基于PCNN網絡的印章圖像處理

林毅，傅夏生

（四川大學計算機學院，成都 610065）

基于PCNN網絡的印章圖像處理

林毅1，傅夏生2

（四川大學計算機學院，成都 610065）

當今社會，出現大量的假印章，假章的泛濫導致了嚴重的問題，因此對印文圖像進行精確而高效的識別就顯得非常重要。對PCNN模型進行深入的研究，并著重學習實踐應用PCNN對印文圖像進行處理研究。脈沖耦合神經網絡是和生物智能領域的結合，具有生物神經網絡獨特的高容錯性和高適應性，能夠保證印文圖像在印文殘缺，線條不均勻的情況下不會影響印章的識別，同時也能夠滿足對印文圖像識別的實時性和準確性的要求[1]。應用PCNN進行印文提取質量較高，提取速度快。應用PCNN模型對印文圖像進行提取，探究應用人工神經網絡和傳統上提取印文圖像紅色分量匹配的結果，更好地理解人工神經網絡在圖像處理上應用的相關技術。

脈沖耦合神經網絡；印章圖像；印文提取

0 引言

印章，是用作于印在文件上表示鑒定或者簽署的憑證。從古至今，印章無論在日常的經濟生活中還是在其獨特的藝術性上都有著無可取代的作用。然而在現實的生活中，正是因為事事不可離開印章的這樣的特性，使得很多不法分子鋌而走險，使用假印章獲取不正當的利益，這種行為已經威脅到了社會的穩定和公平，給國家、社會、個人帶來了巨大的損失。由于各類印章的防偽性較差以及監督使用方法的相對不成熟，長久以來，我們一直受到假印章的困擾。

人工神經網絡的研究已經應用在經濟、軍事、工程等諸多領域，人工神經網絡是和生物智能領域的相應結合，因此人工神經網絡具有生物神經網絡所有的高容錯性、適應性強等明顯的優點。人工神經網絡應用在印章圖像處理上，能夠以更快的效率，更準確的識別率，更高的抗噪能力超越其他圖像處理技術。

1 基于PCNN網絡的印章圖像處理

神經網絡是一種運算模型，由大量的節點（或稱“神經元”）和之間相互聯接構成。每個節點即每一個神經元代表的是一種特定的輸出函數，被稱之為激勵函數。每兩個神經元間的連接都代表了一個對于通過該連接信號的加權值，稱之為權重，這就相當于人工神經網絡的記憶[2]。

人類神經系統的結構如圖1中所示，系統中是人類的神經網絡，神經網絡不斷的接受來自外界的刺激，通過感受器，感受這些刺激并做出相應的反應，信號會順著箭頭所指的方向往前傳輸，同時往回的箭頭表示的是系統的反饋。感受器把人本身或者來自外部環境的刺激轉換成為了電流，向神經網絡傳送信息，神經網絡的效用器會把電流刺激轉換成為可識別的響應輸出。

圖1 神經系統框架圖

人工神經元的模型就是對生物神經元的數學上的抽象化，如圖2所示。

圖2 神經元模型

2 實驗設計

PCNN屬于第三代神經網絡，Eckhorn[3]在對貓的大腦皮層視覺區域神經元研究時根據同步脈沖發放現象提出PCNN。Eckhorn提出的PCNN模型的參數較為復雜，不容易設定，所以在實際的應用中，研究者們就Eckhorn提出的PCNN模型進行了改進和簡化，這樣一來就能夠更加適合于圖像處理。不同的應用采用的是不同的網絡模型和參數設定方法，網絡模型的選擇和參數的設定會直接影響著最終的效果。

有一種經過簡化的網絡模型“顧曉東模型”[4]如圖2所示，是該模型的基本結構。

圖3 顧曉東模型

本文采用的模型就是如圖3所示的神經元網絡模型，從生物的角度上來說，單個的神經元不僅要接受來自外部的環境輸入，還會受到其他周圍鄰接神經元的影響，上圖中的Ii，j表示的是來自外部的輸入，Yk（1≤K≤4）表示的是來自神經元Ni，j鄰接神經元的輸入。Fi，j和Li，j分別表示的是饋送單元輸入和連接單元輸入，在本模型中饋送單元輸入Fi，j在數值上等于外部環境輸入Ii，j，連接單元輸入Li，j是鄰接神經元輸出的和。在調制區域的部分，內部活動矩陣Ui，j是由公式（1）計算的：

在公式（1）中βi，j表示連接的強度。在脈沖產生區域，Ui，j和神經元的閾值θi，j進行比較。如果Ui，j比θi，j大，那么神經元Ni，j此時就會發送一個脈沖信號，這也就是所謂的神經元點火；否則，那就沒有脈沖輸出。神經元發出脈沖的同時，該神經元的閾值θi，j也會立刻提高到一個足夠大的值，使得該神經元不會再次發送脈沖。因此，神經元的輸出Yi，j由公式（2）得到：

將脈沖耦合神經網絡應用于二值化圖像細化操作時，除了以上所述的特點外，同時還應該滿足以下的特點：

神經元Ni，j的饋送單元的輸入值Fij就是像素點Pi，j的灰度值；

神經元Ni，j只會被其周圍的和它連接的神經元Ni-1，j、Ni，j-1、Ni，j+1和Ni，j+1的影響，因此這時該神經元的連接單元輸入Li，j的計算公式是：

閾值θi，j的計算公式如（4）所示，（和是兩個給定的常數）：

這里設定的矩陣T是一個二值的矩陣，保存著細化的結果，Ffired同樣表示的是一個二值的矩陣，保存的是當前點火時刻所有點火的神經元。

細化的流程圖如圖4所示。

印文的提取的主要步驟如下：先對原始的RGB顏色空間的印文圖像進行二值化的處理，使得圖像變得簡單，圖像的數據信息會因此減少，但是卻能夠突顯出我們需要的目標輪廓，接著提取出印文的輪廓骨架，讓提取出來的骨架和原始的圖像轉化成的二值化印文圖像進行融合，這樣最終就把印文的主要特征結構給提取出來。對于印文的模版圖像和待比對的圖像都需要進行這樣的相關處理，這樣把圖像轉換成為計算機能夠理解的特征，按照特征進行比對，最終得出鑒別的結果。

圖4 細化流程圖

原始圖像是一個基于RGB顏色空間的圖像，那么通過OpenCV這一跨平臺的計算機視覺庫里面的API函數，能夠很方便地實現將原始圖像轉換為灰度圖像，接著繼續將灰度圖像轉換成更好處理的二值化的圖像，二值化的圖像能夠大大減少處理信息，簡化問題。由于印文本身結構的特殊性，可以料想到，進行二值化處理后的圖像會存在一定數量的結構上的空洞，不利于對圖像的處理，這時候應該采取形態學上的連續腐蝕操作，形態學上的腐蝕是將圖像中的某些結構元給去除掉，腐蝕會縮小并細化二值化圖像中的部分，在印文中就會將細小的邊界和結構給過濾干凈，進行完連續的腐蝕操作，還要對圖像進行連續的膨脹操作，與腐蝕有所不同的，膨脹會在一定程度上粗化或者說增加二值化圖像中的部分，重塑圖像，然后對最終的圖像進行邊界的提取，這樣就能夠得到的符合要求的結果圖像。

大小為m×n的二值圖像F（假設圖像中背景的灰度值是1，對象的灰度值是0），設定F（i，j）表示第（i，j）個像素的灰度值。在把圖像F輸入到神經網絡前，對像素的灰度值F（i，j）進行預處理：

接著把F輸入到網絡中一直到沒有新的神經元點火，那么最終得到的結果就是空洞填充的結果。這一步的操作為接下來對圖像骨架細化，然后進行印文提取有重要的作用[4]。

所謂圖像細化，指的是對二值化圖像骨架化的一種操作運算。細化就是對圖像進行一層層的剝離，把圖像中一些不重要的部分給濾去，但是最重要的是仍然保持圖像原來的大致形狀。這對于印文圖像的提取起到了很大的作用。

本文采用的細化算法能夠把印文骨架快速的從復雜的印文背景中提取出來。算法的流程圖如圖5所示。

在圖5中，Image1和Image2是兩幅二值圖像，在第n次點火的時候，分別用O1（n），O2（n）來表示輸出。細化的結果公式為：

實際上Image1是原始圖像通過空洞填充算法得到的，Image2則是由Image1和二值化后的圖像相減得到的。通過PCNN神經網絡模型得到最終的結果。由于待操作的圖像在先決條件上要求是封閉的，那么形態學上的腐蝕和膨脹的操作就很有必要[4]。

在得到了印章的骨架之后，將印章圖像的骨架提取的圖像和印文的二值化圖像在形態學上進行完腐蝕和膨脹操作之后的圖像進行融合，可以得到一個新的融合圖像。

圖5 骨架提取算法流程圖

3 實驗結果及結論

本文實驗的探究是建立在Windows操作系統平臺上的。因此基于PCNN模型的印文處理研究可以利用微軟的可視化集成開發平臺Visual C++6.0。MFC基礎框架可以在此IDE中搭建，使用MFC框架來構建實驗程序，并輔之以OpenCV1.0這個開源的計算機視覺庫，將相關的算法應用到對圖像的處理上。

為了方便對印文圖像進行比對，因此需要對印文留底圖像和待識別圖像都進行預處理操作，如圖7中所示，對印文的原始圖像進行了二值化的處理，同時還對提取印文圖像紅色分量的圖像進行二值化的處理，可以明顯觀察到，被處理后的印文圖像在圖像信息結構上顯得更加簡單，這樣也更容易被計算機理解，進而做出更好的判斷。

通過對于兩者不同實驗步驟進行比較，明顯的發現僅僅只是提取印文圖像的紅色分量的值，顯然在印文圖像信息的顯示以及后續需要進一步對印文圖像進行處理的時候，能夠給印文正確識別帶來的幫助十分有限，提取紅色通道分量后的圖像雖然直接簡單，但是提取的效果并不好，在提取的過程中，會丟失其他有用的信息。

圖6 印文原始圖像和提取紅色分量印文圖像的二值化圖像

得到二值化的圖像之后，可以看到的是二值化后的圖像還依然帶著一些影響判斷的特征，印文存在的瑕疵，因此在形態學上要對二值化的圖像進行腐蝕和膨脹操作，得到更適合處理的印文圖像。下圖7中a、c、e、g、i、j是上文中二值化處理后的圖像，b、d、f、h、k、l是經過了形態學上操作的圖像。

圖7 二值化圖像形態學處理后的圖像

經過比對可以發現，二值化原來存在的一些縫隙，大部分都已經被處理完畢。同時也可以明顯的感受到圖像的特征信息已經有了改進。

[1]Johnson J.L.and Padgett M.L.PCNN Models and Applications[R].IEEE Transactions on Neural Networks，1999,10（3）:480-498.

[2]維基百科.[EB/OL]http://zh.wikipedia.org/zh-cn/人工神經網絡

[3]Eckhorn R.，Frien A.and Bauer R.High Frequency（60-90 Hz）Oscillations in Primary Visual Cortex of Wake Monkey[R].Neuroreport，1993，4（3）:243-246.

[4]顧曉東，余道衡.PCNN的原理及其應用.電路與系統學報[J]，2001，9-6（3）.

[5]Rafael C.Gonzalez，Richard E.Woods.Diaital Image Processing[M].Third Edition.北京：電子工業出版社，2011：14-16.

Process of the Seal Image Based on PCNN

LIN Yi，FU Xia-sheng
（College of Computer Science，Sichuan University，Chengdu610065）

With the development of the society,the seal plays a significant role in today’s social life as a symbol of the credit.In today’s society, there are many kinds of fake seals.Because the flooding of fake seals will cause serious problems,it is very important to identify the seal image accurately and efficiently.Studies this model and focuses on the application of the PCNN for the process of the seal image.The PCNN is a combination with biological intelligence.This model has unique high fault tolerance and high adaptability.By applying this model the seal image,it can be recognized under complicated conditions,and at the same time,it can satisfy the seal image recognition of realtime and accuracy requirements.Using the PCNN to extract seal images has higher quality and faster speed for extracting.Applies the PCNN model to extract the seal image and compare to the traditional method which extracts the red channel of the seal image.Through the study and research on PCNN model to get a better understanding of artificial neural network technologies of its application in image processing.

PCNNs;Seal Image;Seal Extraction

1007-1423（2017）05-0071-06

10.3969/j.issn.1007-1423.2017.05.017

林毅（1992-），男，福建福州人，碩士研究生，研究方向為機器學習

2016-12-16

2017-02-12

傅夏生（1991-），男，廣西玉林人，碩士研究生，研究方向為機器學習