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 機械工程學院，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 機械工程學院，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網絡(PCNN)相結合的彩色圖像分割方法。將彩色圖像轉換到符合人眼視覺特征的色調飽和度亮度(HSV)顏色空間中，選取灰度熵值最大的分量圖像,用PCNN增強以增大感興趣區域對比度，對增強后的分量圖像運用PCNN進行循環分割，當二維Renyi熵值不再大于前一次的值時，終止PCNN的循環分割，獲得最佳分割結果。運用多種評價指標對所分割的結果進行評價，評價結果表明：提出的算法能夠有效實現對彩色圖像的分割，尤其在圖像細節方面，比傳統的彩色圖像分割方法表述得更為清晰。

彩色圖像分割； 脈沖耦合神經網絡； 灰度熵； 色調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具有特定性質的區域以及提取出感興趣區域的技術過程，圖像分割質量的好壞直接影響圖像處理的后續過程。

彩色圖像的傳統分割方法通常可以分為兩類[1]:一類是將彩色圖像轉換為灰度圖像然后利用灰度圖像的分割方法進行分割，這種方法簡單易于實現、效率也比較高，但彩色圖像灰度化容易丟失信息。如，文獻[2]中用數學形態學的方法對彩色圖像的邊緣進行檢測來得到其灰度梯度圖，再使用迭代的最佳閾值對圖像進行分割。另一類方法即是對彩色圖像的各分量信息都進行處理，最后再按照一定的準則進行組合，以此獲取最終的分割結果。如文獻[3]中對紅色綠色藍色(RGB)各分量進行濾波轉換到LAB(L為像素亮度，A為紅色到綠色范圍，B為黃色到藍色范圍)彩色空間，用分水嶺方法獲取封閉區域及質心，再利用模糊C均值(fuzzy C means,FCM)聚類進行分割。文獻[4]中獲取三個顏色通道，將圖像分割成若干塊，進行高斯混合模型運算得到分割結果。雖然這種方法的準確度有所提高，但是操作過程比較繁瑣、運算效率低，而最終的結果也不一定很好。

脈沖耦合神經網絡(pulse coupled neural network,PCNN)是在20世紀90年代由德國科學家Eckhorn R等人通過研究貓的大腦視覺皮層的神經激勵所提出的一種全新的神經網絡模型[5],并由Johnson J L在此基礎上做了進一步的研究，使之最終更加符合生物的神經特性[6]，已經在圖像分割[7～10]、圖像增強[11]、圖像識別[12]中顯示出良好的應用潛力。如文獻[8，9]利用PCNN實現對灰度圖像的分割。文獻[10]中對彩色圖像各分量分別進行PCNN分割,然后再進行合并來實現彩色圖像的分割，但是操作仍較為繁瑣。

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

1　PCNN簡化模型及其圖像處理原理

1.1PCNN的簡化模型

Eckhorn R[5]提出的PCNN模型,以其參數過多、公式描述復雜,往往不直接用于圖像處理，因此,本文使用其簡化模型，該模型的數學描述如式(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)為神經單元的反饋輸入，S(n)為神經單元的激勵輸入信號，L(n)為神經單元的鏈接輸入，β為神經單元聯接強度系數，U(n)為內部活動項，θ(n)為動態閾值,Y(n)為神經單元的輸出脈沖,αθ為衰減系數,Vθ為Y(n)的固有系數，j為神經元標號，n為循環迭代次數。

1.2PCNN圖像分割原理

PCNN分割圖像[8]時，像素灰度值對應相應位置神經元的外部激勵輸入S(n)，開始所有神經元初始狀態為0，第一次迭代后，內部活動項U(n)等于外部激勵輸入S(n)，所有神經元閾值θ(n)從初值開始衰減，當某神經元內部活動項U(n)大于閾值θ(n)時，其激發輸出發一個脈沖1，同時該神經元閾值θ(n)開始急劇增大，停止輸出脈沖，θ(n)再次開始衰減，當其小于內部活動項U(n)時，再次產生脈沖，如此循環，神經元產生一個包含圖像信息的脈沖輸出序列Y[n]，該序列構成的圖像就是PCNN分割圖像。

1.3 PCNN圖像增強原理

PCNN圖像增強[9]的數學描述模型如

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為脈沖耦合神經網絡的圖像增強輸出脈沖，也就是增強后輸出的二值圖像。為了增強圖像的特征，先對Sj進行濾波，同時使Vθ的取值大一些，這樣閾值就衰減的比較慢，從而相鄰灰度級通過不同的時間被激發區別開來。

2　圖像灰度熵

在信息論中，熵用來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，推導出圖像灰度熵[13]，用來衡量圖像信息的量。對于一幅大小為M×N的圖像，其最大灰度級為L，設其灰度值為i的像素個數為ni其概率為Pi，則圖像灰度熵H的計算如下

(12)

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

3　結合灰度熵值和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，色調飽和度亮度(HSV)等。RGB顏色空間使用物理學中對三種顏色R(紅色)、G(綠色)、B(藍色)的不同疊加來產生任意顏色。HSV顏色空間類似于一個倒立的圓錐，H表示色調，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長方體的區域，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) 將彩色圖像轉換到HSV空間，在此空間中計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用公式(6)～式(11)對其進行增強；

3) 對增強后的圖像運用式(1)～(5)進行循環分割，循環步長設為1，獲得輸出脈沖；

4) 計算每次循環分割圖像的二維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，則轉入步驟(3)；否則，停止循環分割，輸出分割的圖像。

4　計算機仿真結果與分析

為了證明算法的有效性，利用Matlab做仿真實驗，對大量的彩色圖像進行仿真實驗；PCNN神經網絡的相關參數設置為[9]：αθ=0.1，β=0.1，Vθ=20；為了便于比較，將圖像大小統一設置為512×512。

將本文提出的分割算法與傳統彩色圖像分割的兩種主要方法進行比了較，部分仿真結果如圖2所示。其中，傳統方法一：彩色圖像轉化為灰度圖像后運用常用的OSTU法進行分割。傳統方法二：對彩色圖像的各分量信息進行Meanshift聚類后再將各分量進行合并來分割彩色圖像。

圖2　彩色圖像分割結果Fig 2　Color image segmentation results

從實驗結果可以看到，基于本文算法的分割結果中，目標的輪廓連續、清楚，凸顯圖像的細節、紋理特征；而傳統方法一的分割結果目標輪廓不連續，受本身灰度圖分布的影響大；傳統方法二的結果輪廓比較模糊。可見，從人的主觀視覺出發，本文分割算法優于傳統的分割算法。

為了定量客觀的評價所得圖像分割結果,根據圖像分割的基本要求，本文選用下列評價準則[8]：最小交叉熵(CE)、區域對比度(CM)、平均梯度(AG)，對前述各種分割方法進行評價，評價結果如表1所示。

表1　圖像分割結果評價

從表1可以看出:本文分割結果在最小交叉熵與平均梯度方面均明顯優于傳統分割方法，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　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循環分割迭代次數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。仿真實驗驗證了所提方法對彩色圖像分割的有效性。與傳統的方法相比，運用本方法，分割所得圖像的輪廓完整、清楚，突出了分割圖像的細節和紋理信息，更加符合人類視覺的認知特征。

[1]馬義德,王兆濱,張新國,等.一種生物彩色圖像自動分割方案[J].哈爾濱工業大學學報,2009,41(9):173-175.

[2]張鑫,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].農業機械學報,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].計算機應用研究,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].農業機械學報,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價方法[J].華南理工大學學報:自然科學版,2009,37(5):49-53.

[9]辛國江,鄒北驥,李建鋒,等.結合最大方差比準則和PCNN模型的圖像分割[J].中國圖像圖形學報,2011,16(7):1310-1316.

[10] 譚穎芳,周冬明,趙東風,等.Unit-LinkingPCNN和圖像熵的彩色圖像分割與邊緣檢測[J].計算機工程與應用,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線醫學圖像增強[J].中國圖象圖形學報,2011,16(1): 21-26.

[12] 常莎,鄧紅霞,李海芳.基于強度PCNN的靜態圖像人臉識別[J].太原理工大學學報,2015,46(1):89-93.

[13] 劉勍,許錄平.結合灰度熵變換的PCNN小目標圖像檢測新方法[J].北京理工大學學報,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].計算機工程與應用,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

四川省科技支撐計劃資助項目(2012GZ0102)

TP 391

A

1000—9787(2016)08—0127—03

李建兵(1990-),男，河南濮陽人，碩士研究生，研究方向為機器視覺與圖像處理。

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