一種基于PCNN的圖像分割改進(jìn)算法

史紅亮

(昆明冶金高等?？茖W(xué)校電氣與機(jī)械學(xué)院，云南 昆明 650033)

0 引 言

脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network ,PCNN)被譽(yù)為第三代人工神經(jīng)網(wǎng)絡(luò)，是Eckhorn通過(guò)觀察和模擬貓的視覺(jué)皮層神經(jīng)細(xì)胞活動(dòng)而建立的簡(jiǎn)化模型，由于其在信息處理方面獨(dú)特的生物學(xué)特性，已廣泛應(yīng)用于圖像分割、模式識(shí)別等方面[1]。但因其模型參數(shù)設(shè)置復(fù)雜，迭代次數(shù)較多，降低了模型的通用性。本文提出了一種快速PCNN圖像分割算法，無(wú)需人工設(shè)置參數(shù)，僅需一次迭代便可完成圖像分割。

1 PCNN模型及改進(jìn)

1.1 改進(jìn)前PCNN基本模型

PCNN是由若干個(gè)神經(jīng)元互連而構(gòu)成的反饋型網(wǎng)絡(luò)，每個(gè)神經(jīng)元的工作原理主要由接收部分、調(diào)整部分和脈沖產(chǎn)生3部分組成，用離散數(shù)學(xué)迭代方程描述如下所示[2-3]：

(1)

式(1)中下標(biāo)ij為神經(jīng)元在神經(jīng)網(wǎng)絡(luò)中的位置標(biāo)號(hào)；Sij、Fij、Lij、Uij、Eij、Yij分別表示神經(jīng)元的外部刺激(這里為圖像像素構(gòu)成的矩陣中第ij像素的灰度值)、反饋輸入、連接輸入、內(nèi)部活動(dòng)項(xiàng)、動(dòng)態(tài)閾值和每一次迭代結(jié)果；M和W為連接矩陣，通常情況下兩者相等；VF、VL、VE分別為Fij、Lij、Eij的幅度常數(shù)；αF、αL、αE分別為Fij、Lij、Eij的衰減時(shí)間常數(shù)；β為連接系數(shù)。

1.2 PCNN模型的改進(jìn)

一幅數(shù)字圖像可以理解為一個(gè)同樣大小的二維PCNN神經(jīng)網(wǎng)絡(luò)，像素的灰度值對(duì)應(yīng)為每個(gè)神經(jīng)元在相應(yīng)位置的輸入[4]。每個(gè)神經(jīng)元的動(dòng)態(tài)閾值隨迭代次數(shù)的增加而逐漸衰減，當(dāng)該神經(jīng)元的內(nèi)部活動(dòng)項(xiàng)高于其動(dòng)態(tài)閾值時(shí)，神經(jīng)元點(diǎn)火，同時(shí)對(duì)鄰近神經(jīng)元產(chǎn)生一個(gè)外部激勵(lì)。若未點(diǎn)火的鄰近神經(jīng)元在接受外部激勵(lì)后內(nèi)部活動(dòng)項(xiàng)大于其動(dòng)態(tài)閾值，則會(huì)被捕獲點(diǎn)火；并且其所在鄰域總體灰度值越高，越容易被捕獲點(diǎn)火[5]。因此，本文將連接系數(shù)β由固定值改為式(2)：

(2)

(3)

S(i,j)為圖像矩陣m×n中的像素位置坐標(biāo)ij處的灰度值。簡(jiǎn)化后的離散數(shù)學(xué)迭代方程表達(dá)式如下：

(4)

圖1 PCNN改進(jìn)模型Fig.1 Improved model of PCNN

2 實(shí)驗(yàn)及分析

2.1 實(shí)驗(yàn)環(huán)境

將本文方法與大津法以及常規(guī)PCNN模型進(jìn)行比較，經(jīng)過(guò)大量實(shí)驗(yàn)，并選擇圖像為256×256的Lena圖像和自然條件下的鐵軌圖像進(jìn)行典型實(shí)驗(yàn)結(jié)果對(duì)比，處理器類型為Intel Xeon E3-1230 v3、8 GB RAM。

2.2 實(shí)驗(yàn)結(jié)果

圖2中，(a)為L(zhǎng)ena原圖像，(b)、(c)、(d)分別為大津法、傳統(tǒng)PCNN方法以及本文方法分割后的結(jié)果。由分割結(jié)果可知，利用大津法分割的圖像面部特征丟失嚴(yán)重，存在明顯過(guò)分割現(xiàn)象。與另外2種方法相比，傳統(tǒng)PCNN法對(duì)細(xì)節(jié)過(guò)于敏感，不能夠有效劃分背景與目標(biāo)，且存在欠分割現(xiàn)象。

圖3中，(a)為鐵軌原圖像，(b)、(c)、(d)分別為大津法、傳統(tǒng)PCNN方法以及本文方法分割后的結(jié)果。對(duì)比結(jié)果可知，傳統(tǒng)PCNN法和本文方法分割效果優(yōu)于大津法，但傳統(tǒng)PCNN法存在欠分割現(xiàn)象導(dǎo)致左下部分鐵軌目標(biāo)與背景分割不完全。以上3種方法，并沒(méi)有克服光照不均勻影響帶來(lái)的缺陷。

圖2 Lena圖像分割結(jié)果對(duì)比Fig.2 Comparison of Lean image segmentation results

圖3 自然環(huán)境下的鐵軌圖像分割結(jié)果對(duì)比Fig.3 Comparison of railway track image segmentation results in natural environment

2.3 實(shí)驗(yàn)指標(biāo)及對(duì)比分析

為了客觀地評(píng)價(jià)各種算法，本文采用區(qū)域內(nèi)部均勻性準(zhǔn)則UM和形狀測(cè)度準(zhǔn)則SM來(lái)評(píng)價(jià)分割結(jié)果的優(yōu)劣。區(qū)域均勻性準(zhǔn)則反映分割圖像中各區(qū)域內(nèi)部的均勻程度；形狀測(cè)度準(zhǔn)則是衡量目標(biāo)輪廓光滑程度的一個(gè)指標(biāo)。兩者值越大，說(shuō)明分割效果越好。

(5)

式(5)中，f(x,y)表示圖像矩陣在位置坐標(biāo)(x,y)處的灰度值;Ri表示圖像中第i個(gè)區(qū)域;Ai表示其面積;A表示總面積;fN(x,y)為鄰域N(x,y)的灰度值;t為灰度閥值;Δ(x,y)為廣義梯度;C為歸一化因子。

由表1計(jì)算得出的值可以看出，本文方法所得圖像區(qū)域內(nèi)部均勻性值和形狀測(cè)度值都比較大，說(shuō)明本文方法分割的圖像各區(qū)域內(nèi)部更加均勻，邊緣更加光滑。本文方法在分割Lena圖像時(shí)，形狀測(cè)度值與大津法相比較小，是因?yàn)榇蠼蚍ㄔ诜指顖D像時(shí)由于過(guò)分割而丟失了部分信息。

算法時(shí)間復(fù)雜度是評(píng)價(jià)一種算法優(yōu)劣的重要因素之一，如表2所示，對(duì)于圖像矩陣m×n，k為連接矩陣W的寬度，s為算法的迭代次數(shù)。對(duì)比可知，隨著迭代次數(shù)的增加，傳統(tǒng)PCNN方法的時(shí)間復(fù)雜度呈指數(shù)增加，處理時(shí)間較長(zhǎng)；而本文方法僅需一次迭代，時(shí)間復(fù)雜度低，處理速度快。

表1 不同算法性能比較

表2 兩種算法的時(shí)間復(fù)雜度對(duì)比

3 結(jié) 語(yǔ)

本文提出了一種改進(jìn)PCNN的快速圖像分割算法，在確定PCNN模型的連接系數(shù)β與點(diǎn)火門限E時(shí)，采用動(dòng)態(tài)確定β值和固定E值，并對(duì)模型其它參數(shù)進(jìn)行簡(jiǎn)化。實(shí)驗(yàn)分析證明：本文提出的方法優(yōu)于傳統(tǒng)方法。但是，對(duì)于受光照不均勻影響嚴(yán)重的自然條件下的圖像，本算法還有不足，因此，如何提高算法處理復(fù)雜自然環(huán)境下圖像的能力，有待后續(xù)研究。