基于改進神經網絡的圖像邊緣分割技術

衛洪春

摘 要： 采用梯度下降法進行圖像邊緣分割時受到噪聲的干擾，訓練過程中存在局部最佳解，從而導致圖像邊緣分割效果和泛化性能差。為此，提出基于改進神經網絡的圖像邊緣分割方法，采集樣本圖像的中值特征量、基于梯度的特征量、Krisch算子方向特征量，融合三個特征向量塑造具備較強抗噪性能的樣本圖像特征向量，通過基于特征向量和BP神經網絡的邊緣檢測算法，將樣本圖像特征向量輸入四層BP神經網絡，采用改進BP算法訓練四層BP神經網絡，采用訓練后的改進神經網絡完成圖像邊緣分割。實驗結果表明，所提圖像邊緣分割方法細節保有性能強，分割精度和泛化能力強。

關鍵詞： 改進神經網絡； 圖像邊緣； 圖像分割； 梯度特征； 中值特征； 改進BP算法

中圖分類號： TN911.73?34； TP391.41 文獻標識碼： A 文章編號： 1004?373X（2018）16?0112?04

Abstract： There exist noise interference when the gradient descent method is used for image edge segmentation and local optimal solution in its training process， resulting in poor image edge segmentation effect and generalization performance. Therefore， an image edge segmentation method based on improved neural network is proposed. The median feature quantity， gradient?based feature quantity， and Krisch operator direction feature quantity of sample images are collected. The three feature vectors are fused to shape the feature vector with strong anti?noise performance for the sample image. The feature vectors of sample images are input into the four?layer BP neural network by means of the edge detection algorithm based on the feature vector and BP neural network. The improved BP algorithm is used to train the four?layer BP neural network. The improved neural network is used to complete image edge segmentation. The experimental results show that the proposed image edge segmentation method has strong detail preservation performance， segmentation precision， and generalization capability.

Keywords： improved neural network； image edge； image segmentation； gradient feature； median feature； improved BP algorithm

圖像的關鍵特征是邊緣，其廣泛應用在計算機視覺、模式識別等領域。圖像邊緣檢測是數字圖像處理領域研究的重點[1]。尋求有效的圖像邊緣分割方法，對于醫療、軍事、探測以及工業等領域具有重要的應用價值。以往BP神經網絡方法大都采用梯度下降法實現圖像邊緣分割，其訓練時會出現局部最佳值，導致圖像分割精度大大降低，泛化性能差。圖像邊緣檢測是一種分類過程，可通過BP神經網絡進行有效分類，本文通過樣本圖像訓練BP神經網絡，通過訓練好的神經網絡檢測圖像邊緣。神經網絡訓練過程中，采集的特征需要對噪聲點同真實邊緣間的差異進行充分分析，該方法抗噪性能強[2]。因此，本文提出基于改進神經網絡的圖像邊緣分割方法，實現圖像邊緣的快速、準確分割。

1 基于改進神經網絡的圖像邊緣分割技術

1.1 圖像特征向量提取

在圖像里產生灰度突變的點統稱為圖像的邊緣，其在鄰域里的灰度布局是有規律并有方向的。噪聲點與其差異在于即使也有灰度突變[3]，但不存在方向性這一特征。建立3×3鄰域像素灰度值來對恢復突變進行描述，由于邊緣點與噪聲點存在不同，通過建立適應各自的特征量來對二者的不同進行描述，可以提高圖像邊緣分割算法的抗噪性。

1.2 基于特征向量和BP神經網絡的邊緣檢測算法

BP網絡是一種具有代表性和廣泛應用的多層前饋式誤差反向傳播的神經網絡。BP網絡操作流程是將輸入信號[Xi]在中間節點（隱層點）進行非線性變換獲得輸出信號[Yk]。輸出向量[Y]與期望輸出量[t]是網絡訓練樣本的基礎量。想要讓[Y和t]之間的誤差順梯度方向減小，那么就要改變輸入節點和隱層節點的結合強度取值[Wi，j]，以及隱層節點和輸出節點之間的結合強度[Tjk]和閾值。多次實踐訓練后，得出與最小誤差符合的網絡參數（權值和閾值）訓練便可以完成。BP神經網絡通過訓練后可以對相似樣本輸入信號，自動對輸出結果進行調整以保證得到最小誤差[6]，最后輸出通過非線性轉換的信息。

基于特征向量和BP神經網絡的邊緣檢測算法如圖1所示，融合1.1節獲取的三個特征向量塑造具備較強抗噪性能的樣本圖像特征向量，將該樣本圖像特征向量當作樣本對四層BP網絡進行訓練[7]，得出BP網絡直接進行圖像邊緣檢測。輸入層、隱含層、輸出層是BP神經網絡的基本層。本文所分析的BP網絡為在基本層之后增加隱含層，是一種四層BP網絡，這樣可以使網絡收斂速度得以提升[8]。選取3個輸入節點，即中值特征量[Mi，j]、基于梯度的特征量[Gi，j]、Krisch算子方向特征量[Ki，j]；選取2個輸出節點，用來代表邊緣與背景。

在訓練中，通過對選取的圖像的各向同性Krisch算子獲取圖像的邊緣，并對其進行過濾，除掉因噪聲產生的虛假邊緣獲取合格的有效邊緣，即圖像信號采用邊緣點編碼（1，0），背景區域編碼（0，1）來描述；利用改進后的BP算法訓練四層神經網絡對圖像中各點提取邊緣特征向量進行訓練[9]。通過反復訓練獲取網絡隱含層的節點數和學習步長以及動量因子。

基于特征向量和BP神經網絡的邊緣檢測算法的詳細步驟為：

1） 在所選的訓練圖像上，利用窗口滑動計算像素點的統計向量，獲取BP網絡訓練樣本。選擇Lena為訓練圖像，見圖2a）。

2） 計算出3個特征分量（中值特征量、基于梯度的特征量、Krisch算子方向特征量），同時再定義[Xi，j]作為一個新樣本分量：

3） 訓練BP網絡。選取的BP網絡由1個隱層、4個節點的輸入層、1個節點的輸出層組成。隱層的節點數尚未確定，通過經驗公式對隱層節點數進行選取。設隱層節點數為[n1]，則有：

通過實驗得出隱層節點數有3個。

4） 在BP網絡訓練后，對邊緣進行檢測。輸入圖像特征向量，BP網絡訓練完成后能夠直接選取邊緣點從而得出邊緣圖。所得圖像是灰度圖像，再對閾值進行設置得出二值圖像。

2 實驗分析

椒鹽噪聲與高斯噪聲是數字圖像中經常存在的噪聲。所以本文實驗所用圖像為迭加椒鹽噪聲的血細胞圖像、迭加高斯噪聲的TM影像。圖3a）為迭加椒鹽噪聲血細胞圖像。利用本文方法取得所需特征向量，再利用改進后的BP算法進行網格訓練。其中，網絡隱含層節點數是6，8，學習步長是0.3，動量因子是0.4，進行1 014次迭代后收斂。通過Sobel方法與本文算法中已訓練的BP網格對實驗圖像邊緣進行檢測，所得結果見圖3b）、圖3c）。

圖4a）為迭加高斯噪聲的TM影像。利用本文方法對網絡進行訓練。其中，網絡隱含層節點數是7，8，學習步長是0.3，動量因子是0.5，進行1 086次迭代后收斂。通過Sobel方法與本文方法對該圖像邊緣進行檢測，所得結果見圖4b）、圖4c）。

分析圖3和圖4可得，采用本文方法檢測圖像邊緣，能夠使噪聲干擾降低，圖像邊緣分割效果遠高于Sobel方法。

實驗檢測本文方法以及Sobel方法對彩色圖片的邊緣分割結果如圖5所示。

分析圖5可以看出，相對于Sobel方法，本文方法能夠在細節處理方面得到提升，細節保有性能強，并且在檢測弱邊緣時能力有所增強，所得圖像邊緣更加明顯，本文方法的分割精度高。

利用camera標準灰度圖像對本文方法泛化能力進行檢測，所選圖像尺寸為256×256，見圖6a）。將經過歸一化處理的圖像，輸入經過訓練的BP網絡，所得結果見圖6b）。本文方法能夠有效地提取camera灰度圖像邊緣，即證明本文方法在圖像邊緣檢測方面的泛化能力特別強。

圖7為本文方法訓練時的誤差曲線。觀察曲線走勢可知，誤差在訓練至300次以前迅速下降，此時收斂的速度比較快；在訓練經過300次以后，誤差曲線較為平坦，比較接近訓練所需結果，因此可以看出，訓練的次數不宜過多，本文方法選取了1 000次訓練；同時曲線沒有明顯的波動，所以證明了本文方法是一種高效率的圖像邊緣分割技術。

3 結 論

本文采用改進神經網絡的圖像分割方法，其基于采集的圖像中值特征量、基于梯度的特征量、Krisch算子方向特征量，采用基于特征向量和BP神經網絡的邊緣檢測算法實現圖像邊緣的高精度分割。

參考文獻

[1] 易盟，隋立春.基于改進全卷積神經網絡的航拍圖像語義分類方法[J].計算機工程，2017，43（10）：216?221.

YI Meng， SUI Lichun. Aerial image semantic classification method based on improved full convolution neural network [J]. Computer engineering， 2017， 43（10）： 216?221.

[2] 靳淑祎.基于改進型脈沖耦合神經網絡圖像噪聲濾波算法研究[J].激光雜志，2016，37（1）：142?144.

JIN Shuyi. Research on image noise filtering algorithm based on improved pulse coupled neural network [J]. Laser journal， 2016， 37（1）： 142?144.

[3] 廖曉磊，趙涓涓.基于改進自生成神經網絡的肺部CT序列圖像分割[J].計算機科學，2017，44（8）：296?300.

LIAO Xiaolei， ZHAO Juanjuan. Segmentation of lung CT image sequences based on improved self?generating neural networks [J]. Computer science， 2017， 44（8）： 296?300.

[4] 鄒瑜，帥仁俊.基于改進的SOM神經網絡的醫學圖像分割算法[J].計算機工程與設計，2016，37（9）：2533?2537.

ZOU Yu， SHUAI Renjun. Improved segmentation algorithm of medical images based on SOM neural network [J]. Computer engineering and design， 2016， 37（9）： 2533?2537.

[5] 黃衛，文坤梅.基于改進神經網絡的4K超高清圖像清晰化技術研究[J].現代電子技術，2017，40（14）：120?123.

HUANG Wei， WEN Kunmei. Research on 4K ultrahigh?definition image clearness technology based on improved neural network [J]. Modern electronics technique， 2017， 40（14）： 120?123.

[6] 彭晏飛，周娟，訾玲玲.于衛星地域遙感圖像分割方法研究仿真[J].計算機仿真，2017，34（1）：332?335.

PENG Yanfei， ZHOU Juan， ZI Lingling. The simulation research on regional satellite remote sensing image segmentation method [J]. Computer simulation， 2017， 34（1）： 332?335.

[7] 吳曦，姚楠，許建剛.基于改進神經網絡算法的變電站變壓器裂紋圖像識別[J].現代電子技術，2017，40（13）：66?69.

WU Xi， YAO Nan， XU Jiangang. Substation transformer crack image recognition based on improved neural network algorithm [J]. Modern electronics technique， 2017， 40（13）： 66?69.

[8] 周鵬飛，張月琴.基于模糊BP神經網絡的圖像分割方法研究[J].計算機工程與設計，2014（7）：2423?2426.

ZHOU Pengfei， ZHANG Yueqin. Study on image segmentation based on fuzzy BP neural network [J]. Computer engineering and design， 2014（7）： 2423?2426.

[9] BALAKUMAR B， RAVIRAJ P. Automatic morphology?based MRI brain segmentation in edge detection with neural?network optimization [J]. International journal of applied engineering research， 2015， 10（7）： 18221?18229.

[10] LI W， PENG D， WU J. Extraction of seedlings information based on improved edge segmentation algorithm [J]. Transactions of the Chinese Society for Agricultural Machinery， 2014， 45（4）： 259?263.