刘莉, 谈文蓉, 傅春常

(西南民族大学计算机科学与技术学院, 四川 成都 610041)

基于PCNN模型的区域生长图像分割

刘莉, 谈文蓉, 傅春常

(西南民族大学计算机科学与技术学院, 四川 成都 610041)

提出了一种结合区域生长算法和脉冲耦合神经网络进行图像分割的方法. 该方法将待分割图像的像素点映射为PCNN模型中的神经元, 把改进的脉冲耦合神经网络模型的点火频率同区域生长的理论结合起来进行图像分割. 实验表明该方法分割的图像与传统的分割法相比具有边缘信息更加完整, 区域划分更加准确, 分割效果更能符合人眼视觉的识别特征.

数值图像处理; 图像分割; 区域生长; PCNN模型

引言

图像分割(Image Segmentation)是图像处理领域研究与应用的最重要的工作之一, 几乎图像处理的所有领域都受到图像分割的影响, 受到人们的高度重视和深入研究. 图像分割是目标识别、图像分析、计算机视觉研究中最基本、最重要的处理环节,是基础性的、关键性的技术, 分割的精确与否决定着其后续计算分析过程的成败[1].图像分割的目标是根据具体应用的需要和具体图像的内容把图像分成不同的、互不重叠的具有独特性质的区域,各个区域内部的特征性质是相同的或相近的, 而不同类区域之间, 是具有不同的图像特征性质的. 这些特征包括如像素的灰度值、物体的颜色、轮廓纹理, 变换的系数等, 也可以是空间频谱, 直方图特征等.

按照不同的分类标准, 图像分割方法可以划分为不同的种类, 目前图像分割技术包括基于特征领域内的像素分割和基于空间领域的像素分割等, 后者主要包括边缘分割和区域分割. 基于特征领域的分割方法, 如: 阈值法和聚类法, 主要是利用图像灰度等特征的概率分布特性来进行分割, 由于忽略了图像特征间的空间联系 , 单一地从统计意义上进行像素的划分, 常常得不到理想的分割效果[2]. 基于空间领域的边缘检测分割方法试图通过检测不同区域之间的边界来实现对图像的分割, 通常区域的边缘是灰度强度有阶跃变化的那些像素, 这是边缘检测法得以实现的主要假设之一. 边缘提取一般采用经典的边缘检测算子来检测目标的边界以实现分割, 如Canny、Sobel、PrewittH和Laplacian算子等. 但这些算子对噪声敏感, 抗噪能力较差, 一般只适合于噪声较小且不太复杂的图像.

一般情况下, 图像中同一区域的像素具有某种相似性质, 比如相似的灰度、纹理、颜色等, 而不同区域的像素特征性质具有明显的差异. 区域分割的实质就是将图像分成许多较小的区域, 把具有某种相似特征的像素连通和集合起来构成分割区域. 这类方法在考虑了像素自身的灰度因素的基础上, 还考虑了像素与像素之间, 区域与区域之间特征的相似性、分布空间连续性和邻接性, 有利于对连通区域的逐个选取, 与其他分割方法相比,可以有效地消除孤立噪声的干扰, 总体性能更加优秀, 因此能得到更符合人类视觉特性的分割效果.

本文利用脉冲耦合神经网络(PCNN模型)捕获特性, 即一个神经元点火, 会捕获其同一区域与其相似性质的神经元也同步发放脉冲的特性作为分类思想, 定义生长准则和停止规则, 利用PCNN模型进行区域生长可以使小区域就较好地连成了一片的特征,提出了一种基于与人类视觉机理相符合的区域生长图像分割方法, 较好地实

现了感兴趣区域的提取, 有效地改进了传统分割方法固有的缺点, 如: 过度分割或简单分割, 对噪声敏感区域内有空洞等.

1 传统区域生长法

有两种基本形式的区域法分割技术: 区域生长法和分裂合并法. 前者是由单个像素出发, 逐步合并以形成所需的分割结果; 后者是从整个图像出发, 逐步分裂切割到所需的分割结果.

区域生长算法基本思想是把具有相似特征的像素聚集在一起构成分割区域, 把不同性质的区域分开. 算法实现过程如下:

1)、对每个需要分割的区域找一个或多个“种子像素”作为生长的起点(根据经验, 它或者是最亮或最暗的点,或者是位于点簇中心的点. )

2)、确定区域生长或相似准则,将种子像素周围邻域(4-邻域/8-邻域)中与其有相同或相似性质的但还不属于任何一个区域像素, 根据某种事先确定的准则进行判定, 是否合并到种子像素所在的区域内

3)、将这些被合并的新像素作为新的种子继续执行1、2, 直到没符合条件的像素并入区域为止.

其中在区域生长过程中将相邻象素合并进来的生长准则的选取至关重要, 因为不同的准则对区域生长的最终结果会产生较为关键的影响, 当然种子点的选择和生长停止规则也是极其重要的. 根据不同的生长准则人们提出了不同的区域生长法, 最经典的有: 简单生长法、质心生长法和混合生长法.

2 PCNN模型和理论

1990年Eckhorn和他的团队在对猫大脑视觉皮层视觉区神经元内部机理的研究中发现到猫眼神经元同步脉冲发送现象, 并提出了脉冲耦合神经网络模型(Pulse Coupled Neural Network)[3],简称PCNN. Eckhorn等提出的PCNN基本神经元模型如图1所示.

由图1可见, 脉冲耦合神经元是一个非线性的积分系统, 包括三个功能单元: 第一部分是突触树(接受部分),由外部输入和其他神经元的输出形成,第二部分是内部行为部分(调制部分),它调制输入部分并构成神经元的内部活动, 第三部分是脉冲发生部分, 包括阈值产生器和脉冲产生器.[4]

Johnson和Ranganath提出了改进的PCNN模型[5], 其离散迭代方程描述为:

图1 PCNN基本神经元模型Fig.1 The neurons model of pulse coupled neural network

在神经元Nij的模型中, 其中Fij是反馈输入部分, Sij是外部输入脉冲信号, β是链接常数, Lij是耦合连接输

入, θij是动态阈值, Uij是内部活动项. 反馈输入域F中放大系数和衰减时间常数分别为VF和αF, 耦合链接域的L的放大系数和衰减时间常数分别为VL和αL, 权值矩阵Mijkl和Wijkl分别为反馈输入域和耦合连接域的连接矩阵反馈输入部分F和耦合连接输入部分L以Fij (1 +βLij)调制相乘的方式形成神经元内部活动Uij. 当Uij大于动态阈值θij时, 神经元点火产生脉冲输入Yij, 否则处于抑制状态, 停止发放脉冲. 如果处于抑制状态, θij按指数规律随时间下降, 直到点火为止; 反之点火后θij通过反馈迅速得到提高, 然后再按指数衰减, 使得神经元不能立刻再次兴奋而输出脉冲, 这样随着迭代次数n的增加, 输出了一个点火输出序列, 记为Y(n)用PCNN进行处理图像时, PCNN是一个平面二维神经元矩阵, 图像像素与神经元一一对应. 即一个二维M×N图像对应一个M×N的PCNN模型矩阵, 上面的PCNN神经元模型参数较多, 参数选取困难, 在本文的方法中, 模型得到了简化, 反馈输入部分Fij只接收外部输入信号Sij, 我们把每个像素的归一化了的灰度值作为相应神经元的外部输入Sij,简化模型描述如下:

在这里只对模型的反馈输入域做了简化,其余部分未做改变,在原有模型的重要特性得到保持的前提下简化了模型[6].

在β不等于0的耦合连接中, Uij的值除了由本身的像素灰度值Sij确定外, 同时也会得到周围邻近神经元的链接域输入Lij的贡献, 因此, 某个或某些像素神经元点火时, 它们会对周围邻近神经元的内部活动产生贡献,使得邻近空间中如果有灰度值相近的像素存在时, 这些像素将提前被点火, 这称为被其他神经元捕获. 这就意味着具有空间邻近、灰度值相似的神经元会在同一时刻点火, 这样相似灰度的多个神经元就构成了一个同步发放脉冲的神经元集群, 这称为PCNN模型的捕获现象.

在研究中我们发现较亮象素的神经元可以比暗象素的神经元更快地点火, 经过一定的次数的迭代后, 灰度值大亮的像素点火的次数就越多, 而灰度值低的暗的像素, 点火频率相对也低, 而且相似灰度的神经元的点火次数是相似的. 这正是图像的区域划分所需要的信息, 一般来说, 同一区域内图像的像素的具有灰度值相近的特征, 这样导致由PCNN捕获的神经元集群对应着图像中性质相似的闭合区域, 利用由PCNN的捕获特性就可以把图像分割成不同的封闭区域[7]. 这种方法能够修正输入图像的空间不连贯性, 忽略图像灰度幅度上的微小变化, 从而能够更完整地保留图像的区域信息, 这从理论上论证了该方法能够很好地分割图像的可行性

3 基于PCNN的区域生长算法

本文利用PCNN模型导出的点火频率代替像素灰度值来进行区域划分. 每个点的点火频率除了由本身的灰度值和邻域内相邻点点火情况决定外, 也会影响其邻域内其他像素点的点火次数, 导致同一区域内具有相似特征的像素点具有相同或相近的点火次数, 根据点火次数矩阵的值合并生产区域中的点, 捕获大量的同一区域中具有相似特征的点, 这样的效果将改善传统分割法中少量噪声点或孤立点导致的空洞和过度分割的缺点. 算法描述如下:

1)如果是彩色图像, 先对彩色图像做灰度化处理, 否则直接对图像的灰度矩阵做归一化处理

2)计算PCNN的点火频矩阵:

初始化PCNN的参数, 设定时间常数、阈值 θij、连接强度β和连接权系数矩阵W等各项参数. 设定循环次数N, 同时令每个神经元处于抑制状态, 点火频率矩阵Y清0, 然后按前面定义的简化模型, 对灰度图像中每个神经元的3阶邻域矩阵内, 计算反馈输入部分Fij和耦合连接输入部分Lij, 以Fij (1 +βLij)调制相乘的方式算出神经元内部活动Uij. 当Uij大于动态阈值θij时, 神经元Yij点火输出为1, 否则为0, 再进行阈值衰减计算, 把

图像每个像素的点火的结果累加到矩阵Y, 重复迭代N次, 算出点火频率矩阵Y[6].

3)对每个需要分割的图像区域采用人机交互方式找一个或多个“种子像素”作为生长的起点.

4)使用前面点火频率矩阵Y, 将种子像素周围邻域(4-邻域/8-邻域)中与其有相同点火次数或次数相差小于设定范围, 但还不属于任何一个区域像素, 合并到种子像素所长的区域内.

5)将这些被合并的新像素作为新的种子继续执行3、4, 直到没符合条件的像素并入区域为止.

4 实验仿真结果与分析

我们采用上面的算法对图像进行分割, 取连接权系数矩阵W为欧式距离平方的倒数. 在实验中发现, 矩阵W的阶数会对图像分割的结果产生较大的影响, 矩阵阶数较小时图像被分割成的区域数很多, 本身边缘信息会被破坏, 图像被过度分割, 但可以得到图像的细节. 较大时又会只将图像简单分割(也叫欠分割), 把不同的区域合并在一块, 图像只被分成简单的几个区域. 其次链接权重β同样也会对分割结果产生相似的影响, β的大小决定了PCNN的捕获范围, 在PCNN其他参数确定不变的情况下, β越大, 同步脉冲发送的区域就越大, 捕获的神经元灰度的范围也就越大, 但区域分割的精度同样受到影响. 因此可以根据分割效果的需求寻找一个合适尺寸的连接权系数矩阵和链接权重β.

到目前为止, 对图像分割效果进行评判的标准尚不统一[1],大部分通过目测分割结果的方法来给出评价. 一般而言,图像的分割是为了后续的目标识别、图像分析、计算机视觉研究等做准备, 如果分割结果能更符合人眼的特征,并让后续处理更顺利、正确地进行下去, 就是更好的分割方法.

我们选择MATLAB语言编程, 用Matlab 7.0做实验软件, 对多幅图像进行计算机仿真实验, 下面是分别用传统的区域生长法、基于PCNN模型的区域生长图像分割以及直方图阈值法分割LENA图像和电子显微镜下放大的花粉图像的结果:

图2 LENA图像的分割Fig.2 segmentation of LENA image

图3 电子显微镜下放大700倍的花粉图像的分割Fig.3 segmentation of Pollen image magnified 700 times by electron microscope

从图中可以看出, 直方图阈值法和区域生长法都有对于图像有过度分割或破坏边缘细节以及把不同的区域

误分为同一区域的缺点, 而本文提出的算法能够保留更多图像细节特征.边缘信息保持得最完整, 区域轮廓和分割更加准确. 与传统图像分割算法相比, 该算法的分割结果更符合人眼的视觉特征, 克服了传统算法过度分割或欠分割的缺点, 可以更加有效分割目标图像

6 结论

图像分割是个经典难题, 尤其存在与人类视觉机理相脱节的问题[1]. 具有哺乳动物视觉背景的PCNN 为解决此问题提供了新的思路. 本文提出了一种结合PCNN模型和区域生长的图像分割方法, 在原有的传统的区域生长图像分割方法基础上, 利用脉冲耦合神经网络PCNN模型的一个神经元点火, 会捕获其同一区域与其相似性质的神经元也同步发放脉冲的特性作为分类思想, 使用PCNN模型导出的点火频率代替像素灰度值来进行区域划分, 由理论分析和实验结果均表明, 该方法能保留更多图像细节特征, 边缘信息保持得更加完整, 区域分割更加准确, 分割效果更能符合人眼视觉的识别特征. 但是在计算量方面, 由于要事先计算出图像的PCNN点火频率矩阵,计算时间会比传统区域生长法长, 这是下一步要重点解决的问题.

[1] 马义德, 李廉. 脉冲耦合神经网络与数字图像处理[M]. 北京: 科学出版社, 2003.

[2] 谭洪波, 侯志强, 刘荣. 基于人类视觉模型的区域生长图像分割[J]. 中国图象图形学报, 2010, 15( 9) : 1352-1356.

[3] ECKHORN R, REITBOECK H J, ARNDTETAL M.Feature linkingvia synchronization among distributed assemblies: simulation of results from cat cortex[J]. Neural Computation, 1990, 2(3): 293-307.

[4] 张北斗. PCNN在生物医学图像处理中的应用研究[D]. 兰州: 兰州大学, 2007.

[5] L JOHNSON, H RANGANATH, G KUNTIMAD, et al. Pulse-coupled neural networks, in: Neural Networks and Pattern Recognition[M]. SanDiego, CA: Academic Press, 1998: 1-56.

[6] 刘莉,谈文蓉, 一种基于PCNN的有效去除高斯噪声的方法[J]. 西南民族大学学报: 自然科学版, 2012, 38: 132-137.

[7] 毛瑞全, 宫霄霖, 刘开华. 基于PCNN区域分割的图像邻域去噪算法[J]. 光电工程, 2010, 37(2): 122-127.

Region growing image segmentation based on PCNN model

LIU Li, TAN Wen-rong, FU Chun-chang
(School of Computer Science & Technology, Southwest University for Nationalities, Chengdu610041, P.R.C.)

An image segmentation method is proposed which combines region growing algorithm with Pulse Coupled Neural Network (PCNN) model. In this method, the pixels of image are mapped onto the neurons in PCNN．The improved PCNN model’s ignition frequency matrix and the regional growing theory are combined together to form this method. Experimental results show that the segmentation images in this method can keep more complete edge information and more accurate regional divisions, and the results are more in line with the recognition feature of human vision compared with some traditional segmentation methods.

digital image processing; image segmentation; region growing; Pulse Coupled Neural Network

TP391.41

: A

: 1003-4271(2014)03-0434-05

10.3969/j.issn.1003-4271.2014.03.20

2014-03-31

刘莉(1965-), 女, 四川简阳人, 副教授, 硕士, 研究方向: 数字图像处理.基金项目：四川省应用基础研究计划项目《基于PCNN的医学图像处理关键技术研究》(项目编号: 2013JY0188)