一種基于LoG算子的量子圖像邊緣檢測(cè)算法

吳瓊,馬雷

(華東師范大學(xué)物理與電子科學(xué)學(xué)院理論物理研究所,上海 200241)

0 引言

隨著科技的發(fā)展,計(jì)算機(jī)技術(shù)也日新月異。圖像作為人類(lèi)獲取信息的主要來(lái)源之一,在醫(yī)學(xué)、航空航天等領(lǐng)域有著重要作用。在數(shù)字圖像處理中,必須從大量數(shù)據(jù)中提取重要信息,圖像的邊緣提取可以消除圖像的無(wú)關(guān)信息,從而保留圖像的特征,減少冗余信息量,為后續(xù)工作打下基礎(chǔ),所以圖像邊緣檢測(cè)技術(shù)是數(shù)字圖像處理領(lǐng)域最核心的技術(shù)之一。近年來(lái),隨著網(wǎng)絡(luò)和多媒體技術(shù)的發(fā)展,圖像數(shù)據(jù)庫(kù)變得越來(lái)越龐大,如何實(shí)現(xiàn)圖像邊緣的實(shí)時(shí)精確定位和提取成為一個(gè)亟需解決的難題。

量子計(jì)算與量子信息是一門(mén)新興的交叉學(xué)科,涉及物理學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)和信息科學(xué)等領(lǐng)域。由于量子計(jì)算基于量子態(tài)的疊加性,既可以降低圖像的存儲(chǔ)空間,又可以減小計(jì)算的復(fù)雜度。目前為止,量子圖像處理已經(jīng)在圖像加密[1]、圖像水印[2]、圖像分割[3]等問(wèn)題上取得了一定的突破,近年來(lái),人們對(duì)量子圖像邊緣算法進(jìn)行了大量研究。

2015年,基于量子圖像的靈活表示(FRQI)[4]模型,Zhang等[5]提出了一種新型量子圖像邊緣提取算法—Qsobel算法。基于數(shù)字圖像增強(qiáng)量子表示(NEQR)模型[6],Fan等[7]在2019年提出了改進(jìn)的量子拉普拉斯算法;2020年,Li等[8]提出了經(jīng)典Marr-Hildreth邊緣檢測(cè)(即LoG算法)的量子實(shí)現(xiàn)。但是,對(duì)于經(jīng)典邊緣檢測(cè)算法中涉及的卷積運(yùn)算,這些基于FRQI、NEQR模型的量子邊緣檢測(cè)算法在量子電路上的操作十分復(fù)雜。

2017年,Yao等[9]提出一種新的量子圖像表示―量子概率編碼(QPIE)模型,他們將圖像的像素值用量子態(tài)的概率幅表示,圖像的像素位置用量子態(tài)的基態(tài)表示,并且提出了量子Hardmard邊緣檢測(cè)(QHED)算法,用一個(gè)Hardmard門(mén)就做到了相鄰像素相減的效果,從而粗略地得到了一個(gè)圖像的邊緣,此算法完全不依賴于圖像的大小。

綜上所述,盡管量子圖像處理近年來(lái)已經(jīng)取得不少成果,但它還遠(yuǎn)未發(fā)展成熟,仍有不少工作需要去做,例如運(yùn)用更簡(jiǎn)易的操作完成量子邊緣提取算法。本文基于經(jīng)典LoG算法提出了一種新的量子圖像邊緣檢測(cè)算法,并通過(guò)計(jì)算機(jī)模擬計(jì)算證明了其有效性和可行性。然后,在圖像中加入了連續(xù)變化的退相干數(shù)據(jù),考察了該算法對(duì)噪聲的敏感程度,結(jié)果表明在量子存儲(chǔ)和量子計(jì)算過(guò)程中所發(fā)生的退相干在一定范圍內(nèi)對(duì)該量子LoG邊緣檢測(cè)算法并無(wú)較大影響,量子LoG圖像邊緣檢測(cè)算法能夠滿足圖像的高保真度要求。而對(duì)于環(huán)境干擾產(chǎn)生的噪聲影響,該量子算法在噪聲發(fā)生概率較低的范圍內(nèi)表現(xiàn)出較高的保真度。最后,通過(guò)與其他量子算法進(jìn)行比較,證明本文所提出量子LoG圖像邊緣檢測(cè)算法量子成本低,且抗噪性較好。

1 經(jīng)典LoG算法

拉普拉斯算子是經(jīng)典的邊緣提取算子之一,用于邊界檢測(cè)時(shí)具有簡(jiǎn)單、計(jì)算速度快、容易實(shí)現(xiàn)等好處,但由于其對(duì)噪聲太敏感,對(duì)信噪比不太高的圖像,檢測(cè)出邊界的準(zhǔn)確率會(huì)大打折扣。為了減少噪聲帶來(lái)的影響,可以使用濾波器對(duì)圖像進(jìn)行濾波處理,其中高斯濾波器就是一種較為常用的濾波器。對(duì)于圖像,一般采用二維高斯函數(shù),通過(guò)高斯濾波和拉普拉斯算子處理可以得到輸出圖像h(x,y)=?2[g(x,y)*f(x,y)],式中*代表卷積運(yùn)算,g(x,y)是二維高斯函數(shù),f(x,y)是原圖像,(x,y)是圖像的橫、縱坐標(biāo)[10]。

在線性系統(tǒng)中微分和卷積運(yùn)算可以交換次序,可得

也稱為L(zhǎng)oG算子(高斯-拉普拉斯算子),σ是正態(tài)分布的標(biāo)準(zhǔn)方差。一般使用離散的LoG算子來(lái)對(duì)圖像進(jìn)行邊緣提取。

利用上述函數(shù)構(gòu)造(2k+1)×(2k+1)的LoG卷積核,卷積核尺寸w=2k+1與σ的關(guān)系為:(INT表示取整運(yùn)算)[11]。LoG算子的單位元素可表示為

下面給出一個(gè)w=5,σ=0.7,尺寸為5×5的LoG卷積核的例子,即

2 量子LoG圖像邊緣檢測(cè)算法

量子圖像的表示有FRQI模型、NEQR模型、QPIE模型等,考慮到邊緣檢測(cè)涉及大量像素灰度值的計(jì)算,本研究采用QPIE模型表示量子圖像。

2.1 量子圖像QPIE模型

對(duì)于二維圖像Q=(Qi j)ML[9],其中Qi j為位置(i,j)處的像素值,i=1,···,M;j=1,···,L;M、L分別代表該二維圖像長(zhǎng)、寬的像素?cái)?shù)量。用向量Q來(lái)表示圖像的像素值,即Q=vec(Q)=(Q1,1,Q2,1,···,QM,1,Q1,2,···,Qi,j,···,QM,L)T。

圖像數(shù)據(jù)Q可以被映射為一個(gè)有n=log2(ML)個(gè)量子比特的純量子態(tài),其中計(jì)算基矢|k〉對(duì)像素的位置進(jìn)行編碼,系數(shù)ck對(duì)像素值進(jìn)行編碼,當(dāng)k＜ML時(shí),ck=Qi j/(∑Q2ij)1/2;當(dāng)k≥ML時(shí),ck=0。通常,在將圖像信息寫(xiě)入量子態(tài)之前要將像素值按適當(dāng)比例縮放,使所得的量子態(tài)歸一化。一旦圖像的數(shù)據(jù)以量子形式表現(xiàn)出來(lái),就可以通過(guò)各種量子算法對(duì)其進(jìn)行后續(xù)處理。

2.2 量子LoG邊緣檢測(cè)算法

根據(jù)QPIE模型,對(duì)于一個(gè)有N=ML=2n個(gè)像素的圖像Q,其可以表示為純量子態(tài)

將LOG算子模板編碼到含有5個(gè)量子比特的量子系統(tǒng)中,同樣可以得到LOG算子的量子態(tài)為

對(duì)量子態(tài)|Q〉和|QLoG〉進(jìn)行張量積運(yùn)算:|R〉=|Q〉?|QLoG〉。

定義一個(gè)概率幅置換算符U,表示為

將I2n?H?5應(yīng)用在量子態(tài)上,即

式中I2n表示一個(gè)2n×2n的單位矩陣,H?5表示5個(gè)Hardmard門(mén)直積。

對(duì)量子態(tài)進(jìn)行測(cè)量,當(dāng)后5個(gè)量子比特的結(jié)果是|00000〉時(shí),就得到了量子圖像邊緣,其量子電路如圖1。

圖1 基于LoG算子的量子圖像邊緣檢測(cè)電路Fig.1 Quantum image edge detection circuit based on LoG operator

得到原始圖像的所有邊緣像素點(diǎn)后,還可以對(duì)邊緣圖像進(jìn)行二值化,即

式中閾值T是利用最大類(lèi)間方差法計(jì)算得到的,由此可以得到邊緣圖像的二值圖。

2.3 數(shù)值模擬與仿真分析

在經(jīng)典計(jì)算機(jī)上利用Matlab軟件對(duì)量子LOG邊緣檢測(cè)算法進(jìn)行了模擬仿真計(jì)算,對(duì)四幅在數(shù)字圖像處理領(lǐng)域常用的灰度圖像進(jìn)行邊緣提取,結(jié)果如圖2所示。

圖2 量子LoG算法對(duì)圖像的邊緣檢測(cè)。(a)～(d)均為包含256 pixel×256 pixel的灰度圖像;(e)～(h)經(jīng)典LoG算法的結(jié)果;(i)～(l)量子LoG算法的仿真結(jié)果Fig.2 Quantum LoG algorithm for edge detection of images.(a)-(d)Grayscale images containing 256 pixel×256 pixel;(e)-(h)Results of classical LoG algorithm;(i)-(l)Simulation results of the quantum LoG algorithm

由圖2可見(jiàn),在圖像邊緣檢測(cè)效果的比較上,量子LoG算法并不弱于經(jīng)典LoG算法,基本保留了圖像邊緣的重要信息,且能夠檢測(cè)到更多邊緣,提取的信息更加豐富,說(shuō)明量子LoG算法在一定程度上是可以取代經(jīng)典LoG算法的,并且其運(yùn)算速度比經(jīng)典算法快得多。而相比其他的量子算法,例如文獻(xiàn)[8]中基于NEQR模型提出的Marr-Hildreth邊緣檢測(cè),對(duì)于一個(gè)有2n個(gè)像素的圖像,它需要n+23個(gè)比特,而本研究基于QPIE模型提出的量子LoG算法只需要n+5個(gè)比特,大大簡(jiǎn)化了計(jì)算的復(fù)雜度,更易于在量子計(jì)算機(jī)上實(shí)現(xiàn),這也是本研究所提出新算法的最大優(yōu)勢(shì)。

3 量子LoG圖像邊緣檢測(cè)算法的退相干分析

由于量子位、量子門(mén)和量子存儲(chǔ)器會(huì)受到外部環(huán)境和其他量子器件相互作用的影響,會(huì)發(fā)生量子糾纏,這些糾纏造成了最終圖片信息的退相干,從而丟失有價(jià)值的信息。下面考慮兩種退相干類(lèi)型的誤差,討論了退相干對(duì)量子LoG圖像邊緣檢測(cè)算法的影響。

3.1 在量子存儲(chǔ)和提取過(guò)程中發(fā)生的退相干類(lèi)型

在存儲(chǔ)和提取信息過(guò)程中,量子態(tài)可能會(huì)由于誤操作等因素產(chǎn)生一定的誤差。假設(shè)量子態(tài)中每7個(gè)比特中就有1個(gè)比特位或產(chǎn)生位翻轉(zhuǎn)型(σx型)誤差,或產(chǎn)生相位翻轉(zhuǎn)型(σz型)誤差,或產(chǎn)生混合型(σy型)誤差,可描述為

式中:p為產(chǎn)生誤差的概率,eσi為一個(gè)大小為128 pixel×128 pixel的關(guān)于σi的誤差矩陣,即

量子比特還可能同時(shí)發(fā)生三種類(lèi)型的誤差,理論上可以用此三類(lèi)誤差的線性組合表示。例如,假設(shè)三種誤差同時(shí)等概率發(fā)生,可描述為

用量子態(tài)之間的保真度來(lái)衡量?jī)蓚€(gè)圖像之間的相似度,從而檢測(cè)量子邊緣算子的抗噪性能。對(duì)于兩個(gè)純態(tài)|φ〉和|φ〉,保真度可以通過(guò)其內(nèi)積的模平方定義,表示為[12]

顯然,0≤F≤1。若這兩個(gè)態(tài)是完全相同的,則F=1;若兩個(gè)態(tài)完全正交,則F=0,即說(shuō)明兩個(gè)圖像毫無(wú)關(guān)聯(lián)。對(duì)于量子存儲(chǔ)上的誤差,可用(12)式來(lái)計(jì)算兩個(gè)邊緣圖的保真度。

3.2 與環(huán)境相互作用產(chǎn)生的退相干類(lèi)型

假設(shè)量子圖像與環(huán)境有相互作用,由于外部噪聲的狀態(tài)與圖像數(shù)據(jù)不在同一個(gè)Hilbert空間內(nèi),是一種混合態(tài)的關(guān)系,可描述為

式中:p為發(fā)生誤差的概率,|Qnoise〉為高斯噪聲態(tài)。

混合態(tài)密度矩陣為

而對(duì)于一個(gè)純態(tài)|φ〉和任意態(tài)的密度矩陣ρ,它們的保真度可以表示為

3.3 量子LoG邊緣檢測(cè)算法與量子Hadamard邊緣檢測(cè)算法的抗噪性比較

考慮到本研究基于QPIE模型來(lái)表示量子圖像,為了檢測(cè)量子LoG邊緣檢測(cè)算法的抗噪性,將所提出算法與文獻(xiàn)[9]中的量子Hadamard邊緣檢測(cè)(QHED)算法進(jìn)行比較(QHED算法是利用相鄰像素之間的差值來(lái)判斷圖像邊緣的)。對(duì)于同一幅圖像,假設(shè)在量子計(jì)算或存儲(chǔ)過(guò)程中,每7個(gè)量子比特中可能有1個(gè)量子比特產(chǎn)生誤差,其數(shù)值模擬結(jié)果如圖3。圖3(a)為量子存儲(chǔ)過(guò)程中三種不同類(lèi)型誤差帶來(lái)的影響,兩種量子算法的保真度都隨產(chǎn)生誤差概率p的增加而下降,其中σy型誤差的下降速度最快,σx型誤差次之,σz型誤差下降的速度最慢。由此可以看出,在相位翻轉(zhuǎn)型誤差下圖像保真度較高,邊緣提取的結(jié)果較好,對(duì)量子LoG算法的結(jié)果影響較小;而位翻轉(zhuǎn)誤差或混合型誤差則對(duì)量子算法產(chǎn)生較大的干擾;圖3(b)為三種誤差同時(shí)等概率產(chǎn)生時(shí)的情況,其保真度下降幅度在圖3(a)三種誤差之間,由此可見(jiàn)量子比特分別產(chǎn)生三類(lèi)噪聲的影響要高于量子比特同時(shí)產(chǎn)生三類(lèi)噪聲的影響;圖3(c)為外部環(huán)境造成的誤差對(duì)保真度的影響,隨著概率p的增大,保真度呈現(xiàn)出線性下降的趨勢(shì)。可以發(fā)現(xiàn)其保真度的變化比純態(tài)下的保真度變化曲線更光滑,這是由于混態(tài)是按概率混合的,且混態(tài)的密度矩陣也用了統(tǒng)計(jì)平均的方法,因而混態(tài)下的保真度變化曲線更光滑。

由圖3可見(jiàn),與QHED算法相比,量子LoG圖像邊緣檢測(cè)算法在面對(duì)存儲(chǔ)與提取過(guò)程中的退相干誤差噪聲時(shí),其保真度隨著噪聲的增大而下降的程度更為平緩,顯示出量子LoG圖像邊緣檢測(cè)算法具有更好的抗噪特性,這一點(diǎn)在圖像的識(shí)別上也非常重要。由于在量子LoG圖像邊緣檢測(cè)算法中還考慮了鄰域像素?cái)?shù)據(jù)的影響,獲得的邊緣信息更為豐富,因而減少了發(fā)生錯(cuò)誤識(shí)別的可能性。對(duì)于高斯類(lèi)型的環(huán)境噪聲,兩種算法所得數(shù)據(jù)的保真度變化趨勢(shì)基本相近。

圖3 量子LoG邊緣檢測(cè)算法與QHED算法的抗噪性對(duì)比。(a)三類(lèi)誤差分別產(chǎn)生;(b)三類(lèi)誤差同時(shí)產(chǎn)生;(c)環(huán)境噪聲存在Fig.3 Comparison of noise immunity between quantum LoG edge detection algorithm and QHED algorithm.(a)Three kinds of errors occur respectively;(b)Three kinds of errors occur at the same time;(c)Environmental noises exist

4 結(jié)論

針對(duì)邊緣提取的實(shí)時(shí)性問(wèn)題和現(xiàn)有量子圖像邊緣檢測(cè)算法的不足,提出了量子LoG圖像邊緣檢測(cè)算法。對(duì)于一幅2n個(gè)像素的圖像,量子LoG圖像邊緣檢測(cè)算法只需用n+5個(gè)量子比特即可完成邊緣提取。與經(jīng)典的邊緣提取算法相比,該方案的計(jì)算速度大大提升,能夠有效解決經(jīng)典算法所遇到的實(shí)時(shí)性問(wèn)題。與現(xiàn)有的量子圖像邊緣檢測(cè)算法相比,本研究提出的量子算法所需量子比特更少,更易于實(shí)驗(yàn)實(shí)現(xiàn)。此外,通過(guò)分析在量子存儲(chǔ)和環(huán)境相互作用中可能產(chǎn)生的退相干問(wèn)題,發(fā)現(xiàn)該量子LoG圖像邊緣檢測(cè)算法具有較好的抗噪性。