)間衰減系數(shù)；β為連接強(qiáng)度系數(shù);Lij[n]為第n次迭代連接項(xiàng)；Uij[n]為第n次迭代內(nèi)部活動(dòng)項(xiàng)；θij[n]為第n次迭代動(dòng)態(tài)門限；Yij[n]為第n次迭代所對(duì)應(yīng)的脈沖耦合神經(jīng)元(i,j)的輸出值[15].

1.2 最小交叉熵

最小交叉熵描述的是分割前后圖像信息量的差異，除對(duì)圖像中目標(biāo)和背景沒(méi)有比例要求之外，對(duì)圖像還具有一定的平滑能力，可以有效抑制噪聲[16].具體計(jì)算公式為[17]166

(6)

(7)

(8)

(9)

(10)

(11)

其中，L為灰度級(jí)，一般L=256；(S*,T*)T為最小交叉熵對(duì)應(yīng)的最佳閾值向量；D(S,T)為對(duì)應(yīng)的二維交叉熵函數(shù)；uP(S,T)和uQ(S,T)分別為分割后的目標(biāo)和背景的灰度；P(S,T)和Q(S,T)分別為目標(biāo)和背景兩類區(qū)域的先驗(yàn)概率；p(i,j)為二元組(i,j)在圖像和其鄰域平滑圖像中出現(xiàn)的概率.記r(i,j)為圖像中灰度級(jí)為i鄰域平均灰度級(jí)為j的像素點(diǎn)個(gè)數(shù)，則p(i,j)和r(i,j)滿足

(12)

1.3 最小交叉熵準(zhǔn)則生成迭代次數(shù)

在用改進(jìn)的PCNN模型進(jìn)行圖像分割時(shí)，每次迭代后輸出的序列Y[n]為一個(gè)二值圖像，而這個(gè)二值圖像就是輸出分割圖像.傳統(tǒng)的PCNN分割算法，往往需要根據(jù)多次試驗(yàn)人工調(diào)整設(shè)置迭代的次數(shù)，從而使分割的結(jié)果帶有隨機(jī)性.因此，如何選擇最佳的迭代次數(shù)，得到最佳分割結(jié)果，是改進(jìn)PCNN分割算法的關(guān)鍵.

文中結(jié)合最小交叉熵作為迭代控制準(zhǔn)則，把求取最小交叉熵的過(guò)程，作為求取PCNN的迭代次數(shù)n的過(guò)程.在迭代過(guò)程中，計(jì)算每次迭代后輸出的二值圖像與分割前原圖像的交叉熵是否達(dá)到最小，使得分割前后圖像信息量差異最小，而獲得的最小交叉熵時(shí)的迭代次數(shù)Nmax，就是所需的PCNN迭代次數(shù)，對(duì)應(yīng)的輸出序列構(gòu)成的二值圖像Y[n]，即為自動(dòng)分割的理想結(jié)果.

2 基于改進(jìn)PCNN模型的楊梅圖像分割算法

2.1 顏色空間和顏色特征的選取

在進(jìn)行采摘機(jī)器人果實(shí)識(shí)別研究時(shí)，除了常用的RGB顏色空間之外，還采用CMY，HSV，XYZ，Lab，HIS等顏色空間.采用RGB顏色空間對(duì)一些由復(fù)雜顏色組成的圖像進(jìn)行顏色分離，雖然有時(shí)會(huì)造成誤分離，但由于它是圖像處理中最基礎(chǔ)、最常見(jiàn)的一種顏色模式，直接采用了與硬件相同的顏色系統(tǒng)，而自然界的光色又都是由紅(R)、綠(G)、藍(lán)(B)這三基色加權(quán)混合而成，因此采集的圖像數(shù)據(jù)無(wú)需經(jīng)過(guò)顏色模式的轉(zhuǎn)換，可直接應(yīng)用，增加了實(shí)時(shí)性[18].

在自然場(chǎng)景下，由于光線明暗不一，成像條件多變，造成場(chǎng)景的多樣化，而且楊梅圖像要去除的背景往往有樹枝、樹葉、未成熟的楊梅和天空等.再者RGB顏色空間受光照的影響較大，如果將RGB三個(gè)分量交織在一起，將無(wú)法直接分割.通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，成熟楊梅與其背景R-G顏色特征有明顯的差異，將R-G作為PCNN 網(wǎng)絡(luò)分割輸入量，用一維代替原有圖像的三維，能夠提高分割效率.

2.2 基于改進(jìn)PCNN模型的楊梅圖像分割算法

1)對(duì)楊梅圖像用R-G顏色特征進(jìn)行處理，將R-G作為分割前的輸入.

2)進(jìn)行參數(shù)初始化.令α=0.1,β=0.1,W=[0.707 1 0.707;1 0 1;0.707 1 0.707].

3)自適應(yīng)求取最小交叉熵所對(duì)應(yīng)的迭代次數(shù).

4)啟動(dòng)耦合連接PCNN網(wǎng)絡(luò)，進(jìn)行圖像分割的迭代，直到達(dá)到迭代次數(shù)，停止網(wǎng)絡(luò)的迭代，此時(shí)得到的圖像分割效果最為理想.

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證文中提出的基于改進(jìn)PCNN模型的楊梅果實(shí)圖像分割算法的效果，以不同光照下的成熟楊梅圖像為例(試驗(yàn)圖像從江蘇省馬山楊梅種植區(qū)自然環(huán)境下拍攝，數(shù)碼相機(jī)的型號(hào)為Canon Digital Ixus 200 IS；分辨率統(tǒng)一調(diào)整為640×480.所拍品種為烏梅種，目標(biāo)為成熟期果實(shí).拍攝角度多樣，拍攝距離依采摘機(jī)器人視覺(jué)傳感器的工作距離而定.)，采用Matlab 8.0編程仿真，進(jìn)行楊梅果實(shí)圖像的分割實(shí)驗(yàn).

圖1 原始圖像Fig 1The original images

圖2 直接進(jìn)行PCNN分割的結(jié)果Fig 2The results of PCNN segmentation directly

圖3 R-G預(yù)處理圖像Fig 3The images after preprocessing

圖1是拍攝的楊梅圖像，圖2是沒(méi)有R-G預(yù)處理進(jìn)行PCNN圖像分割的結(jié)果.由于沒(méi)有進(jìn)行R-G預(yù)處理，圖像中除了楊梅之外，還含有樹枝、樹葉、天空等背景，不能清晰地分割出楊梅圖像，因此分割的效果很不理想.

圖3是進(jìn)行了R-G預(yù)處理后的結(jié)果.

為了驗(yàn)證文中方法的有效性，分別用傳統(tǒng)的PCNN算法和文中算法對(duì)楊梅圖像進(jìn)行分割.

圖4是進(jìn)行R-G預(yù)處理后，用原始PCNN模型進(jìn)行分割的結(jié)果，在分割前要分別設(shè)定所有參數(shù)，如幅度常數(shù)、鏈接系數(shù)、衰減系數(shù)和迭代參數(shù)等，實(shí)驗(yàn)結(jié)果充滿了隨機(jī)性，而且分割時(shí)間較長(zhǎng).

圖5是進(jìn)行R-G預(yù)處理后，用文中算法進(jìn)行分割的結(jié)果.可以看出，分割結(jié)果符合楊梅果實(shí)的特征，分割效果好.

圖4 基于R-G用傳統(tǒng)PCNN算法進(jìn)行分割的結(jié)果Fig 4 The segmentation results with traditional PCNN algorithm based on the R-G

圖5 基于R-G用改進(jìn)的PCNN算法進(jìn)行分割的結(jié)果Fig 5 The segmentation results with improved PCNN algorithm based on the R-G

[1] 劉淑珍，張玉寶．楊梅采摘機(jī)械手研究展望[J].農(nóng)機(jī)化研究，2009，12(12)：225．

[2] 崔永杰，蘇帥，王霞霞，等．基于機(jī)器視覺(jué)的自然環(huán)境中獼猴桃識(shí)別與特征提取[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(5)：247．

[3] 羅陸鋒，鄒湘軍，熊俊濤，等．自然環(huán)境下葡萄采摘機(jī)器人采摘點(diǎn)的自動(dòng)定位[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31(2)：14．

[4] 鄭向陽(yáng)，何倩．基于信息熵原理的水果定位檢測(cè)方法[J].計(jì)算機(jī)仿真，2012，29(4)：279．

[5] 宋懷波，張傳棟，潘景朋，等．基于凸殼的重疊蘋果目標(biāo)分割與重建算法[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29(3)：163．[6] 彭紅星，鄒湘軍，陳琰，等．基于演化算法的水果圖像分割[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30(18)：294．

[7] ECKHORN R，REITBOECK H J，ARNDT M，et al．Feature linking via synchronization among distributed assemblies:simulations of results from cat visual cortex[J].NeuralComputation，1990，2(3)：293．

[8] 鄧翔宇，馬義德．基于PCNN的自動(dòng)圖像分割[J].蘭州工業(yè)學(xué)院學(xué)報(bào)，2014，21(3)：1．

[9] 常莎，鄧紅霞，李海芳．基于強(qiáng)度PCNN的靜態(tài)圖像人臉識(shí)別[J].太原理工大學(xué)學(xué)報(bào)，2015，46(1)：89．

[10] 周東國(guó)，高潮，郭永彩．一種參數(shù)自適應(yīng)的簡(jiǎn)化 PCNN 圖像分割方法[J].自動(dòng)化學(xué)報(bào)，2014，40(6)：1191．

[11] 馬海榮，程新文．基于灰度相關(guān)性的改進(jìn)PCNN圖像自動(dòng)分割算法[J].微電子學(xué)與計(jì)算機(jī)，2014，31(11)：10．

[12] 王博，萬(wàn)磊，李曄，等．基于自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的水平激光圖像分割方法[J].光學(xué)學(xué)報(bào)，2015，35(4)：1．

[13] 聶仁燦，周冬明，趙東風(fēng)．基于Unit-Linking PCNN和圖像熵的圖像分割新方法[J].系統(tǒng)仿真學(xué)報(bào)，2008，20(1)：222.

[14] 姚暢，陳后金，荊濤，等．一種基于改進(jìn)的PCNN的視網(wǎng)膜血管樹提取方法[J].光電子激光，2011，22(11)：1745．

[15] YANG Na，CHEN Hou-jin，LI Yan-feng，et al．Coupled parameter optimization of PCNN model and vehicle image segmentation[J].JTranspnSysEng&IT，2012，12(1)：48.

[16] 劉勍，馬義德，錢志柏．一種基于交叉熵的改進(jìn)型PCNN圖像自動(dòng)分割新方法[J].中國(guó)圖象圖形學(xué)報(bào)，2005，10(5)：579．

[17] 陳世文，劉越暢．一種基于最小交叉熵的canny邊緣檢測(cè)算法[J].電視技術(shù)，2013，37(1)：165．

[18] 崔淑娟，李?。谏钚畔⒌某墒焯O果識(shí)別[J].西北大學(xué)學(xué)報(bào)(自然科學(xué)版)，2011，41(6)：993．

(責(zé)任編輯 惠松騏)

Improved PCNN bayberry image segmentation algorithm based on minimum cross entropy

XU Li-ming1,2，Lü Ji-dong1

(1.School of Information Science and Engineering，Changzhou University,Changzhou 213164,Jiangsu,China;2.Department of Construction Equipment,Jiangsu Urban and Rural Construction College，Changzhou 213147,Jiangsu,China)

For the shortcomings of traditional pulse coupled neural net,such as model complexity,the number of iterations need to be manually adjusted,in this paper,PCNN model is improved,and a segmentation method based on R-G color component and improved PCNN model is put forward.Firstly,R-G color component of the bayberry image is used as input based on a simplified PCNN model.Then,the minimum cross entropy criterion is used to generate the iterations of PCNN.Finally,the bayberry image segmentation is achieved automatic with PCNN iteration.The results show that this method could effectively avoid background noise and enhance the quality of image segmentation compared with the traditional PCNN model algorithms,and make the results of the segmentation more in line with the characteristics of bayberry fruit.

PCNN;color feature;minimum cross entropy;image segmentation

10.16783/j.cnki.nwnuz.2016.01.010

2015-04-13;修改稿收到日期:2015-07-10

江蘇省自然科學(xué)青年基金資助項(xiàng)目(BK20140266);江蘇省高校自然科學(xué)研究面上項(xiàng)目(14KJB210001);江蘇省高等職業(yè)院校國(guó)內(nèi)高級(jí)訪問(wèn)學(xué)者計(jì)劃資助項(xiàng)目(2014FX031);常州大學(xué)科研啟動(dòng)費(fèi)資助項(xiàng)目(ZMF13020019)

徐黎明(1974— )，女，江蘇南通人，副教授，碩士.主要研究方向?yàn)閳D像處理．

E-mail:892188160@qq.com

TP 391.41

A

1001-988Ⅹ(2016)01-0043-04

*通訊聯(lián)系人，男，講師，博士.主要研究方向?yàn)闄C(jī)器人視覺(jué)測(cè)量與控制.E-mail:vveaglevv@163.com.