李作仁　王佳玉　安雨桐　祁欣

摘要：计算机视觉是一门研究如何使用机器来观察、理解世界的科学，尤其在这信息技术快速发展的时代，用计算机视觉技术对图像信息进行处理、分析显得尤为重要。图像分割是图像分析、理解和识别的基础，分割效果直接决定了后续图像分析和识别的性能。图像识别是图像处理领域的一部分，是在图像分类基础上进一步对图像分割、识别的研究。[1]目前，已产生了很多图像分割算法，其中基于神经网络的图像分割算法应用最为广泛。但由于传统前馈神经网络在处理图像分割时存在迭代次数多、易陷入局部最优等问题，严重影响了其发展及应用。而极限学习机是一种新的机器学习算法，由于其可调参数少，学习速度快以及良好的泛化性能等优点，正日渐受到众多研究学者们的追捧。该文就以极限学习机的图像分割算法为基础，在确定了最优参数的基础上，建立了基于ELM的图像分割算法，并且通过仿真实验对算法的正确性和有效性进行了验证，指出这种算法能够更加快速地完成对图像的分割，并且图像分割孤立点少，边缘明显，同时该算法大大地缩短了样本的训练时间。

关键词：图像识别；图像分割；机器学习；极限学习机；前馈神经网络；仿真测试

中图分类号：TP75 文献标识码：A 文章编号：1009-3044（2016）03-0207-03

1概述

我们拟基于极限学习机来研究图像分割技术。研究实验 基于极限学习机的图像分割算法在确定了最优参数的基础上，建立了基于ELM的图像分割算法，最后仿真实验证明本文提出的算法能快速有效的分割图像。

图像分割是图像处理与图像分析领域中的关键环节，其目的是将图像中具有特征的部分内容更加准确的提取出来，以便展开更加深入的分析，使得对图像的理解和描述能够更加全面，在实践中也取得了一个成果。本文基于极限学习法所提出的图像分割算法所具有的优势更加突出，不仅能够极大的提升学习的速度，同时还具有更好的泛化性，相关参数也能够及时确定，对传统神经网络中的错误信息和冗余信息等进行优化和改进，实验表明采用这种方法还能够极大的缩减网络训练的时间。

2 极限学习机

单隐藏层前馈神经网络（SLFN）在实际应用中较为广泛，所具有的优势也逐渐显现出来，具体有如下两点：、

（1）在学习能力方面表现突出，非常接近于更加复杂的非线性函数；

（2）能够解决一些传统参数方法不能有效解决的问题；

正是由于ELM具有结构简单、学习速度快、泛化能力强和良好的全局搜索能力等优点，使得国内外越来越多的学者专家们对极限学习机进行研究，促使极限学习机在工业、电子等众多领域得到应用。[5]

极限学习机作为一种前馈神经网络的新型学习算法，它具有学习时间短、算法简单易于实现和良好的泛化性能等优点，现已经被广泛应用于人工智能的函数拟合和分类等应用领域。极限学习机算法如下所示：

假设存在N个学习样本矩阵[（xi，yi）]，ELM所对应的目标函数为[fxi]，向量[xi=xi1，xi2，…，xinT∈Rn]，向量[yi=yi1，yi2，…，yimT∈Rm]，i在[1，N]区间内，同时设定网络的L个单隐含层节点和隐含层节点激励函数[g（xi）]是已给定的，那么有[βi，wi，bi]，从而令SLFNs可以无限趋近于0误差的情况下更倾向于这N个样本，其数学公式如下：

3 极限学习机在图像分割中的应用

本文主要在血细胞图像分割中应用极限学习机的具体情况进行论述，并通过相关实验进行验证。首先对血细胞进行提取，然后进行利用极限学习机ELM算法进行图像分割，对图像预处理提取图像特征。最后matlab7.0对处理结果进行仿真分析。实验的计算机的为Genuine Intel（R） CPU T1500 @1.86GH，内存3GB；计算机系统为Microsoft windows XP Professional版本2002 ServicePack3操作系统。

血细胞图片是由医院相关专业人员对血液进行Wright染色后，制成血液涂片，再使用显微镜进行100x 10倍放大处理后，通过彩色摄像机进行拍照而得到的显微细胞图像。[7]由于细胞图片来源不同医学图库，是由不同的人在不同的染色条件下通过不同的显微镜观察获取的，所以图像库里的血细胞显微图像含有各种条件下观察到的不同质量的细胞图片，由这些细胞图片进行实验得到的结果非常具有代表性。

分割流程：

第一步，获取待分割图像，选择一些特征相似，图像清晰，待分割部分边界明显，可区分性比较强，目标区域完整的图像准备对其进行分割。

第二步，图像预处理，采用中值滤波法，直方图均衡化等方法对图像进行去噪，增强图像对比度等功能。

第三步，对图像进行特征提取，对图像的颜色，纹理，形状，空间关系等特征进行提取。

第四步，利用ELM 进行图像分割，训练样本集预测数据，直至把所有的预测数据预测完毕。保存并将分类后得到的结果还原成图像矩阵，得到分割后的图像。[8]

图像预处理：

图像的预处理方面去噪采用的方法是中值滤波法，中值滤波在原理上是将数字图像或者是数字序列中选择一个点，并将这个店作为邻域各点值的中值，从而使周边像素值能够与真实值更加接近，进而除去其中存在的孤立的噪声点，因而中值滤波这种方法在过滤图像方面所形成的效果非常显著。

图像特征提取：

图像特征提取是图像识别过程中一项关键技术，如今比较常见的图像特征由色彩、形状、力矩、纹理等。人体细胞由于种类繁多，需要对图像展开相应的处理，然而这一处理的过程也是对细胞信息进行识别和筛选的过程，能够将其中大量的细胞信息整理出来，尤其是异性细胞，具体包括异性细胞的轮廓面积、轮廓周长、轮廓焦点和相关的色彩信息等。需要找到一种数据分析方法，用以提取有效细胞特征。

基于ELM进行图像分割：

获取图像特征后进行对样本的处理，首先要明确银行层神经的数量，随后对输入层和隐含层之间的连接权值ω以及隐含层神经元的偏置b进行确认，然后确定隐含层神经元的激活函数，这一激活函数是无限可微的函数，然后通过列出隐含层输出矩阵H进行相关技术，从而获得模型泛化性能权值β。[10]

将输出层权值筛选出来，添加进训练样本集，从而获得新的训练样本集，并据此对下组数据进行预测，这一过程循环进行直到所有预测数据全部完成，而后保存到相应分类，将所获得的结果代回到原来的图像矩阵中，进而获得分割后的数字图形。

4仿真实验及分析

（1）图像对比结果

通过MATLAB实验来对其有效性与正确性实施验证，同时与三种算法进行比对，即脉冲祸合神经网络算法、遗传神经网络算法、BP神经网络算法的结果进行比较，如图2所示。在本实验中，激活函数为sig，通过线性相加的试验使隐形神经元从10逐渐递增，最后取60为最好。在上述实验中，算法运行次数均为2000次，选取的结果为运行2000次的平均值。在原图的基础上融入高斯白噪声，并将其分为6×6的邻域窗口，对于图像边缘地区通过边界复制的方法来进行填充。

从主观的角度展开分析，极限学习机图像分割算法能够更好的规避噪音所产生的影响，从而使图像的效果更为清晰，孤立点更少，边缘处理更好，能够使目标区域的显示更加清晰完整。

在进行对比的过程中，图中红色区域为训练样本，其训练样本点的个数共计5500个，并于其他三种算法进行比较，其结果如表2所示。

如表2所示，样本训练时间最长的为BP神经网络，本文提出的分割算法则极大地缩短了样本训练的时间，并且在抗噪性与精度方面表现更加突出。实验表明，本文所研究的算法能够更好地完成图像分割，从而使图像显示的更加清晰，对将来图像分割的方法也是一种积极的探索。

5 总结

对细胞图像分割，通常的方法都需要人工参与，需要手动选择目标区域范围或手动选择种子像素。而本文实现的是自动细胞图像分割，本章则是介绍如何进行自动分割，即自动分割的步骤流程。

本文阐述的自动细胞分割流程有：

1）血细胞细胞核自动提取。

2）对细胞核核区进行膨胀。

3）根据膨胀得到的区域对细胞图像进行正负样本标记。

4）从标记的正负样本区域通过一定的样本选择策略选取正负样本。

5）利用选取的正负样本训练多个ELM分类子模型，利用bagging集成策略对分类子模型进行集成，得到ELM总分类模型。

6）利用训练得到的ELM总分类模型对细胞图像进行分类，获得需要的分害结果。

参考文献：

[1] Vapnik V，Chervonenkis A. The Necessary and Sufficient Conditions for Consistency in the Empirical Risk Minimization Method [J]. Pattern Recognition and Image Analysis， 1991，1（3）：283-305.

[2] Saurabh Agrawal， Nishchal K Verma， Prateek Tamrakar， et al. Content Based Color Image Classification using SVM[C].2011 Eighth International Conference on Information Technology： New Generations， 2011，202：1090-1094.

[3] Chapelle O， Haffner P， Vapnik V N. Support vector machines classification [J].IEEE Transactions on Neural Networks， for histogram-based image 1999，10 CS）：1055-1064.

[4] Gale S，Vestheim S，Gravdahl J T， et al. RBF network pruning techniques for adaptive learning controllers[C]. 2013 9th Workshop on IEEE， 2013：246-251.

[5] Zhao Z， Chen Z， Chen Y， et al. A Class Incremental Extreme Learning Machine for Activity Recognition[J]. Cognitive Computation， 2014：1-9.

[6] Bueno-Crespo A， Garcia-Laencina P J， Sancho-Gomez J L. Neural architecture design based on extreme learning machine [J]. Neural Networks， 2013，48：1924 Sunday H， Silver D， Gagvani N， et al. Skeleton based shape matching and retrieval[C].Shape Modeling International， 2003，IEEE， 2003：130-139.

[7] Patterson A， Akinwande A I. Elementary framework for cold field emission： Incorporation of quantum-confinement effects[J]. Journal of Applied Physics， 2013，114（23）：23-4303.

[8] Wang J， Li X， Lu L， et al. Parameter sensitivity analysis of crop growth models based on the extended Fourier Amplitude Sensitivity Test method [J]. Environmental Modelling & Software， 2013，48：171-182.

[9] Huang G B， Zhou H， Ding X， etal. Extreme learning machine for regression and multiclass classification[J].IEEE Transactions on Systems， Man， and Cybernetics-Part B： Cybernetics， 2012， 42（2）：523-529.

[10] A. Sathya， S.Senthil， Anudevi Samuel. Segmentation of Breast MRI Using Effective Fuzzy C-Means Method Based On Support Vector Machine[C].2012 World Congress on Information and Communication Technologies， 2012 （2）：67-72.