基于脈沖耦合神經網絡的乳鼠心肌細胞圖像增強

陳 潔，雷 萌

（1. 西藏民族大學 信息工程學院，陜西 咸陽 712082；2. 西藏自治區光信息處理與可視化技術重點實驗室，陜西 咸陽 712082）

0 引言

圖像處理技術是細胞顯微圖像分析的重要手段，通過對細胞顯微圖像的去噪、增強、平滑、輪廓檢測、目標分割等操作，可以對細胞進行識別、特征提取、特征統計等，從而為醫學、藥理學研究分析提供幫助[1-2]。

脈沖耦合神經網絡PCNN（Pulse Coupled Neural Network）是一種較新的神經網絡模型，模擬哺乳動物視覺皮層神經元對視覺信號的反應。其特點是無需通過大量訓練，且處理過程符合人類視覺特征，因此在圖像處理領域有其獨特的應用優勢和前景。本文研究了圖像增強技術[3-5][8-10]，選擇基于脈沖耦合神經網絡（PCNN）的方法對乳鼠心肌細胞圖像進行增強處理。

1 PCNN模型

脈沖耦合神經元由接收輸入域、非線性連接調制域和脈沖產生域三部分組成[6]。接收輸入域由線性連接輸入L和反饋輸入F兩部分組成。線性連接輸入部分接收鄰域神經元突觸的輸入信號，反饋輸入除了接收鄰域神經元的反饋信號外，還接收來自外界的刺激信息輸入。兩個輸入通道的信號經過調制域形成內部活動項U，當U大于動態閾值E時，神經元點火，發出脈沖信號。同時，脈沖信號被反饋回閾值調整模塊，動態閾值 E被提升到 VE（VE>U），神經元不再發出脈沖。接著，動態閾值E根據衰減時間常數αE發生衰減，直到U>E，再次發出脈沖信號。現階段圖像處理領域較流行的簡化的PCNN模型[8]如圖1所示，該簡化模型從反饋輸入F中去掉了鄰域神經元的反饋信號，只接收外界信息輸入（在圖像處理中一般以該像素灰度值S作為F輸入）。圖1所示的簡化PCNN模型的數學公式如式（1）到式（5）。

圖1 簡化PCNN神經元示意圖Fig.1 Simplified PCNN neuron diagram

以上公式中，n是脈沖點火迭代次數，Fij為外部輸入信號，等于該像素灰度值Sij。Lij為鄰域神經元連接輸入，VL為連接輸入的固有電勢，Wijkl為內部連接矩陣，存儲對鄰域神經元連接的加權系數。Uij為內部活動項，β為連接強度系數。Eij為動態閾值，VE為閾值調整部分的固有電勢，e-αE為動態閾值E的時間衰減常數。Yij為PCNN的脈沖輸出函數。

2 PCNN圖像增強

圖像增強的目的是根據圖像的具體使用場景，突出感興趣目標的輪廓，增加前背景對比度，提高目標特征的可識別性，改進圖像的質量，以滿足特定應用場景下的分析需要。人眼的主觀亮度變化感知和物理亮度變化符合韋伯-費希納定律，即人眼對亮度變化的感知跟實際亮度變化不成正比，而是類似對數關系。石美紅、張軍英等根據人眼對圖像亮度感知機制，用改進的PCNN方法對圖像增強[9-10]。文獻[9]使用式（6）的輸出結果替代原PCNN輸出，增加目標亮度。并結合拉普拉斯算子修改神經元動態閾值初始值，用以模擬人眼的馬赫帶效應，使圖像邊緣處的神經元更容易點火，目標邊緣像素對比度更強。

式（6）中，EnhIij表示神經元(i,j)點火后的輸出信號，Bri是圖像中最大亮度值，αE是 PCNN動態閾值時間衰減常數，k是神經元(i,j)的點火時間順序，Yij是PCNN點火脈沖信號。此方法被證明可以提升圖像亮度，增強圖像邊緣，使輪紋理細節更突出。因此本文采用該方法處理乳鼠心肌細胞圖像，使細胞肌纖維紋理更清晰，可辨識度更高，為進一步研究分析提供有力依據。

3 實驗結果分析

實驗使用 Matlab7.0，分別采用本文第 3節PCNN圖像增強和形態學圖像重建方法[15-16]，對乳鼠心肌細胞圖像進行增強處理。圖3是用形態學重建方法對原圖進行了增強。圖4是PCNN增強圖像，圖5是PCNN增強后進行了直方圖均衡化處理的圖像。可以看出，圖5比圖3細胞肌紋理更清晰，亮度更均勻，目標邊緣輪廓保持更完整。實驗表明，PCNN圖像增強方法對于處理細節性較強的圖像，既能提高圖像亮度，增強前背景對比度，又能較好地保留細微紋理及輪廓。

圖2 原圖像Fig.2 The original image

圖3 形態學重建圖像Fig.3 The image processed by morphological reconstruction

4 結論

本文采用的基于PCNN的圖像增強方法較適合像心肌細胞顯微圖像這類前景背景分明、需要突出細節的圖像。本文采用的方法基于原圖像最大灰度值對數，對整體亮度較暗的圖像有一定增強作用，但處理后的圖像灰度范圍仍較窄，進行圖像均衡化處理后，獲得了更好的效果。

圖4 PCNN增強圖像Fig.4 The image enhanced by PCNN

圖5 進行直方圖均衡化Fig.5 Processed by histogram equalization

[1] 盛有明, 張正國, 張堅, 修瑞娟. 基于數字圖像處理的離體培養心肌細胞搏動行為的動態分析技術[J]. 生物醫學工程研究, 2011, 30(01): 9-14.SHENG Y M, ZHANG Z G, ZHANG J, et al. Image Processing based on Dynamic Analysis for Pulsatile Behavior of Cultured Cardiomyocytes[J]. Journal of Biomedical Engineering Research, 2011, 30(1): 9-14. (in Chinese)

[2] 唐思源, 柳原, 崔媛. 利用支持向量機對癌細胞的識別[J].軟件, 2014, 35(3): 170-171.TANG S Y, LIU Y, CUI Y. SVM Identification of Cancer[J].computer engineering & Software, 2014, 35(3): 170-171. (in Chinese)

[3] 孫英慧, 孫英娟. 基于統計的三均衡的圖像增強研究[J].軟件, 2016, 37(12): 188-191.SUN Y H, SUN Y J. Image Enhancement Based on Tri-Histogram Equalization Using Statistics[J]. computer engineering & Software, 2016, 37(12): 188-191.(in Chinese)

[4] 屈衛鋒, 徐越, 牛磊磊, 張海輝, 宋懷波. 光照不均QR二維碼圖像的高效處理方法研究[J]. 軟件, 2015, 36(6):47-52.QU W F, XU Y, NIU L L, et al. A Study of an Efficient Method for the Processing of Uneven Illumination QR Code Images[J]. computer engineering & Software, 2015, 36(6):47-52.(in Chinese)

[5] 張璐, 謝剛. 基于粗糙集和屬性直方圖的醫學圖像增強[J].軟件, 2012, 33(02): 99-101.ZHANG L, XIE G. Medical image enhancement using rough sets and bound histogram[J]. computer engineering & Software, 2012, 33(02): 99-101.(in Chinese)

[6] 陳昱蒞. 基于參數自動設置的簡化PCNN模型(SPCNN)的圖像分割及其在目標識別上的應用[D]. 蘭州大學, 2011.CHEN Y L. Image Segmentation by a Simplified PCNN with Automatic Parameter Setting Method and Its Application to Object Recognition[D]. Lanzhou University, 2011. (in Chinese)

[7] 何水明. PCNN在圖像處理中的若干問題研究[D]. 中國地質大學, 2014.HE S M. Research on Several Issues about Image Processing Based on Pulse Coupled Neural Networks[D]. China University of Geosciences, 2014. (in Chinese)

[8] 張紅娟. 基于PCNN的圖像去噪和圖像增強方法研究[D].蘭州大學, 2011.ZHANG H J. Study Of Image Noise Reduction And Image Enhancement Based On PCNN[D]. Lanzhou University, 2011.(in Chinese)

[9] 石美紅, 張軍英, 李永剛, 吳戴明. 一種新的低對比度圖像增強的方法[J]. 計算機應用研究, 2005(1): 235-238.SHI M H, ZHANG J Y, LI Y G, et al. A New Method of Low Contrast Image Enhancement[J]. Application Research of Computers, 2005(1): 235-238. (in Chinese)

[10] 張軍英, 盧濤. 通過脈沖耦合神經網絡來增強圖像[J]. 計算機工程與應用, 2003(19): 93-95+127.ZHANG J Y, LU T. Enhanced of Image by PCNN[J]. Computer Engineering and Applications, 2003(19): 93-95+127.(in Chinese)

[11] 張軍英, 樊秀菊, 董繼揚, 石美紅. 一種改進型脈沖耦合神經網絡及其圖像分割[J]. 電子學報, 2004(7): 1223-1226.ZHANG J Y, FAN X J, DONG J Y, et al. Image Segmentation Based on a Modified Pulse-Coupled Neural Network[J].ACTA ELECTRONICA SINICA, 2004(7): 1223-1226. (in Chinese)

[12] 沈艷, 張曉明, 韓凱歌, 姜勁. PCNN圖像分割技術研究[J].現代電子技術, 2014, 37(2): 38-41.SHEN Y, ZHANG X M, HAN J G, et al. Research of image segmentation technology based on PCNN[J]. Modern Electronics Technique, 2014, 37(2): 38-41. (in Chinese)

[13] 張小琴, 余列, 李懿. 基于PCNN模型的生物細胞圖像分割[J]. 吉首大學學報(自然科學版), 2014, 35(1): 46-49.ZHANG X Q, YU L, LI Y. Biological Cell Image Segmentation Based on PCNN[J]. Journal of Jishou University (Natural Science Edition) 2014, 35(1): 46-49.(in Chinese)

[14] 余成波, 孔慶達, 田桐. 基于CLAHE與同態濾波的細胞圖像增強新方法[J]. 微型機與應用, 2017, 36(4): 51-52+62.YU C B, KONG Q D, TIAN T. New approach to the cell image enhancement based on adaptive histogram equalization and homomorphic filtering[J]. MICROCOMPUTER ITS APPLICATIONS, 2017, 36(4): 51-52+62. (in Chinese)

[15] 陳潔, 胡永, 劉澤國. 基于標記的分水嶺圖像分割算法研究[J]. 軟件, 2012, 33(9): 115-117.CHEN J, HU Y, LIU Z G. Research on Image Segmentation Based on Marked-Watershed[J]. computer engineering &Software2012, 33(9): 115-117. (in Chinese)

[16] 劉燕妮, 張貴倉, 安靜. 基于數學形態學的雙直方圖均衡化圖像增強算法[J]. 計算機工程, 2016, 42(1): 215-219.LIU Y N, ZHANG G C, AN J. Double Histogram Equalization Image Enhancement Algorithm Based on Mathematical Morphology[J]. Computer Engineering, 2016, 42(1): 215-219. (in Chinese)