融合鄧氏關聯(lián)度和細胞膜優(yōu)化的圖像邊緣檢測

薛文格 鄺天福

摘要：針對傳統(tǒng)鄧氏關聯(lián)度方法檢測圖像邊緣時出現(xiàn)檢測的邊緣不完整、離散非邊緣點較多的問題，提出了一種融合鄧氏關聯(lián)度和細胞膜優(yōu)化的圖像邊緣檢測算法。該算法首先利用鄧氏關聯(lián)度方法獲取圖像邊緣特征像素點，然后再用細胞膜優(yōu)化算法的全局尋優(yōu)能力從邊緣特征像素點中求解最優(yōu)邊緣像素點，實現(xiàn)圖像邊緣檢測。實驗結果表明，該算法提取出的邊緣連續(xù)清晰，同時較好的細化了圖像邊緣。

關鍵詞： 鄧氏關聯(lián)度; 細胞膜優(yōu)化算法; 全局尋優(yōu)能力; 邊緣檢測

中圖分類號：TP317? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）30-0114-03

開放科學（資源服務）標識碼（OSID）：

Image Edge Detection Combining Dengs Correlation Degree and Cell Membrane Optimization

XUE Wen-ge，KUANG Tian-fu

（College of Mathematics and Computer Science， Chuxiong Normal University， Chuxiong 675000， China）

Abstract：Aiming at the problems of incomplete edge and many discrete non-edge points when detecting image edges with traditional dengs correlation degree method， proposes an image edge detection algorithm that combines deng's correlation degree and cell membrane optimization. Firstly the algorithm uses deng's correlation degree method to obtain image edge feature pixels， then uses the global optimization capability of the cell membrane optimization algorithm to find the optimal edge pixels from the edge feature pixels for realizing image edge detection. The experimental results show that the edges extracted by the algorithm in are continuous and clear， and at the same time the edges of the image are better refined.

Key words：dengs correlation degree;cell membrane optimization;global optimization ability;edge detection

1 引言

邊緣攜帶著圖像中重要的輪廓信息，對圖像的后續(xù)處理起著重要的作用。傳統(tǒng)的邊緣檢測[1-7]一般都是在空域或頻域?qū)D像做相應處理，如Sobel算子、Prewitt算子、Robert算子、Canny算子、小波變換等方法，但這些方法存在檢測的邊緣不完整、噪聲敏感性等問題。

鄧氏關聯(lián)度[8]是鄧聚龍?zhí)岢龅幕疑P聯(lián)分析中的一種方法，其基本思想是基于序列的幾何走勢變化或曲線的相近關系來判別兩者間的相近程度。近年來很多學者將灰色關聯(lián)分析方法[9-13]應用到圖像處理領域，并取得了較好的效果，但鄧氏關聯(lián)度[14]提取的圖像邊緣存在離散非邊緣點較多、連續(xù)性差等問題。為了改進上述問題，本文根據(jù)細胞膜優(yōu)化算法[15]的基本原理來構建優(yōu)化模型，同時運用全局優(yōu)化方法，對鄧氏關聯(lián)度提取的圖像邊緣特征像素點進一步尋找最優(yōu)邊緣像素點，從而實現(xiàn)圖像邊緣檢測。

2 鄧氏關聯(lián)度思想

鄧氏關聯(lián)度是灰色關聯(lián)分析中的方法之一，它是通過分析兩條曲線形狀的相近度來判斷二者間的關聯(lián)程度。圖像的邊緣點一般是指相鄰像素點間的灰度值出現(xiàn)了較大變化，由鄧氏關聯(lián)度的基本思想可看出，該思想可以體現(xiàn)這種變化。因此，當對灰度圖像提取邊緣時，取圖像中像素點[X]和其周邊的像素點構成比較序列[Xi]，取理想非邊緣點和其周邊像素點構成參考序列[X0]，根據(jù)鄧氏關聯(lián)度思想，當這兩個序列關聯(lián)度的值較大時，說明二者的形狀比較相近，因此就把[X]看作非邊緣點，反之，當二者之間關聯(lián)度的值較小時，像素點[X]看作邊緣點。傳統(tǒng)灰色鄧氏關聯(lián)度的定義如下：

設[X0={X0（k）|k=1，2，...，n}]為參考序列，[Xi={Xi（k）|k=1，2，...，n}]為比較序列，則參考序列[X0]與比較序列[Xi]的關聯(lián)度計算公式為：

[r（Xi，X0）=1nk=1nζi，0（k）]

其中，關聯(lián)系數(shù)[ζi，0（k）]的公式為：

[ζi，0（k）=minimink|x0（k）-xi（k）|+ρmaximaxk|x0（k）-xi（k）||x0（k）-xi（k）|+ρmaximaxk|x0（k）-xi（k）|] ，[ρ∈（0，1）]。

通過公式（1）求出圖像中各個像素點的關聯(lián)度，并將求得的所有關聯(lián)度依次和閾值[t]比較大小，判別像素點是否為邊緣點。

該方法能夠有效提取出圖像的邊緣輪廓，并且計算量較小，但檢測出的邊緣[16]存在離散非邊緣點較多、連續(xù)性差等問題。

3 細胞膜優(yōu)化算法

細胞膜優(yōu)化算法的基本思想[17-19]是根據(jù)細胞膜的特性和物質(zhì)的轉(zhuǎn)運方法來構建一種模擬生物的優(yōu)化模型，并將細胞膜中每種物質(zhì)都看作是優(yōu)化問題中的一個解，通過搜索范圍的不斷更正，進一步提取最優(yōu)解。

基于細胞膜轉(zhuǎn)運物質(zhì)的特性[17，19]，將物質(zhì)分為脂溶性物質(zhì)、高濃度脂溶性物質(zhì)和低濃度脂溶性物質(zhì)三種，它們構成了細胞膜優(yōu)化算法中的一個種群，每一個物質(zhì)對應優(yōu)化問題中的一個解，在求解最優(yōu)化問題中，將數(shù)值大于指定閾值的物質(zhì)歸為脂溶性物質(zhì)，否則歸為非脂溶性物質(zhì)，然后再將非脂溶性物質(zhì)進一步劃分為高濃度非脂溶性物質(zhì)和低濃度非脂溶性物質(zhì)。

該算法的具體步驟如下：

1） 物質(zhì)初始化

在解空間[M=t=1nlt，ut]內(nèi)隨機生成[z]個物質(zhì)，由適應度函數(shù)求解出每個物質(zhì)的函數(shù)值，并將最優(yōu)函數(shù)值存放在變量中。

2） 物質(zhì)類型劃分

將步驟1）中求出的物質(zhì)函數(shù)值排成一個降序序列，函數(shù)值大于設定閾值[t1]的物質(zhì)歸為脂溶性物質(zhì)，否則歸為非脂溶性物質(zhì)，再將非脂溶性物質(zhì)劃分為高濃度非脂溶性物質(zhì)和低濃度非脂溶性物質(zhì)。

物質(zhì)的濃度是指物質(zhì)所在的鄰域范圍內(nèi)所包含的物質(zhì)數(shù)占總物質(zhì)數(shù)的百分比[20]，其計算公式為：

[w=xy]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （3）

其中[y]為總物質(zhì)數(shù)，[x]為對應搜索半徑內(nèi)的物質(zhì)數(shù)，所有物質(zhì)濃度均值的計算公式為：

[V=1yi=1ywi]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

若非脂溶性物質(zhì)的濃度大于均值[V]，則將其歸為高濃度非脂溶性物質(zhì)，否則，歸為低濃度非脂溶性物質(zhì)。

3） 脂溶性物質(zhì)自由擴散

在以每個脂溶性物質(zhì)[yi]為中心和以設定值[R]為半徑的搜索區(qū)域內(nèi)，隨機生成一個新物質(zhì)[y'i]，若新物質(zhì)[y'i]的適應度函數(shù)值優(yōu)于舊物質(zhì)[yi]的適應度函數(shù)值，則用[y'i]替換[yi]，然后修改搜索半徑的取值，重復上述過程，直到求出最優(yōu)值。

4） 高濃度非脂溶性物質(zhì)運動

在[[0，1]]內(nèi)隨機生成一個數(shù)，如果該數(shù)小于閾值0.16，則該物質(zhì)可以從高濃度側(cè)運動到低濃度側(cè)，并令新的低濃度側(cè)位置為局部搜索中心，否則令原來高濃度側(cè)位置為局部搜索中心，然后圍繞局部搜索中心再次進行搜索，搜索半徑取值方法與步驟3）類似。

5） 低濃度非脂溶性物質(zhì)運動

每個低濃度非脂溶性物質(zhì)都存在著能量，且能量值在0到1之間。先計算低濃度非脂溶性物質(zhì)的適應度函數(shù)值，并將其降序排序，函數(shù)值最小的物質(zhì)能量為[Emin]，函數(shù)值最大的物質(zhì)能量為[Emax]，其他物質(zhì)的能量介于[Emin]與[Emax]之間。若某物質(zhì)存在載體和足夠的能量，則它可以從低濃度側(cè)運動到高濃度側(cè)，并令新位置為局部搜索中心，否則令原位置為局部搜索中心。

6） 更新物質(zhì)

將上述產(chǎn)生的新物質(zhì)群替換掉舊物質(zhì)群。

4 算法及實現(xiàn)步驟

在分析了鄧氏關聯(lián)度和細胞膜優(yōu)化算法思想[21-23]的基礎上，提出了一種融合二者優(yōu)點的圖像邊緣檢測算法，該算法首先利用鄧氏關聯(lián)度方法得到圖像邊緣特征像素點，然后再用細胞膜優(yōu)化算法從圖像邊緣特征像素點中求解最優(yōu)邊緣像素點，最終得到圖像的真實邊緣。

算法的具體實現(xiàn)步驟如下：

1） 輸入原始圖像[f（x，y）]，確定參考數(shù)列[X0]和比較數(shù)[Xi]，其中參考數(shù)列為[X0={1，1，1，1，1，1，1，1，1}]，比較數(shù)列為[X'i，j=（xi-1，j-1，xi-1，j，xi-1，j+1，xi，j-1，xi，j，xi，j+1，xi+1，j-1，xi+1，j，xi+1，j+1）];

2） 根據(jù)鄧式關聯(lián)度思想求解圖像[f（x，y）]中每個像素的關聯(lián)度，當關聯(lián)度[r（Xi，X0）]小于給定的閾值[θ]時，則判定該像素點為邊緣特征像素點，進而得到圖像[f（x，y）]的[m]個邊緣特征像素點，但在這些獲取的邊緣特征像素點中存在著一些離散非邊緣點，需要用細胞膜優(yōu)化算法去除這些非邊緣點;

3） 根據(jù)細胞膜優(yōu)化算法的思想，將步驟2）中得到的邊緣特征像素點抽象成該算法在解空間內(nèi)的[z]個物質(zhì)，每個物質(zhì)都隨機分布于解空間內(nèi)，分別計算這些物質(zhì)的函數(shù)值，把最優(yōu)物質(zhì)保留下來;

4） 將步驟3）中所有物質(zhì)的函數(shù)值進行排序，然后將這些物質(zhì)劃分為脂溶性高濃度物質(zhì)和非脂溶性低濃度物質(zhì)，分別對這些物質(zhì)進行局部搜索運動，生成并更新物質(zhì);

5） 輸出由最優(yōu)物質(zhì)構成的邊緣像素點對應的圖像邊緣檢測結果圖。

5 實驗結果及分析

實驗使用的原始圖像為256×256的Lena灰度圖如圖1所示，所有的實驗均是在VC++6.0環(huán)境下進行仿真實現(xiàn)，實驗將傳統(tǒng)的算法如Sobel算法、Canny算法、鄧氏關聯(lián)度算法和本文算法提取的圖像邊緣作了對比，實驗檢測結果如圖2所示。

由圖2檢測結果對比圖可以看出，Sobel算法在檢測弱邊緣時效果不理想。Canny算法雖能提取出較細的邊緣，但其在檢測時要求設置最佳的最小閾值和最大閾值，才能保證提取出的邊緣最完整、連續(xù)，否則，提取出的邊緣會出現(xiàn)一些離散非邊緣點，且邊緣不夠平滑。鄧氏關聯(lián)度算法提取出的邊緣清晰但較多的非邊緣點被誤檢出來。與上述傳統(tǒng)算法檢測結果相比，本文算法提出的邊緣輪廓較清晰、連續(xù)、細節(jié)豐富。

6 結論

本文在分析了鄧氏關聯(lián)度和細胞膜優(yōu)化算法的理論基礎上，提出了一種融合二者優(yōu)點的圖像邊緣檢測算法。實驗結果表明，本文該算法能夠較完整的提取圖像邊緣，同時提取的邊緣清晰、連續(xù)。

參考文獻：

[1] 張紅霞，王燦，劉鑫，等.圖像邊緣檢測算法研究新進展[J].計算機工程與應用，2018，54（14）：11-18.

[2] 錢紅瑩.基于改進Canny算子的醫(yī)學圖像邊緣檢測算法[J].軟件導刊，2019，18（2）：45-48.

[3] 何笑，吐爾洪江·阿布都克力木，賀歡.一種小波變換的圖像邊緣檢測方法[J].電子設計工程，2020，28（1）：176-179.

[4] 余小慶，陳仁文，唐杰，等.融合小波變換和新形態(tài)學的含噪圖像邊緣檢測[J].計算機科學，2018，45（S2）：194-197.

[5] 于菊珍，張俊.人工智能技術的激光成像雷達圖像邊緣檢測[J].激光雜志，2020，41（6）：72-75.

[6] 楚璽，周志祥，鄧國軍，等.模糊圖像的不連續(xù)邊緣智能檢測改進算法[J].吉林大學學報（理學版），2019，57（4）：875-881.

[7] 孟潁輝，王潔瓊，田二林，等.基于圖像邊緣檢測技術的采摘機器人視覺系統(tǒng)設計[J].農(nóng)機化研究，2020，42（3）：245-248.

[8] 鄧聚龍.灰理論基礎[M].武漢：華中科技大學出版社，2002.

[9] 馬苗，樊養(yǎng)余，謝松云，等.基于灰色系統(tǒng)理論的圖象邊緣檢測新算法[J].中國圖象圖形學報，2003，8（10）：1136-1139.

[10] 冷欣，宋文龍.基于改進的灰色關聯(lián)度的根系圖像邊緣檢測[J].包裝工程，2016，37（15）：46-49.

[11] 張洪群，顧吟雪，郭擎.灰色關聯(lián)分析與模糊推理邊緣檢測圖像融合法[J].遙感信息，2020，35（1）：15-27.

[12] 王鐵鵬.基于灰色系統(tǒng)理論的圖像邊緣檢測應用研究[D].西安：西安理工大學，2012.

[13] 周志剛，桑農(nóng)，萬立，等.利用灰色理論構造統(tǒng)計量進行圖像邊緣檢測[J].系統(tǒng)工程與電子技術，2013，35（5）：1110-1114.

[14] 沈德海，鄂旭，張龍昌.基于Sobel算子的醫(yī)學圖像邊緣檢測研究[J].電子設計工程，2015，23（7）：141-144.

[15] 譚世恒，余衛(wèi)宇.一種新型的全局優(yōu)化算法——細胞膜優(yōu)化算法[J].計算機應用研究，2011，28（2）：455-457.

[16] 薛文格，鄺天福.基于改進鄧氏關聯(lián)度的圖像邊緣檢測算法[J].楚雄師范學院學報，2015，30（6）：38-41.

[17] 覃海生，何傳波，吳文俊，等.基于細胞膜優(yōu)化算法的WSN分簇協(xié)議研究[J].計算機工程，2014，40（11）：92-96.

[18] 管小衛(wèi)，朱霞.一種求解作業(yè)車間調(diào)度的細胞膜優(yōu)化算法[J].計算機應用與軟件，2013，30（1）：297-300.

[19] 王波.基于細胞膜優(yōu)化的圖像邊緣檢測算法研究[J].計算機仿真，2013，30（6）：374-377.

[20] 曹春紅，劉鳳輝，趙大哲，等.基于細胞膜優(yōu)化算法的幾何約束求解[J].系統(tǒng)仿真學報，2012，24（1）：120-122.

[21] 趙營峰，劉三陽，葛立.求解不定二次約束二次規(guī)劃問題的全局優(yōu)化算法[J].工程數(shù)學學報，2018，35（4）：367-374.

[22] 于曉明，劉廣達.基于三維光學模型的圖像邊緣檢測效果優(yōu)化[J].激光雜志，2020，41（8）：91-95.

[23] 王洪申，張翔宇，豆永坤，等.圖像邊緣檢測效果的邊緣連續(xù)性評價算法[J].計算機工程與應用，2018，54（16）：192-196.

【通聯(lián)編輯：唐一東】