维普资讯 http://www.cqvip.com 第２８卷第５期 青岛科技大学学报（自然科学版） Ｗｏ１．２８ Ｎｏ．５ ２００７年１Ｏ月 Ｊｏｕｒｎａｌ ｏｆ Ｑｉｎｇｄａｏ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） Ｏｃｔ．２００７ 文章编号：１６７２—６９８７（２００７）０５—０４４７—０４ 基于改进的ＰＣＮＮ的彩色图像边缘检测算法 周 亮。刘 云 （青岛科技大学信息科学技术学院，山东青岛２６６０６１） 摘要：对ＰＣＮＮ在彩色图像分割和边缘提取上的应用进行了研究，首先利用图像本身 灰度和空间等特性自动确定ＰＣＮＮ网络参数进而分割得到高质量图像，然后利用ＰＣＮＮ 对彩色图像进行边缘提取。仿真实验结果表明，算法可以对不同特性的彩色图像进行有 效的边缘提取，具有较好的健壮性。 关键词：脉冲耦合神经网络（ＰＣＮＮ）；彩色图像分割；参数确定；图像边缘检测 中图分类号：ＴＮ ９１ｌ 文献标识码：Ａ Ａｐｐｒｏａｃｈ ｆｏｒ Ｃｏｌｏｒ Ｉｍａｇｅ Ｅｄｇｅ Ｄｅｔｅｃｔｉｏｎ Ｕｓｉｎｇ Ｍｏｄｉｆｉｅｄ ＰＣＮＮ ＺＨＯＵ Ｌｉａｎｇ，ＬＩＵ Ｙｕｎ （Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｑｉｎｇｄａｏ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｑｉｎｇｄａｏ ２６６０６１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ａ ｎｅｗ ａｐｐｒｏａｃｈ ｆｏｒ ｃｏｌｏｒ ｉｍａｇｅ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｍｏｄ— ｉｆｉｅｄ ｐｕｌｓｅ—ｃｏｕｐｌｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ（ＰＣＮＮ），ｔｈｅ ｍａｉｎ ｉｄｅａ ｉｓ ｔｏ ｓｅｇｍｅｎｔ ｉｎｐｕｔ ｃｏｌｏｒ ｉｍ— ａｇｅ ｗｉｔｈ ＰＣＮＮ ｐａｒａｍｅｔｅｒｓ ｄｅｔｅｒｍｉｎｅｄ ｂｙ ｂｏｔｈ ｓｐａｔｉａｌ ａｎｄ ｇｒａｙ ｌｅｖｅｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｉｍａｇｅ ｉｎｉｔｉａｌｌｙ ａｎｄ ｔｈｅｎ ｏｂｔａｉｎ ｔｈｅ ｅｄｇｅ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ｃｏｌｏｒ ｉｍａｇｅ ｕｓｉｎｇ ｍｏｄｉｆｉｅｄ ＰＣＮＮ．Ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅｓ ｔｈａｔ ｔｈｅ ａｐｐｒｏａｃｈ ｃａｎ ｂｅ ｕｓｅｄ ｆｏｒ ｄｉｆｆｅｒｅｎｔ ｋｉｎｄ ｏｆ ｃｏｌｏｒ ｉｍａｇｅ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｈａｓ ｅｘｔｅｎｓｉｖｅ ａｐｐｌｉｃａｔｉｏｎ ｓｃｏｐｅ． Ｋｅｙ ｗｏｒｄｓ：ｐｕｌｓｅ ｃｏｕｐｌｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ（ＰＣＮＮ）；ｃｏｌｏｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ；ｐａｒａｍｅ— ｔｅｒ ｄｅｔｅｒｍｉｎａｔｉｏｎ；ｉｍａｇｅ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ 已有的基于ＰＣＮＮ（脉冲耦合神经网络）［１］的 提出了一种具有自适应确定网络参数的ＰＣＮＮ 算法多是单独应用于灰度图像的分割 ］，灰度图 系统，该系统中，可应用一个相同的ＰＣＮＮ模型 像的边缘检测［３ 或二值图像的边缘检测［４］，直至 对彩色图像进行分割和边缘检测。利用Ｍａｔｌａｂ 提出了基于ＰＣＮＮ的彩色图像分割新方法［５］，把 对新算法进行了仿真。 ＰＣＮＮ应用至彩色图像中，并尝试对彩色图像同 时进行分割和边缘检测。但是，该算法是采用基 １脉冲耦合神经网络（ＰＣＮＮ） 于ＰＣＮＮ的图像分割简化算法［６］，算法中，网络 ＰＣＮＮ为众多神经元相互连接而成的神经 参数需经人工调整，来对图象进行分割，对图像边 网络，其单个神经元由树突（Ｄｅｎｄｒｉｔｉｃ Ｔｒｅｅ）、连 缘检测并未使用ＰＣＮＮ模型。这样，使用该方法 接调制（Ｌｉｎｋｉｎｇ Ｍｏｄｕｌａｔｉｏｎ）和脉冲生成器 对不同特性的图像进行分割，需多次调整网络参 （Ｐｕｌｓｅ Ｇｅｎｅｒａｔｏｒ）３部分组成。树突部分又被分 数，在边缘检测时还要转换算法模型，才能得到最 为两小部分，分别用于将两种不同的输入导进神 终的结果。这在很大程度上了ＰＣＮＮ在彩 经元的连接部分。其中一个用于接收包含了外部 色图像上的应用。因此，本研究在文献Ｆｓ－Ｉ基础上 输入信号的馈入输入，另一个则用于接收来自其 收稿日期：２００６—０９—０７ 作者简介：周 亮（１９８１～），男，硕士． 通讯联系人 维普资讯 http://www.cqvip.com 青岛科技大学学报（自然科学版） 第２８卷 它神经元的连接输入。其具体描述如下 在图象分割中，为得到分割效果较好的二值 Ｆ ［ ］一ｅｘｐ（一ａＦ）Ｆ ［ 一１］＋ 图像，其参数的设定要根据图像自身的灰度和空 ＶＦ （，２＿１）．十Ｌ （１） 间上的相似集群特性来进行；而在图像边缘检测 Ｌ ［ ］＝ｅｘｐ（一ａＬ）Ｌ ［ 一１］＋ 中，应用已经建立的ＰＣＮＮ模型，只要确保实现 ＶＬ “ｙ ［ 一１］ （２） 二值图像中的亮区域（灰度值为１）所对应的神经 元发放脉冲能够沿着目标的形状自由的传播即 Ｕｄ Ｅ－３一Ｆ ］（１＋ Ｅ－３） （３） 可，之后通过对动态阈值的控制，就可以很容易的 ｙ ］＝ 害 柏 ㈩ 得到目标完整的边缘，因此，其参数的设置可做简 化处理。具体确定方法如下。 ＴｏＩ－，，２＝ｅｘｐ（一口 ） ［ 一１－］＋Ｖ Ｙ Ｅ－－］ （１）连接权重ｗ鼬¨根据ＰＣＮＮ中的公式，该 （５） 参数表示相邻神经元的输出脉冲对当前待处理神 Ｊ ，，Ｆ Ｌ Ｕ ｙ ，， 。分别是：神经元的外 经元的影响程度。对于待处理神经元对应的象素， 部刺激输入，馈入输入，连接输入，内部活动，点火 其临域内象素与其空间距离越小，象素间差别越 输出，动态阈值。Ｍ和ｗ是连接权重矩阵（通常 相近，可得出相应影响程度也越大，反之越小。 Ｍ—ｗ），ＶＦ，Ｖ ，Ｖ１’分别是Ｆ ，，ＬｆＪ＇ 中的固有 Ｗ “一 电势，ａ，，ａ ，ａ 则分别是Ｆ ，Ｌ ， 中的时间衰 ｆ １／（ｉ以（ ＋ｋ，ｊ ＋ｚ）× （ ＋ｋ，ｊ＋ｚ）＋１ ｊ） １ 减常数， 是循环重复次数，ｙ 是一个二值输出。 ｌ （１／（｛ｄ （ ＋ｋ， ＋ｚ）×ｄ （ ＋志， ＋ ）＋１｛））｝ 一个二维ＰＣＮＮ神经网络对应一个二维图像。 女， ＰＣＮＮ用于图像处理时，它为一单层二维局部连 令ｄ （ｉ十七，Ｊ＋ｚ），ｄ （ｉ十七，Ｊ＋ｚ）分别表示 接网络，输入图像的每一像素点分别对应一个 对应两象素间灰度值距离，对应两象素间的空间 ＰＣＮＮ神经元。 距离。 ｄ （ｉ十七，Ｊ＋Ｚ）一ｆ（ｉ，Ｊ）一ｆ（ｉ＋启，Ｊ＋Ｚ） ２ 改进算法的描述 ｄ （ 十七，Ｊ＋ｚ）一 ； 目前常用的彩色模型可分为两类：面向硬设 图像分割中，令 一１；边缘检测中，为了使得 备的ＲＧＢ模型，面向彩色处理的ＨＩＳ模型。应用 神经元输出脉冲能够迅速、自由的传播，令 一０。 ＲＧＢ模型，处理方便，但三分量间常有很高的相 （２）阈值调整步长ｒ：令 为图像处理过程 关性，直接利用这些分量常得不到所需要的结果， 中的迭代次数，为使阈值遍历所有的象素值，确定 而在ＨＩＳ模型中，Ｈ表示色调（ｈｕｅ），Ｓ表示饱和 阈值调整步长为：ｒ一１／． 边缘检测中，ｒ：０。 度（ｓａｔｕｒａｔｉｏｎ），Ｊ表示密度（ｉｎｔｅｎｓｉｔｙ），该模型有 （３）固有电势Ｖ ：ＰＣＮＮ中固有电势Ｖ 是用 ２个特点：一是Ｊ分量与图像的彩色信息无关；二 来判定某一时刻某神经元是否点火，如果点火，则 是Ｈ和Ｓ分量与人的感受颜色的方式是紧密相 通过设置 使其相应阈值迅速提高进而大于 连。这些特点使得ＨＩＳ模型非常适合基于人的视 Ｕ¨从而使脉冲产生器停止点火。本研究中，不同 觉系统对颜色感知特性的图像分割。因此，本研究 特性的图象，Ｖ 设置相同，令Ｖ ＝１００。 采用ＨＩＳ模型。考虑到传统ＰＣＮＮ模型利用生物 （４）初始动态阈值Ｔ —ａ。 神经元的激活特性及其阈值指数衰减特性，但具 图象分割中，ａ：１，边缘检测中，ａ一０．１５ 体应用到图像处理中，指数衰减和阈值机制并不 （５）调制参数』９一 Ｖ ／ ） 。 适合于图像处理算法Ⅲ，因此，本研究在传统 图像分割中， ：１，用来控制 提升幅度， ＰＣＮＮ概念的基础上，提出了自适应确定网络参 Ｖ¨ＭＩ，分别表示象素（ ，Ｊ）所在临域内象素灰度 数的改进ＰＣＮＮ模型同时应用于彩色图像分割 值的方差和均值，当Ｍ ：０时，令Ｊ９＝０．２。Ｊ９越 和边缘检测中的新算法。 小，该临域象素值分布范围越小，相应区域分布越 ２．１ 自适应的参数确定 均匀，较小的灰度值提升就能使其与临域内神经 一幅彩色图像转换到ＨＩＳ空间后，对待处理 元同步点火，反之，区域分布越不均匀，较大的灰 的分量图象，首先建立相应的ＰＣＮＮ模型，然后 度提升才能使其与临域内神经元同步点火，这样， 对每个象素（ ， ）的灰度值归一化，得到ｆ（ｉ， ）。 在一定程度上可确保分割区域的完整性。 维普资讯 http://www.cqvip.com
第５期 周 亮等：基于改进的ＰＣＮＮ的彩色图像边缘检测算法４４９ 图像边缘检测中，简化处理 ，令ｅ一０。 ２．２ 基于香农熵最大准则来进行图像阈值分割 ＬⅡ一 ｗ；Ｙｐ转（５）； ｐＥＫ 在文献［７］中为了确定最优分割结果和选择 最佳迭代次数，定义了基于香农熵最大准则的分 割方法，即 Ｈ（Ｓ）＝一Ｓ１ｌｎＳ１一Ｓ０ｌｎＳ０ （６） （７）若Ｙ（ｉ， ）一１ Ｒｅｓ（ｉ，Ｊ）一１，Ｙ（ｉ， ）、 Ｒｅｓ（ｉ，Ｊ）是Ｙ、Ｒｅｓ对应的元素； （８）Ｔ（ｉ，ｊ）一ａ—ｒ＋ＶＴ×ｙ （９）计算分量图对应香农熵，则熵值最大时 的迭代次数 对应的输出ｙ（ ）即为要求的二值 其中，ｓ 和ｓ。分别表示二值输出分割图像为 １和０的概率。上式表明了一幅分割后的二值图像 图像； 序列中，输出值为１和值为０的像素所含信息量 （１０）Ｔ／一Ｔ／～１；若Ｔ／≠０，转（４）；否则结束； （１１）将３个分量结果图合并得到最后的分割 的统计平均值。通常分割后的图像香农熵值越大， 图Ｂｉｎ。 意味着分割图像从原始图像中得到的信息量也越 ２．４ 彩色图像边缘检测新算法 大，则其分割图像的细节越丰富，且总体分割效果 基于上节得到的分割图Ｂｉｎ，应用同样的 也越好。本研究中，当对图像进行ＰＣＮＮ迭代处 理时，分别统计二值输出点火图ｌ，中的ｓ 和ｓ。， ＰＣＮＮ模型进行边缘检测时，首先使图象在亮区 域处对应的像素点发射脉冲点火，而暗区域处对 则使Ｈ最大时迭代次数Ｔ／对应的ｙ（ ）即为总体 应的像素点不点火。然后让亮区域传播一个象素 分割的最佳图像。 的距离，这样对应的图象黑、白区域交接边缘处神 ２．３ 彩色图像分割新算法 经元被点火。通过对边缘处像素点的神经元点火 把初始的彩色图像转换到ＨＩＳ空间，得到 传播距离进行控制，可以方便灵活的控制边缘图 Ｈ、Ｓ、 三个分量，分别对其进行改进ＰＣＮＮ 象结果的宽度。即如果亮区域的脉冲发射传播Ｔ／ 算法运算，改进算法模型如下。 个像素的距离，也就相应得到一个宽度为 像素 Ｆ （ ）一 的结果图象。具体算法如下。 Ｌ （ ）一 ｗｐ Ｙｐ（ 一１） （１）令Ｅ为存储边缘图象结果矩阵。把上节 Ｋ是像素（ ，ｊ）的一个３×３邻域 中得到的分割图Ｂｉｎ归一化为：０．１（对应Ｂｉｎ中 Ｕｏ（ ）一Ｆ （ ）（１＋ Ｌ （ ）） 暗区域）和１（对应Ｂｉｎ中的亮区域），Ｆ—Ｂｉｎ， Ｔ ，（ ）一Ｔ ｊ（ ）一ｒ＋ＶＴｙ（ ） Ｌ…Ｕ Ｙ Ｅ＝０， …一Ｎ＋１，Ｎ是边缘图 ￣（ｎ）＝ｓｔｅｐ ｃ ㈨一 ； 象的宽度，其余各参数由算法自动求得； （２）Ｌ一 １ ；ｙｐ；ｕ—Ｆ（１＋ｙＬ）； ＰＥＫ 在此基础上，ＰＣＮＮ的彩色图象处理进行分割算 Ｙ—ｓｔｅｐ（Ｕ—Ｉ１）； 法如下。 （３）若Ｙ 一１，Ｔ —Ｔ ＋ＶＴｙ ，即当一个神 （１）对每个分量图，对应的像素灰度值 ，归 经元被激发点火后，增加它的阈值使得它不再点 一化，初始神经元的各个状态值设置为Ｌ—Ｕ— 火。 Ｒｅｓ＝Ｙ＝０； …∈［１０，５０］；Ｋ为一卷积核，是一 （４）若Ｔ／一Ｎ＋１，Ｔ／一 一１，返回至（２）； 个３×３的全１矩阵，上式中，Ｒｅｓ是一结果矩阵， 否则Ｔ／一Ｔ／一１ ｙ是点火状态矩阵， 是迭代次数，其余各参数由 （５）若Ｙ ，＝１，Ｅ 一１。 算法自动求得； （６）若Ｔ／一０，输出Ｅ，即得到边缘图像。 （２）Ｌ 一 Ｗｐ ｅＹ ；ｕ —Ｆ （１＋ Ｌ ）； 否则返回到（２）． Ｙ —ｓｔｅｐ（Ｕ —Ｔ ）； ３ 仿真实验结果与分析 （３）Ｔ＝ａ； （４）Ｌ 一 ｗ；Ｙｐ； 本研究使用的开发工具是Ｍａｔｌａｂ ７．０，运行 环境是Ｐ４ ２．６Ｇ，５１２Ｍ内存对二幅具有不同特性 （５）Ｔｅ 一ｙ（ ， ）； 一Ｆ （１＋ Ｌ ）； 图象进行了处理（图１）。可以看出依据文献［５］中 Ｙ 一ｓｔｅｐ（Ｕ —Ｔ ）；其中， 是一中间矩阵； 的ＰＣＮＮ模型算法，分割结果图２（ａ），图２（ｃ）产 （６）若ｙ（ｉ， ）一 转（７）；否则 生了噪点，一些高亮度区分割不够，细节保持较 维普资讯 http://www.cqvip.com