基于全卷積神經網絡的醫療圖像弱邊緣檢測算法

李曉峰 李東 王妍瑋

摘 要：針對目前存在的圖像弱邊緣檢測算法容易忽略邊緣計算中閾值的選取問題，且并未對數據進行聚類分析，導致檢測效果不佳的問題，提出基于全卷積神經網絡的復雜醫療圖像弱邊緣檢測算法。首先，采用Mean-shift（均值偏移）對復雜醫療圖像濾波處理，并對濾波后的圖像進行灰度像素增強;其次，使用可自適應調節的動態閾值方法對圖像邊緣點和內部候選點進行判定，獲取邊緣計算結果;最后，建立全卷積神經網絡模型，并對模型進行訓練，在模型中輸入計算得到的圖像邊緣數據，采用量子遺傳聚類方法構建聚類目標函數并求解，完成對輸入數據的聚類，以聚類結果為基礎，生成邊緣信息概率圖，對圖像的弱邊緣概率進行計算，完成弱邊緣檢測。實驗結果表明，選取閾值的適應度較強，圖像邊緣計算耗時少，對于不同的鄰域量子漫步空間數據集，所提算法均具有較好的聚類效果，且所提算法的弱邊緣檢測準確率最高可達到86%，檢測效果好。

關鍵詞：

全卷積神經網絡;醫療圖像;弱邊緣;閾值;量子遺傳聚類方法;檢測

DOI：10.15938/j.jhust.2021.03.010

中圖分類號： TP391

文獻標志碼： A

文章編號： 1007-2683（2021）03-0065-09

Weak Edge Detection Algorithm for Medical

Images Based on Full Convolution Neural Network

LI Xiao-feng1， LI Dong2， WANG Yan-wei 3

（1.Department of Information Engineering， Heilongjiang International University， Harbin 150025， China;

2.School of Computer Science and Technology， Harbin Institute of Technology， Harbin 150001， China;

3.Department of Mechanical Engineering， Purdue University， West Lafayette， Indianan IN47906， US）

Abstract：Aiming at the existing image weak edge detection algorithm， it is easy to ignore the selection of threshold in edge calculation， and there is no clustering analysis of the data， which leads to the problem that the detection effect is not good. A weak edge detection algorithm for complex medical images based on full convolution neural network is proposed. Firstly， Mean-shift is used to filter the complex medical image， and the gray pixel of the filtered image is enhanced. Secondly， the adaptive dynamic threshold method is used to determine the edge points and internal candidate points of the image， and the edge calculation results are obtained. Lastly， the full convolution neural network model is established， and the model is trained， and the calculated image edges are inputted into the model. The objective function of clustering is constructed and solved by quantum genetic clustering method， and the clustering of input data is completed. Based on the clustering results， the edge information probability map is generated， the weak edge probability of the image is calculated， and the weak edge detection is completed. The experimental results show that the fitness of selecting threshold is strong and the calculation of image edge is less time-consuming. For different neighborhood quantum walking spatial data sets， the proposed algorithms have good clustering effect， and the accuracy of weak edge detection of the proposed algorithm can reach 86%， and the detection effect is good.

Keywords：full-convolution neural network; medical image; weak edge; threshold; quantum genetic clustering method; detection

0 引 言

醫療圖像是指醫療設備所獲取的圖像，隨著醫療圖像在臨床醫學中的廣泛應用，醫療圖像成為臨床診斷與治療的重要參考依據[1]。對醫療圖像進行實際掃描處理時，通常形成的圖像邊緣過渡區較寬，易成為弱邊緣，影響圖像質量[2-3]。邊緣是圖像最基本的特征，弱邊緣檢測是醫療圖像處理的關鍵步驟，這一操作能夠準確的完成圖像邊緣定位，且能夠較好的抑制圖像噪聲，特別是針對復雜醫療圖像，如乳腺癌圖像，可以預先對乳腺圖像的邊緣進行處理，提高圖像質量，從而提供更為準確的診療結果。可以看出，醫療圖像弱邊緣檢測在疾病的輔助治療方面具有重要的價值[4]。

長期以來，眾多研究學者對醫療圖像弱邊緣檢測問題不斷進行分析與改進。梁大川等人[5]在不同尺度空間對顯著目標圖像位置進行提取，采用稀疏主成分分析對圖像顯著特征進行分析，進而完成檢測，但此算法對邊緣數據進行計算時耗費的時間較長;王明文等人[6]對低質量圖像邊緣進行檢測，對于檢測過程中出現的誤差，采用插值等方式進行修復，但也存在檢測耗時長的問題;王方超等人[7]提出了改進的Roberts邊緣檢測算法，創新性的對鄰域計算方式進行改進，以此來計算梯度幅值，并采用了最佳的閾值分割方法提取圖像目標輪廓，完成邊緣檢測，但圖像邊緣數據計算時間長;劉慶民等人[8]采用數學方法改進中值濾波器，對圖像進行差分處理，減少邊緣丟失，該算法能夠使邊緣輪廓更加清晰，但計算結果的準確率還有待提升;段紅燕等人[9]通過對雙邊濾波器權重參數的調節來降低圖像邊緣信息的丟失，同時采用小波變換增強圖像細節信息，并對濾波后的數據聚類分析，該算法的圖像邊緣信息檢測效果較好，具有一定的優勢，但該算法對雙邊濾波器權重參數調節的準確度不足，導致數據聚類效果不好，準確率不高。Verma and Parihar[10]從原始圖像中獲取最小值段同化核區域，構建模糊集來增強圖像細節信息，提出一種高斯隸屬函數，利用優化的函數參數，得到模糊邊緣圖，采用自適應閾值化方法對模糊邊緣映射進行去模糊處理，得到二值邊緣映射，完成邊緣檢測;Gardiner等[11]提出一種在有限單元中利用線性基函數和測試函數對圖像進行處理的算法，重點利用線性算子獲取不同尺度圖像的邊緣映射;Arora等人[11]利用信息集理論定義了邊緣強度，利用對稱高斯隸屬函數對特定處理區域的直方圖進行模糊化處理，增強邊緣信息，獲取檢測結果，但文[10-12]存在檢測準確率不高的問題。目前也有利用卷積神經網絡對圖像進行檢測的算法，李岳云等人[13]通過對深度卷積神經網絡學習圖像特征的提取，獲取目標圖像的置信度，根據置信度配置將能量最小化，實現目標檢測，但該種算法檢測結果還存在一定的不全面性。

目前計算機的運算性能出現了飛速的提升，但仍舊滿足不了人們的需求，量子計算理論成為解決這一問題的重要途徑。量子世界特有的疊加性、并行性等性能，使量子算法成為一種新的計算模式，以指數效率提高數據計算能力，徹底打破了舊有計算模式的限制。對固定給出的元素進行搜索，經典的搜索算法需要O（N）次運算，1997年提出的量子搜索算法，僅僅需要耗費O（N）次運算，表明量子算法能夠將經典計算下的NP難題轉換為多項式時間內求解的P問題，至此后迎來量子熱潮，量子數據挖掘、量子學習等研究成果相繼出現。其中，David Horn在聚類問題中引入了量子計算，本文將量子遺傳算法與聚類問題相結合，提出一種量子遺傳聚類方法。本文在傳統圖像邊緣檢測算法的基礎上，提出了基于全卷積神經網絡的復雜醫療圖像弱邊緣檢測算法，對圖像進行濾波和增強等預處理，計算醫療圖像邊緣信息，以此為基礎，建立全卷積神經網絡模型，對復雜醫療圖像首先進行量子遺傳聚類分析，再計算圖像的弱邊緣概率，實現檢測。實驗結果表明，所提算法性能優越。本文主要貢獻表現在以下方面：①采用動態閾值對醫療圖像邊緣進行計算，閾值的適應度因子較大，效果較好;

②在全卷積神經網絡模型中，采用量子遺傳聚類方法對輸入數據進行聚類分析，為醫療圖像弱邊緣檢測奠定了可靠基礎;

③選取多個指標進行實驗數據分析，多角度驗證了本文算法的性能。

1 復雜醫療圖像弱邊緣檢測算法

1.1 復雜醫療圖像灰度增強函數

復雜醫療圖像中，各圖像形態不一，將每一個二維網格點作為一個像素點，假定每一幅醫療圖像均可表示為一個二維網格點上的P維向量，若P=1，表示圖像為灰度圖，若P=3，表示圖像為彩色圖，若P>3，表示圖像為多譜圖。本文研究的醫療圖像為灰度圖，P=1，同時考慮圖像的空間位置和灰度特征，將醫療圖像表示為一個三維向量f（f1，f2），其中f1表示圖像網格點坐標，f2表示網格點上的圖像灰度特征。圖像三維向量f的分布可用核函數[14]進行表示：

H=Cd1d2f1d1f2d22（1）

其中：d1和d2均表示圖像濾波控制參數;C表示圖像歸一化常數。

將f設置為采樣點，對其進行濾波處理，即依據Mean-shift向量對f進行收斂操作，分別表示原始圖像和濾波圖像為fi和xi，對每一個圖像像素點，采用Mean-shift進行濾波處理[15]。

Mean-shift收斂與大多數收斂算法不一樣的是，Mean-shift收斂中，樣本圖像會依據概率密度分布方向，從概率密度小的地方轉移至概率密度大的地方，這樣隨著迭代次數的進行，均值位移向量會逐漸減小，最終穩定在某一個點，實現圖像濾波。

利用Mean-shift濾波處理后的醫療圖像，每一個像素點均被進行了統一的歸類，經濾波處理后的醫療圖像灰度值處于鄰近范圍，本節利用直方圖對指定范圍內的圖像像素進行增強。

通常情況下，醫療圖像的灰度值會呈現階梯狀的分布，從而劃分出灰度值不同的區域，獲取噪聲區域和目標區域。根據灰度分布這一特性，利用直方圖對醫療圖像進行增強[16-17]。根據以往研究經驗可知，醫療圖像的灰度值通常處于[25，45]之間，剩余部分則多數為噪聲部分，因此，可重點對該區間內的醫療圖像灰度值進行處理，增強圖像特征，灰度增強函數可表示為

Z=-0.02f2+1.4f-21.5，f∈[25，45]

1，f[25，45]（2）

根據式（2）可以看出，在灰度值[25，45]范圍內，醫療圖像灰度增強的極大值點在（35，3）范圍內，即像素灰度值得到了很大的提高，同時其他像素點保持不變，達到了醫療圖像增強的目的。

1.2 結合動態閾值的邊緣確定方法

復雜醫療圖像的邊緣是指不同特性區域之間的邊緣，在各區域邊緣處，圖像的像素灰度值會發生極大的變化。傳統的邊緣提取方法能夠很好的提取邊緣信息，但步驟繁雜，且閾值固定，為簡化并優化本文研究方法，結合動態閾值對醫療圖像邊緣信息進行確定。

復雜醫療圖像灰度變化函數可表示為

G（i，j）=ZB2i（i，j）+B2j（i，j）（3）

其中：（i，j）表示醫療圖像中心坐標;Bi（i，j）和Bj（i，j）分別表示中心醫療圖像灰度值的水平方向變化率和垂直方向變化率，計算公式如下：

Bi（i，j）=g（i，j）+2g（i，j+1）+

g（i+1，j+1）-g（i-1，j-1）+

2g（i，j-1）/4（4）

Bj（i，j）=g（i，j）+2g（i，j+1）+

g（i+1，j+1）-g（i-1，j-1）+

2g（i-1，j）/4（5）

復雜醫療圖像中，存在與圖像邊緣點極為相似的圖像內部候選點，圖像邊緣點和內部候選點可利用下式進行計算：

B（i，j）=1，B（i，j）≥Y

0，B（i，j）≤Y（6）

其中Y表示閾值。B（i，j）=1時，表示復雜醫療圖像的邊緣點，B（i，j）=0時，表示復雜醫療圖像的內部候選點。對于閾值Y的選取，許多研究方法中需要對閾值進行人工設定，如果閾值設定的過小，會出現偽邊緣現象，如果閾值設定的過大，會出現圖像邊緣中斷的問題，由此可知，對閾值的設定非常重要，可直接影響邊緣信息提取質量[18]，為此，本文提出一種可自適應調節的動態閾值，根據人眼的視覺特征進行設定，采用拋物線對閾值進行計算，即：

Y=（ai2+bj+c）B（i，j）（7）

上述根據人眼特征對閾值進行設定的方法是通用的，適用于所有灰度圖像。

由于復雜醫療圖像邊緣區域內的像素點變化較慢，導致其灰度特征值較小，常常容易混淆于組織信號中，被誤認為是圖像內部候選點，降低圖像檢測精度。因此依據圖像灰度變化步長k的變化特性，對復雜醫療圖像像素點進行分類，劃分為圖像邊緣點和內部候選點，過程如下：

任意選取一復雜醫療圖像像素點，表示為（m，n），分別設定兩個不同的圖像灰度變化步長k1和k2，步長對應的變化率表示為v1和v2。若v1或者v2兩者至少有一個變化率大于閾值Y，則（m，n）可看做圖像邊緣點，邊緣函數表示公式如下：

g（m，n）=1 v1≥Y or v2≥Y（8）

若v1或者v2兩者均小于閾值Y，則需要對變化率v1和v2進行進一步的分析。假定圖像灰度變化步長k1小于等于k2，在這種情況下，若v1小于等于v2，表明圖像分析區域還處于不斷變化的狀態，需要進一步增大灰度變化步長數值，重復上述步驟直至灰度變化步長數值無法增大。

反之，若在k1大于k2的情況下，v1大于v2，則可知圖像像素點（m，n）的變化率小于閾值Y，表明像素點（m，n）為內部候選點。

依據上述判斷方法，可在閾值Y動態變化的條件下，快速準確的從復雜醫療圖像中選取出邊緣點，提高邊緣信息檢測效率。

1.3 基于全卷積神經網絡的弱邊緣檢測

1）全卷積神經網絡模型與訓練

全卷積神經網絡被廣泛應用于圖像檢測，是一種新型的深度卷積結構，可接受任意格式和大小的圖像，且能利用一次卷積獲取多個圖像區域特征[19]。全卷積神經網絡模型如圖1所示。

由圖可見，全卷積神經網絡模型包括全卷積網絡和損失層兩部分，其中全卷積網絡用于對圖像特征的表示，損失層主要負責對特征表示完成的圖像進行處理，利用損失函數計算圖像損失量，獲取模型參量，優化全卷積神經網絡模型。

對優化完成的全卷積神經網絡模型進行訓練，首先對原始醫療圖像進行標注，圖像像素被標注為1，背景像素被標注為0。按照固定像素標準對醫療圖像進行裁剪，裁剪為眾多子圖，按照一定的比例隨機劃分為訓練圖像集和驗證圖像集，并對其中的每一張圖片進行亮度調整，提高網絡泛化能力。對神經網絡中的參數進行初始化，采用微調的方法訓練神經網絡，會出現訓練圖像集和背景圖像集不平衡的問題，通過在兩者集合的差異中添加懲罰權重的方式均衡網絡，訓練圖像集和背景圖像集的計算公式如下：

W0=g（m，n）∑iwi2∑iwi0（9）

W1=g（m，n）∑iwi2∑iwi1（10）

式中：W0為復雜醫療圖像背景像素的權重;W1為復雜醫療圖像像素的權重;wi為第i張圖像中整體像素的總量;wi0為第i張圖像中背景像素的數量;wi1為第i張圖像像素的數量。

對所有的訓練圖像進行訓練完成后，再對其進行驗證分析，直至誤差收斂至固定數值，停止訓練，完成神經網絡模型訓練。

2）醫療圖像數據的量子遺傳聚類分析

對復雜醫療圖像進行多比例、多尺度的縮放，使其與全卷積神經網絡模型的圖像尺寸保持一致，卷積層conv7的特征矩陣為輸入尺度下的圖像邊緣信息描述。將圖像邊緣數據輸入訓練完成的神經網絡模型中，對輸入數據進行量子計算。本文將量子遺傳算法與聚類問題相結合，提出一種量子遺傳聚類方法，采用該方法對輸入的醫療數據進行處理，主要是將量子算法引入聚類過程中，用以解決復雜醫療圖像邊緣數據聚類效果差的問題，提高聚類效果。量子遺傳聚類方法的核心是將數據聚類問題轉換為聚類中心的尋優問題[20]。量子遺傳聚類流程如圖2所示。

具體計算過程如下：

給定復雜醫療圖像數據中的任意兩個數據集Ki=（ki1，ki2，…，kim）和Lj=（lj1，lj2，…，ljn），則基于向量的Minkovski距離可表示為

d（Ki，Lj）=∑na=1|kia-lia|p（W1-W0）（11）

式中：p為向量值，p取值的大小會直接影響量子遺傳聚類結果的準確性。當p=2時，Minkovski距離將會轉化為歐式距離，但歐式距離僅適用于低維數據空間，且對噪聲數據的敏感度較高。當p=1時，Minkovski距離將會轉化為Mahanttan距離。當p=∞時，Minkovski距離將會轉化為Sup距離。由此可知，Minkovski距離是一種靈活性較高的距離度量。將其用于量子遺傳聚類方法中，對復雜醫療圖像邊緣數據進行聚類分析。

通常情況下，聚類問題可用數學模型進行表示，即：

M=min∑mi=1∑nj=1（Ki-Lj）∩max∑nj=1（Li-Lj）（12）

將Minkovski距離作為量子遺傳聚類中的距離度量，可構建一個聚類目標函數：

F=∑mi=1∑nj=1M（Ki-Lj）∑nj=1（Li-Lj）d（Ki，Lj）（13）

根據式（13）獲取的聚類目標函數可知，聚類問

題轉換為了一個函數優化問題，只需對函數的最小值進行求解，便可完成復雜醫療圖像邊緣數據的聚類過程。

使用量子旋轉門對聚類目標函數計算結果進行判斷，尋找出聚類中心，進而完成醫療圖像數據的量子遺傳聚類分析。

3）弱邊緣概率計算

基于上述獲取的復雜醫療圖像邊緣數據聚類結果，對其中的弱邊緣進行檢測分析。融合復雜醫療圖像的所有邊緣信息，生成邊緣信息概率圖[21]，結合全卷積神經網絡輸出的聚類圖像數據，計算得到醫療圖像的弱邊緣對象的概率值，進而完成對醫療圖像的弱邊緣檢測。算法描述為：

輸入：圖像邊緣信息，以及復雜醫療圖像邊緣數據聚類結果。

輸出：醫療圖像弱邊緣檢測的結果，用弱邊緣對象概率值Q表示。

初始化復雜醫療圖像像素值，檢測圖像弱邊緣：

①根據圖像的所有邊緣信息生成邊緣信息概率圖。

②根據復雜醫療圖像邊緣數據聚類結果，結合邊緣信息概率圖，計算醫療圖像弱邊緣區域像素平均值：

S（Ri）=F∑Riq=1γ（Iq，τRi）/Ri（14）

式中：q為像素值;Ri為弱邊緣區域i的像素最大取值;∑Riq=1γ（Iq，τRi）為區域i中所有的像素點屬于弱邊緣的權重。

③依據像素點屬于弱邊緣的權重取值，對該區域內所有像素點為弱邊緣對象的概率值進行計算，即：

Q=NormS（Ri）/∑ni=1Score（Ri）（15）

式中：Norm{ }表示歸一化操作，取值范圍為[0，1]，Score（Ri）表示在弱邊緣區域i內，像素p的弱邊緣對象分數。

④如果弱邊緣對象的概率值超過平均水平，則認為圖像像素點為弱邊緣;

⑤結束。

綜合上述分析步驟，可完成對復雜醫療圖像弱邊緣的檢測研究。使用流程圖對整體檢測過程進行描述，如圖3所示。

2 實驗結果與分析

2.1 實驗環境和數據集

為驗證本文算法的檢測效果，進行實驗分析。實驗中采用四三代B型樹莓派（基于ARM的微型電腦主板）做為硬件載體，采用拓撲網絡協議做為軟件載體。網絡信息管理端采用IPFS-Cluster管理工具進行操作，管理端配置在醫院服務器上。實驗在ubuntu14.04.5操作系統上進行，使用Caffe平臺訓練數據。

實驗使用的數據均來源于TCGA數據庫（https：//www.cancer.gov/about-nci/organization/ccg/research/structural-genomics/tcga），TCGA數據庫是一個非常重要的癌癥數據庫，收錄了各種人類癌癥的臨床數據。該數據庫自帶圖像弱邊緣標注。實驗從TCGA數據庫中選取10組乳腺癌圖像數據進行實驗分析，其中前3組作為訓練數據，用于完成對模型的構建，后7組數據作為測試數據，用于完成對模型結果的測試和記錄。實驗中將測試數據集分為兩組，一組數據集選取5鄰域量子漫步空間，另一組數據集選取60鄰域量子漫步空間。

2.2 實驗標準

實驗中選取的主要評價指標為

1）閾值Y使用的適應度：本文提出一種可自適應調節的動態閾值對圖像邊緣進行確定，根據人眼的視覺特征設定閾值，以邊緣增強圖像邊緣檢測的準確性。

2）圖像邊緣點計算時間：圖像邊緣點的確定是完成弱邊緣檢測的前提條件，能夠直接對檢測結果產生影響，本文使用正文中邊緣函數計算公式，與文[5]、文[6]和文[7]的圖像邊緣點計算時間進行對比;

3）聚類分布對比：在訓練完成的神經網絡中，首先對數據進行量子聚類分析，再依據聚類結果實現對圖像弱邊緣的檢測。好的聚類效果能夠提升檢測性能，針對數據聚類分布，本文與文[9]和文[10]進行對比。

4）弱邊緣檢測準確率：弱邊緣檢測是本文研究的最終目的，對檢測準確率進行分析，是直接驗證本文算法性能的有效手段，針對這一性能，將本文算法與文[8]、文[9]、文[10]、文[11]和文[12]進行對比。

5）圖像弱邊緣檢測效果：為增強實驗結果的可視性，給出了胃腺癌圖像的弱邊緣檢測效果圖像，并與其他文獻方法進行了對比。

2.3 實驗和結果

1）閾值Y使用的適應度

使用適應度因子對閾值Y使用的適應度進行分析，通常適應度因子高于0.5，則表示適應度較好，本文算法中閾值Y使用的適應度情況如表1所示。

分析表1可以看出，在25次實驗過程中，本文算法中閾值Y使用的適應度因子均高于0.5，表明本文對圖像邊緣計算中，使用動態閾值方法較為合適，性能較好。

2）圖像邊緣點計算時間

圖像邊緣點計算時間對比如表2所示。

分析表2可以看出，當閾值Y適應度因子<0.5時，本文算法與其他三種算法的邊緣點計算時間差異較小，當閾值Y適應度因子≥0.5時，本文算法的邊緣點計算時間為2.0s，分別低于文[5]算法、文[6]算法和文[7]算法2.1s、2.3s和2.1s，具有明顯的優勢，進一步表明本文使用動態閾值對圖像邊緣進行確定，具有良好的效果，能夠節約算法運行耗時。

3）聚類分布對比

在兩組測試數據集條件下，將本文算法與文[9]和文[10]算法的數據聚類分布對比，聚類空間的橫縱坐標分別為X、Y，結果如圖4和圖5所示。

根據圖4和圖5可知，在不同鄰域量子漫步空間數據集上，利用本文算法獲取的數據分布結果均相對集中，處于坐標中心位置。而文[9]和文[10]算法獲取的數據集分布較為分散，在5鄰域量子漫步空間，文[9]算法處于坐標中心位置，但較為分散，文[10]算法分散在整個坐標空間，更為分散。在60鄰域量子漫步空間，文[9]算法數據分布偏上，文[10]算法數據分布偏下。由此可看出，本文算具有較好的聚類效果。因為本文采用量子遺傳聚類方法對輸入的醫療數據進行處理，將數據聚類問題轉換為聚類中心的尋優問題，結合量子計算的高效性，更容易獲取好的聚類效果。

4）弱邊緣檢測準確率

弱邊緣檢測準確率的計算公式如下：

Accra=CorrectImage TotalImage （16）

式中：CorrectImage為弱邊緣檢測正確的圖像數;TotalImage為總驗證圖像數量。

以式（16）為計算依據，對比不同算法的弱邊緣檢測準確率，對比結果如圖6所示。

分析圖6可以看出，隨著召回率的增加，上述6種算法的準確率出現一定的下降趨勢，文[8]算法的下降趨勢明顯，低至19%，文[9]算法的準確率始終處于較低水平，文[10]算法由79%下降至20%，文[11]剛開始緩慢的下降，在召回率為70%之后，下降加快，文[12]算法的下降趨勢也較為明顯。

相較于其他文獻算法，本文算法的弱邊緣檢測準確率處于較高的狀態。雖然在召回率為43%～71%之間，文[11]算法的準確率略高于本文算法，但整體看來，仍舊是本文算法的平均準確率較高，最高可達到86%，由此可以看出本文算法的性能優勢。在計算弱邊緣概率之前，本文首先采用量子遺傳聚類方法對全卷積網絡中的數據進行聚類處理，提高了弱邊緣檢測的準確率。

5）圖像弱邊緣檢測效果

以胃腺癌圖像為研究對象，將本文算法與文[8]、[9]、[10]算法的弱邊緣檢測效果進行展示與對比，如圖7所示。

根據圖7可以看出，利用本文算法檢測得出的醫療圖像弱邊緣，邊界劃分相對較為明確，其次是文[9]算法，文[10]算法的弱邊緣檢測效果最為模糊。由此可以直觀的看出，本文弱邊緣檢測算法具有良好的效果。

3 結 論

本文提出了基于卷積神經網絡的復雜醫療圖像弱邊緣檢測算法，對圖像進行增強處理后，計算圖像的邊緣信息，改進了傳統方法閾值選取不佳的問題，使用可自適應調節的動態閾值計算邊緣，且將量子遺傳算法與聚類問題相融合，增加了數據聚類步驟，最終實現弱邊緣檢測。使用Caffe平臺訓練數據，保證實驗數據的有效性，在ubuntu14.04.5操作系統上完成實驗分析，驗證了本文算法的優勢。在以后的研究中，還需要對量子算法進行進一步的分析和利用，利用量子算法的優勢進一步優化本文檢測算法的性能。

參 考 文 獻：

[1] 李蘭英，孔銀，陳德運. 一種新的卷積神經網絡的ECT 圖像重建算法[J].哈爾濱理工大學學報，2017（4）：28.

LI Lanying， KONG Yin， CHEN Deyun. A Novel ECT Image Reconstruction Algorithm Based on Convolutional Neural Network[J]. Journal of Harbin University of Technology， 2017（4）： 28.

[2] KHADIDOS A， SANCHEZ V， LI C T. Weighted Level Set Evolution Based on Local Edge Features for Medical Image Segmentation[J]. IEEE Transactions on Image Processing， 2017， 26（4）：1979.

[3] CHEN， Yao-Tien. A Novel Approach to Segmentation and Measurement of Medical Image Using Level Set Methods[J]. Magnetic Resonance Imaging， 2017， 39：175.

[4] ZHANG W C， ZHAO Y L， BRECKON T P， et al. Noise Robust Image Edge Detection Based Upon the Automatic Anisotropic Gaussian Kernels [J]. Pattern Recognition， 2017， 63：193.

[5] 梁大川， 李靜， 劉賽， 等. 基于圖和稀疏主成分分析的多目標顯著性檢測[J]. 計算機研究與發展， 2018，55（5）：188.

LIANG Dachuan， LI Jing， LIU Sai， et al. Multi Objective Significance Detection Based on Graph and Sparse Principal Component Analysis [J]. Computer Researchand Development， 2018，55（5）：188.

[6] 王明文， 唐東明， 于耀程， 等. 手指靜脈圖像魯棒邊緣檢測算法[J]. 計算機應用研究， 2018， 35（1）： 296.

WANG Mingming， TANG Dongming， YU Yaocheng， et al. Robust Edge Detection Algorithm for Finger Vein Image [J]. Computer Application Research， 2018，35 （1）： 296.

[7] 王方超， 張旻， 宮麗美. 改進的Roberts圖像邊緣檢測算法[J]. 探測與控制學報， 2016， 38（2）：88.

WANG Fangchao， ZHANG Min， GONG Limei. Improved Roberts Image Edge Detection Algorithm [J]. Journal of Detection and Control， 2016， 38 （2）： 88.

[8] 劉慶民， 張蕾， 李雪. 基于改進Canny的芯片圖像邊緣檢測算法[J]. 計算機工程與設計， 2016， 37（11）：3063.

LIU Qingmin， ZHANG Lei， LI Xue. Chip Image Edge Detection Algorithm Based on Improved Canny[J]. Computer Engineering and Design， 2016， 37 （11）： 3063.

[9] 段紅燕， 邵豪， 張淑珍，等. 一種基于Canny算子的圖像邊緣檢測改進算法[J]. 上海交通大學學報， 2016， 50（12）：1861.

DUAN Hongyan， SHAO Hao， ZHANG Shuzhen， et al. An Improved Image Edge Detection Algorithm Based on Canny Operator [J]. Journal of Shanghai Jiaotong University， 2016， 50 （12）： 1861.

[10]VERMA O P， PARIHAR A S. An Optimal Fuzzy System for Edge Detection in Color Images Using Bacterial Foraging Algorithm[J]. IEEE Transactions on Fuzzy Systems， 2017， 25（1）：114.

[11]GARDINER B， COLEMAN S， SCOTNEY B. Multiscale Edge Detection Using a Finite Element Framework for Hexagonal Pixel-based Images[J].IEEE Transactions on Image Processing， 2016， 25（4）：1849.

[12]ARORA S， HANMANDLU M， GUPTA G. Edge Detection of Dgital Color Images Using Information sets[J]. Journal of Electronic Imaging， 2016， 25（6）：061607.

[13]李岳云， 許悅雷， 馬時平，等. 深度卷積神經網絡的顯著性檢測[J]. 中國圖象圖形學報， 2016， 21（1）：53.

LI Yueyun， XU Yuelei， MA Shiping， et al. Significance Detection of Deep Convolution Neural Network[J]. Chinese Journal of Image Graphics， 2016， 21 （1）： 53.

[14]ALIYARI Ghassabeh Y， RUDZICZ F. Modified Mean Shift Algorithm[J]. IET Image Processing， 2018， 12（12）：2172.

[15]PIPAUD I， LEHMKUHL F. Object-based Delineation and Classification of Alluvial Fans by Application of Mean-shift Segmentation and Support Vector Machines[J]. Geomorphology， 2017， 293（9）：178.

[16]AGARWAL M， MAHAJAN R. Medical Image Contrast Enhancement using Range Limited Weighted Histogram Equalization[J]. Procedia Computer Science， 2018， 125：149.

[17]CAO G， TIAN H， YU L， et al. Acceleration of Histogram-based Contrast Enhancement Via Selective Downsampling[J]. IET Image Processing， 2018， 12（3）：447.

[18]CALAMONERI T， MONTI A， PETRESCHI R. On Dynamic Threshold Graphs and Related Classes[J]. Theoretical Computer Science，718（3）：46-57，2018.

[19]BONDI L， BAROFFIO L， GERA， David， et al. First Steps Toward Camera Model Identification with Convolutional Neural Networks [J]. IEEE Signal Processing Letters， 2016， 24（3）：259.

[20]DEUTSCH L， HORN D. The Weight-Shape Decomposition of Density Estimates： A Framework for Clustering and Image Analysis Algorithm[J]. Pattern Recognition， 81（9）：190-199，2018.

[21]MISHRA D， CHAUDHURY S， SARKAR M， et al. Edge Probability and Pixel Relativity-Based Speckle Reducing Anisotropic Diffusion[J]. IEEE Transactions on Image Processing， 2018， 27（2）：649.

（編輯：溫澤宇）