基于PCNN和最大灰度熵圖像分量的彩色圖像分割*

李建兵， 李　立

(西南交通大學(xué) 機(jī)械工程學(xué)院，四川 成都 610031)

?

基于PCNN和最大灰度熵圖像分量的彩色圖像分割*

李建兵， 李立

(西南交通大學(xué) 機(jī)械工程學(xué)院，四川 成都 610031)

為提高彩色圖像的分割效果，提出了一種最大灰度熵圖像分量和脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)相結(jié)合的彩色圖像分割方法。將彩色圖像轉(zhuǎn)換到符合人眼視覺(jué)特征的色調(diào)飽和度亮度(HSV)顏色空間中，選取灰度熵值最大的分量圖像,用PCNN增強(qiáng)以增大感興趣區(qū)域?qū)Ρ榷?，?duì)增強(qiáng)后的分量圖像運(yùn)用PCNN進(jìn)行循環(huán)分割，當(dāng)二維Renyi熵值不再大于前一次的值時(shí)，終止PCNN的循環(huán)分割，獲得最佳分割結(jié)果。運(yùn)用多種評(píng)價(jià)指標(biāo)對(duì)所分割的結(jié)果進(jìn)行評(píng)價(jià)，評(píng)價(jià)結(jié)果表明：提出的算法能夠有效實(shí)現(xiàn)對(duì)彩色圖像的分割，尤其在圖像細(xì)節(jié)方面，比傳統(tǒng)的彩色圖像分割方法表述得更為清晰。

彩色圖像分割； 脈沖耦合神經(jīng)網(wǎng)絡(luò)； 灰度熵； 色調(diào)飽和度亮度顏色空間

0　引　言

圖像分割就是將圖像分割成若干個(gè)具有特定性質(zhì)的區(qū)域以及提取出感興趣區(qū)域的技術(shù)過(guò)程，圖像分割質(zhì)量的好壞直接影響圖像處理的后續(xù)過(guò)程。

彩色圖像的傳統(tǒng)分割方法通?？梢苑譃閮深怺1]:一類是將彩色圖像轉(zhuǎn)換為灰度圖像然后利用灰度圖像的分割方法進(jìn)行分割，這種方法簡(jiǎn)單易于實(shí)現(xiàn)、效率也比較高，但彩色圖像灰度化容易丟失信息。如，文獻(xiàn)[2]中用數(shù)學(xué)形態(tài)學(xué)的方法對(duì)彩色圖像的邊緣進(jìn)行檢測(cè)來(lái)得到其灰度梯度圖，再使用迭代的最佳閾值對(duì)圖像進(jìn)行分割。另一類方法即是對(duì)彩色圖像的各分量信息都進(jìn)行處理，最后再按照一定的準(zhǔn)則進(jìn)行組合，以此獲取最終的分割結(jié)果。如文獻(xiàn)[3]中對(duì)紅色綠色藍(lán)色(RGB)各分量進(jìn)行濾波轉(zhuǎn)換到LAB(L為像素亮度，A為紅色到綠色范圍，B為黃色到藍(lán)色范圍)彩色空間，用分水嶺方法獲取封閉區(qū)域及質(zhì)心，再利用模糊C均值(fuzzy C means,FCM)聚類進(jìn)行分割。文獻(xiàn)[4]中獲取三個(gè)顏色通道，將圖像分割成若干塊，進(jìn)行高斯混合模型運(yùn)算得到分割結(jié)果。雖然這種方法的準(zhǔn)確度有所提高，但是操作過(guò)程比較繁瑣、運(yùn)算效率低，而最終的結(jié)果也不一定很好。

脈沖耦合神經(jīng)網(wǎng)絡(luò)(pulse coupled neural network,PCNN)是在20世紀(jì)90年代由德國(guó)科學(xué)家Eckhorn R等人通過(guò)研究貓的大腦視覺(jué)皮層的神經(jīng)激勵(lì)所提出的一種全新的神經(jīng)網(wǎng)絡(luò)模型[5],并由Johnson J L在此基礎(chǔ)上做了進(jìn)一步的研究，使之最終更加符合生物的神經(jīng)特性[6]，已經(jīng)在圖像分割[7～10]、圖像增強(qiáng)[11]、圖像識(shí)別[12]中顯示出良好的應(yīng)用潛力。如文獻(xiàn)[8，9]利用PCNN實(shí)現(xiàn)對(duì)灰度圖像的分割。文獻(xiàn)[10]中對(duì)彩色圖像各分量分別進(jìn)行PCNN分割,然后再進(jìn)行合并來(lái)實(shí)現(xiàn)彩色圖像的分割，但是操作仍較為繁瑣。

為了克服上述缺點(diǎn)，本文提出將最大灰度熵值分量圖像與PCNN模型相結(jié)合的彩色圖像分割方法，以簡(jiǎn)便地分割圖像，突出圖像細(xì)節(jié)和紋理信息。

1　PCNN簡(jiǎn)化模型及其圖像處理原理

1.1PCNN的簡(jiǎn)化模型

Eckhorn R[5]提出的PCNN模型,以其參數(shù)過(guò)多、公式描述復(fù)雜,往往不直接用于圖像處理，因此,本文使用其簡(jiǎn)化模型，該模型的數(shù)學(xué)描述如式(1)～式(5)所示

Fj(n)=Sj(n)

(1)

(2)

Uj(n)=Fj(n)×(1+β×Lj(n))

(3)

θj(n)=e-αθ×θj(n-1)+Vθ×Yj(n-1)

(4)

(5)

式中F(n)為神經(jīng)單元的反饋輸入，S(n)為神經(jīng)單元的激勵(lì)輸入信號(hào)，L(n)為神經(jīng)單元的鏈接輸入，β為神經(jīng)單元聯(lián)接強(qiáng)度系數(shù)，U(n)為內(nèi)部活動(dòng)項(xiàng)，θ(n)為動(dòng)態(tài)閾值,Y(n)為神經(jīng)單元的輸出脈沖,αθ為衰減系數(shù),Vθ為Y(n)的固有系數(shù)，j為神經(jīng)元標(biāo)號(hào)，n為循環(huán)迭代次數(shù)。

1.2PCNN圖像分割原理

PCNN分割圖像[8]時(shí)，像素灰度值對(duì)應(yīng)相應(yīng)位置神經(jīng)元的外部激勵(lì)輸入S(n)，開(kāi)始所有神經(jīng)元初始狀態(tài)為0，第一次迭代后，內(nèi)部活動(dòng)項(xiàng)U(n)等于外部激勵(lì)輸入S(n)，所有神經(jīng)元閾值θ(n)從初值開(kāi)始衰減，當(dāng)某神經(jīng)元內(nèi)部活動(dòng)項(xiàng)U(n)大于閾值θ(n)時(shí)，其激發(fā)輸出發(fā)一個(gè)脈沖1，同時(shí)該神經(jīng)元閾值θ(n)開(kāi)始急劇增大，停止輸出脈沖，θ(n)再次開(kāi)始衰減，當(dāng)其小于內(nèi)部活動(dòng)項(xiàng)U(n)時(shí)，再次產(chǎn)生脈沖，如此循環(huán)，神經(jīng)元產(chǎn)生一個(gè)包含圖像信息的脈沖輸出序列Y[n]，該序列構(gòu)成的圖像就是PCNN分割圖像。

1.3 PCNN圖像增強(qiáng)原理

PCNN圖像增強(qiáng)[9]的數(shù)學(xué)描述模型如

Fj(n)=Sj(n)

(6)

Lj(n)=e-αLLj(n-1)+VL∑WjYj(n-1)

(7)

Uj(n)=Fj(n)×(1+β×Lj(n))

(8)

θj(n)=e-αθ×θj(n-1)+Vθ×Yj(n-1)

(9)

(10)

Y0(n)=[ln(Bri)-(n-1)αθ]×Yj(n-1)

(11)

式中Bri為灰度圖像中亮度最大的灰度值，Y0為脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像增強(qiáng)輸出脈沖，也就是增強(qiáng)后輸出的二值圖像。為了增強(qiáng)圖像的特征，先對(duì)Sj進(jìn)行濾波，同時(shí)使Vθ的取值大一些，這樣閾值就衰減的比較慢，從而相鄰灰度級(jí)通過(guò)不同的時(shí)間被激發(fā)區(qū)別開(kāi)來(lái)。

2　圖像灰度熵

在信息論中，熵用來(lái)衡量概率分布的不確定性，反映了該事件的信息量。而圖像中像素值反映了圖像信息的空間分布，參考信息論中熵的概念，推導(dǎo)出圖像灰度熵[13]，用來(lái)衡量圖像信息的量。對(duì)于一幅大小為M×N的圖像，其最大灰度級(jí)為L(zhǎng)，設(shè)其灰度值為i的像素個(gè)數(shù)為ni其概率為Pi，則圖像灰度熵H的計(jì)算如下

(12)

式中Pi=n/(M×N),灰度熵表示圖像信息的空間分布，是圖像的一種統(tǒng)計(jì)特征，灰度熵值越大，說(shuō)明圖像內(nèi)的灰度分布越均勻，圖像所包含的信息量越豐富。

3　結(jié)合灰度熵值和PCNN的彩色圖像分割

3.1顏色空間的選取

目前常用的顏色空間有RGB，色調(diào)飽和度亮度(HSV)等。RGB顏色空間使用物理學(xué)中對(duì)三種顏色R(紅色)、G(綠色)、B(藍(lán)色)的不同疊加來(lái)產(chǎn)生任意顏色。HSV顏色空間類似于一個(gè)倒立的圓錐，H表示色調(diào)，是顏色的相位角，其取值范圍決定顏色的種類；S表示飽和度，即該顏色被稀釋的程度；V表示亮度，即顏色的明亮程度。為了選取顏色空間，下面比較彩色圖像在這兩種顏色間中的分布，如圖1所示。

圖1　彩色圖像的RGB和HSV顏色空間分布Fig 1　RGB and HSV color space distribution of color image

從圖1看出：RGB顏色空間中，圖像信息近似分布于一個(gè)長(zhǎng)方體的區(qū)域，在某一分量上的信息比較多；在HSV顏色空中，圖像信息呈曲面形狀分布，分布比較均勻；所以,本文選取在HSV空間進(jìn)行圖像的分割。

3.2彩色圖像分割算法

本文提出的具體算法流程如下：

1) 將彩色圖像轉(zhuǎn)換到HSV空間，在此空間中計(jì)算各分量的灰度熵值，選取灰度熵值最大的分量圖像；

2) 將所選取的灰度熵值最大的分量圖像運(yùn)用公式(6)～式(11)對(duì)其進(jìn)行增強(qiáng)；

3) 對(duì)增強(qiáng)后的圖像運(yùn)用式(1)～(5)進(jìn)行循環(huán)分割，循環(huán)步長(zhǎng)設(shè)為1，獲得輸出脈沖；

4) 計(jì)算每次循環(huán)分割圖像的二維Renyi熵值[14]，并且與前一次分割圖像的二維Renyi熵值比較，若其值大于前一次的值，則轉(zhuǎn)入步驟(3)；否則，停止循環(huán)分割，輸出分割的圖像。

4　計(jì)算機(jī)仿真結(jié)果與分析

為了證明算法的有效性，利用Matlab做仿真實(shí)驗(yàn)，對(duì)大量的彩色圖像進(jìn)行仿真實(shí)驗(yàn)；PCNN神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)設(shè)置為[9]：αθ=0.1，β=0.1，Vθ=20；為了便于比較，將圖像大小統(tǒng)一設(shè)置為512×512。

將本文提出的分割算法與傳統(tǒng)彩色圖像分割的兩種主要方法進(jìn)行比了較，部分仿真結(jié)果如圖2所示。其中，傳統(tǒng)方法一：彩色圖像轉(zhuǎn)化為灰度圖像后運(yùn)用常用的OSTU法進(jìn)行分割。傳統(tǒng)方法二：對(duì)彩色圖像的各分量信息進(jìn)行Meanshift聚類后再將各分量進(jìn)行合并來(lái)分割彩色圖像。

圖2　彩色圖像分割結(jié)果Fig 2　Color image segmentation results

從實(shí)驗(yàn)結(jié)果可以看到，基于本文算法的分割結(jié)果中，目標(biāo)的輪廓連續(xù)、清楚，凸顯圖像的細(xì)節(jié)、紋理特征；而傳統(tǒng)方法一的分割結(jié)果目標(biāo)輪廓不連續(xù)，受本身灰度圖分布的影響大；傳統(tǒng)方法二的結(jié)果輪廓比較模糊?？梢?jiàn)，從人的主觀視覺(jué)出發(fā)，本文分割算法優(yōu)于傳統(tǒng)的分割算法。

為了定量客觀的評(píng)價(jià)所得圖像分割結(jié)果,根據(jù)圖像分割的基本要求，本文選用下列評(píng)價(jià)準(zhǔn)則[8]：最小交叉熵(CE)、區(qū)域?qū)Ρ榷?CM)、平均梯度(AG)，對(duì)前述各種分割方法進(jìn)行評(píng)價(jià)，評(píng)價(jià)結(jié)果如表1所示。

表1　圖像分割結(jié)果評(píng)價(jià)

從表1可以看出:本文分割結(jié)果在最小交叉熵與平均梯度方面均明顯優(yōu)于傳統(tǒng)分割方法，在平均梯度方面尤為明顯，從客觀上表明了本文算法的有效性。

5　結(jié)　論

本文提出了一種基于灰度熵值最大圖像分量的用二維Renyi熵判定PCNN循環(huán)分割迭代次數(shù)的彩色圖像分割方法。該方法既能避免彩色圖像灰度化所導(dǎo)致的信息丟失，又能夠克服處理彩色圖像各分量信息最后再按某種策略合并的操作繁雜。仿真實(shí)驗(yàn)驗(yàn)證了所提方法對(duì)彩色圖像分割的有效性。與傳統(tǒng)的方法相比，運(yùn)用本方法，分割所得圖像的輪廓完整、清楚，突出了分割圖像的細(xì)節(jié)和紋理信息，更加符合人類視覺(jué)的認(rèn)知特征。

[1]馬義德,王兆濱,張新國(guó),等.一種生物彩色圖像自動(dòng)分割方案[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2009,41(9):173-175.

[2]張?chǎng)?李道亮,楊文柱,等.高分辨率棉花異性纖維彩色圖像的快速分割方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(1):159-164.

[3]朱征宇,王麗敏.彩色圖像分割的FCM初始化方法[J].計(jì)算機(jī)應(yīng)用研究,2015,32(4):1257-1260.

[4]田杰,韓冬,胡秋霞,等.基于PCA和高斯混合模型小麥病害彩色圖像分割[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(7):265-271.

[5]Eckhorn R,Reditboeck H J,Arndt M,et al.Feature linking via synchronization among distributed assemblies: Simulation of results from cat cortex[J].Neural Computution,1990,2(3):293-307.

[6]Johnson J L,Padgett M L.PCNN models and application[J].IEEE Trans on Neural Networks,1999,10(3):480-498.

[7]Chen Yuli，Park SungKee,Ma Yide,et al.A new automatic parameter setting method of a simplified PCNN for image segmentation[J].IEEE Transactions on Neural Networks,2011,22(6):880-892.

[8]馬義德,蘇茂君,陳銳.基于PCNN的圖像二值化及分割評(píng)價(jià)方法[J].華南理工大學(xué)學(xué)報(bào):自然科學(xué)版,2009,37(5):49-53.

[9]辛國(guó)江,鄒北驥,李建鋒,等.結(jié)合最大方差比準(zhǔn)則和PCNN模型的圖像分割[J].中國(guó)圖像圖形學(xué)報(bào),2011,16(7):1310-1316.

[10] 譚穎芳,周冬明,趙東風(fēng),等.Unit-LinkingPCNN和圖像熵的彩色圖像分割與邊緣檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用,2009,45(12):174-177.

[11] 何勝宗,劉英杰,馬義德,等.基于PCNN圖像因子分解的X線醫(yī)學(xué)圖像增強(qiáng)[J].中國(guó)圖象圖形學(xué)報(bào),2011,16(1): 21-26.

[12] 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):89-93.

[13] 劉勍,許錄平.結(jié)合灰度熵變換的PCNN小目標(biāo)圖像檢測(cè)新方法[J].北京理工大學(xué)學(xué)報(bào),2009,29(12):1085-1090.

[14] 龔劬,王菲菲,倪麟.基于分解二維Renyi灰度熵的圖像閾值分割[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(12):181-185.

Color image segmentation based on PCNN and the maximum gray entropy image component*

LI Jian-bing， LI Li

(School of Mechanical Engineering, Southwest Jiaotong University,Chengdu 610031,China)

In order to improve effect of color image segmentation,a color image segmentation method based on pulse coupled neural network(PCNN)combined with the maximum gray entropy image component is proposed.In the presented method,the color image is converted to HSV color space which is consistent with visual features of human eyes; the component with the largest image entropy is selected for image enhance by PCNN to increase the contrast of the region of interest; the enhanced component of the image is used to be segmented by PCNN,and the loop of PCNN is terminated when the two dimensional Renyi entropy value for the segmented image is not larger than the previous one,terminate cyclic segmentation to get the optimal segmentation result.The segmentation results are evaluated by using several commonly used evaluation criteria,and show that the segmentation of color image can be realized efficiently by the proposed algorithm with more clear details of the image than by the traditional color image segmentation method.

color image segmentation; pulse coupled neural network(PCNN); gray entropy; HSV color space

2015—11—09

四川省科技支撐計(jì)劃資助項(xiàng)目(2012GZ0102)

TP 391

A

1000—9787(2016)08—0127—03

李建兵(1990-),男，河南濮陽(yáng)人，碩士研究生，研究方向?yàn)闄C(jī)器視覺(jué)與圖像處理。

DOI:10.13873/J.1000—9787(2016)08—0127—03