CN102915528B - 阵列级联fhn模型随机共振机制的二值图像增强方法 - Google Patents

Abstract

本发明涉及一种阵列级联FHN模型随机共振机制的二值图像增强方法。本发明首先对含噪二值图像进行多方向的Hilbert扫描，将其降维为多路一维信号序列；将映射后的二值序列分别输入阵列并联FHN神经元模型，调节内噪声强度，使得并联系统响应达到最佳的随机共振状态；对多路输出进行加权运算，得到一个新的输出序列，并重构为二维信号；然后分别对二维信号进行行列扫描，重新降维为一维信号序列，输入到级联串联FHN神经元模型，得到两路增强后的输出信号序列，并将它们恢复成二维信号；最后两路二维信号输入判别器，输出增强后的二值图像。本发明能够凸显图像信号的轮廓与细节，去除边缘毛刺，显著改善低信噪比图像的质量。

Description

阵列级联FHN模型随机共振机制的二值图像增强方法

技术领域

本发明属于图像处理领域，涉及一种基于阵列级联FHN模型随机共振机制的二值图像增强方法。

背景技术

图像在采集和传输过程中不可避免的会受到噪声干扰，导致图像质量的退化。因此图像增强算法的优劣将直接影响后续图像编码以及图像分析的准确性和效率。传统图像增强的原理主要基于线性滤波器、小波域和Markov随机场等方法，这些方法都是将图像中的噪声作为有害成分加以抑制，这将不可避免的同时削弱图像中的有用信息，因此对于强噪声背景下的图像增强，效果尤为不理想。而随机共振机制认为噪声能量可以转化为有用信号的能量，从而提高输出信号的信噪比，达到信号增强的目的。在随机共振的图像增强应用中，由于FHN等随机共振模型都主要针对一维信号，所以如何在对图像信号进行降维处理的同时，能够保持图像各像素之间的空间结构关系就显得非常关键。目前普遍采取Hilbert扫描或行列扫描方式进行降维，前者能够较好的保持图像的空间结构特性，但一般仅考虑一个方向的相关性，另外存在最优内噪声调节参数范围较窄等问题，因此本发明将其拓展为四路不同方向的Hilbert扫描；同时考虑到行列扫描方式对于二值图像也具有较好的降维性能，所以本发明在级联串联环节采用行列扫描降维的信号作为随机共振模型的输入。本发明将阵列级联FHN神经元模型应用于强噪声背景下的二值图像增强，通过模拟神经元之间的串并联连接传递信号，基于随机共振机制达到图像增强的目的，将有利于提升模型性能的稳定性、凸显图像轮廓和细节，改善图像增强效果。

发明内容

本发明考虑到：(1)对于强噪声背景下低信噪比二值图像增强，传统滤波方法未能考虑到噪声的有益作用，增强效果普遍不理想；(2)单个FHN神经元随机共振模型作为复杂神经元网络模型的基本单元，因而提出了一种阵列级联FHN模型随机共振机制的二值图像增强方法。通过构造复杂的FHN神经元阵列级联模型，使信号传递过程更加符合神经元网络的工作机制。

本发明包括以下步骤：

步骤（1）对含噪的二值图像分别进行0°、90°、180°和270°四路Hilbert扫描，降维为四路一维信号序列。

步骤（2）对四路一维信号序列进行灰度映射，调整为-128和127两值的四路一维信号序列。

步骤（3）将灰度映射后的四路一维信号序列分别输入阵列并联FHN神经元模型中，得到相应的四路输出序列。

步骤（4）分别调节四路阵列并联FHN神经元模型的内噪声强度，使得阵列并联FHN神经元模型的输出达到最佳随机共振状态。具体方法为：计算阵列并联FHN神经元模型的互信息熵，当信息熵达到最大值时，固定对应的内噪声强度，此时的输出序列即为阵列并联FHN神经元模型的最佳输出。

步骤（5）对四路最佳输出序列进行权值加和运算，重构成一路新的输出序列。

步骤（6）将重构后的新输出序列还原为二维信号。

步骤（7）对还原的二维信号分别运用行扫描和列扫描降维为两路一维信号。

步骤（8）将降维后的两路一维信号分别输入到级联串联FHN神经元模型中，得到相应的两路输出序列。

步骤（9）分别调节级联串联FHN神经元模型参数，使得级联串联FHN神经元模型的输出达到最佳随机共振状态，具体方法为：计算级联串联FHN神经元模型的互信息熵，当信息熵达到最大值时，固定对应的FHN神经元模型参数，此时的输出序列即为级联串联FHN神经元模型的最佳输出序列。

步骤（10）将得到的最佳输出序列作为相应的增强信号序列，并将其恢复成二维信号。

步骤（11）将恢复后的两个二维信号输入判别器，对经过判别器判别后的结果进行二值化处理，其输出结果即为增强后的二值图像，判别器的判别准则为：对两个二维信号相应位置上的值进行比较，取两者中的较大值；二值化准则为：如果该较大值大于等于零，则赋值为255，否则赋值为0。最后得到的结果即为增强后的二值图像。

本发明具有的特点为：

1、通过Hilbert扫描和行列扫描将图像降维为一维信号序列，有效的保留了图像空间结构特性以及像素之间的关联特性。

2、本发明基于阵列级联FHN神经元模型，具有神经元网络模型的并联和串联特性，结合不同的扫描方式，有利于凸显随机共振在增强弱信号中的性能。与传统图像增强方法相比，基于随机共振机制更有利于强噪声背景下的图像增强；与单个FHN神经元模型的增强结果相比较，也具有一定的优势，能够凸显图像信号的轮廓与细节，去除边缘毛刺，显著改善低信噪比图像的质量，提高图像增强性能。

附图说明

图1为二值图像阵列级联FHN神经元模型结构示意图。

具体实施方式

以下结合附图对本发明作进一步说明，本发明方法的具体步骤是：

步骤（1）对于像素个数为的低信噪比二值图像                                                ，分别进行四路Hilbert扫描，将二值图像信号降维为四路一维信号序列 ，其中=0或255。

步骤（2）为了满足双极性特性，将得到的四路一维信号序列 分别减去128进行灰度映射，得到新的二值序列 ，其中=-128或127。

步骤（3）将四路二值序列 分别输入阵列并联FHN神经元模型中，得到相应的四路输出序列。

其中，阵列并联FHN神经元模型结构示意图如图1虚线上半部分所示，其单路的数学模型如式(1)所示：

                      (1)

其中，为快变的神经元膜电压；为慢变的恢复变量；和为时间常数，决定了神经元的点火速率；为临界值，促使神经元定期点火；为信号电平均值与的差值；、为方程组常数；为外部电流输入。，为输入信号即分别为四路两值序列 ， 为内部高斯白噪声，满足条件：，，为噪声强度。

步骤（4）根据步骤（3）中的二值输入信号序列和输出信号序列，分别计算四路阵列并联FHN神经元模型的互信息熵，如式(2)所示。将其作为衡量指标，调节内噪声强度，当互信息熵达到最大值时，表明阵列并联模型中每路FHN神经元处于最佳随机共振状态，此时的输出序列为最佳输出序列。按照Hilbert扫描的顺序，调整各路一维最佳输出序列的元素位置，建立统一的对应关系，将调整位置后的一维信号序列记为 。

            (2)

其中，表示输入信号即为，表示输出信号即为，表示输入信号值为的概率，表示阵列并联FHN神经元模型输入信号值为时，系统输出信号为的条件概率。

步骤（5）将调整位置后的一维信号序列 进行加权运算，如式(3)所示，重构得到新的一维信号序列。

                            (3)

其中表示权值，一般可取为0.25。

步骤（6）将重构后的一维信号序列，还原为二维信号。

步骤（7）对还原后的二维信号运用行扫描与列扫描，将其分别转换成两路一维信号序列：和。

步骤（8）将一维信号序列和分别输入级联串联FHN神经元模型，如图1虚线下半部分所示，得到相应的两路输出序列和。其中，级联串联FHN神经元模型的数学表达式如式(1)所示，此时分别为两路一维信号序列和。

步骤（9）将行列扫描后的两路一维信号分别输入至级联串联FHN神经元模型，分别调节模型参数，以式(2)所示的互信息熵作为评价指标，使得级联串联FHN神经元模型的响应达到最佳随机共振状态。当互信息熵达到最大值时，此时的参数即为最优参数，输出序列即为级联串联FHN神经元模型的最佳输出。

步骤（10）将得到的两路最佳输出信号序列作为相应的增强信号序列，并将其恢复成二维信号和。

步骤（11）将恢复后的两个二维信号和，经过判别器判别后输出为，其中判别器判别准则如式(4)所示：

                        (4)

其中 表示判别器输出信号，同时考虑到最终的输出为二值图像，因此将判别器判别后的结果采用二值化准则进行二值化处理，以得到最终增强后的二值图像，其二值化规则如式(5)所示：

                                (5)

即为最终增强后的二值图像。

Claims (1)

1.阵列级联FHN模型随机共振机制的二值图像增强方法，其特征在于该方法包括如下步骤：

步骤（1）对含噪的二值图像分别进行0°、90°、180°和270°四路Hilbert扫描，降维为四路一维信号序列；

步骤（2）对四路一维信号序列进行灰度映射，调整为-128和127两值的四路一维信号序列；

步骤（3）将灰度映射后的四路一维信号序列分别输入阵列并联FHN神经元模型中，得到相应的四路输出序列；

步骤（4）分别调节四路阵列并联FHN神经元模型的内噪声强度，使得阵列并联FHN神经元模型的输出序列达到最佳随机共振状态；

步骤（5）对四路最佳输出序列进行权值加和运算，重构成一路新的输出序列；

步骤（6）将重构后的新输出序列还原为二维信号；

步骤（7）对还原的二维信号分别运用行扫描和列扫描降维为两路一维信号；

步骤（8）将降维后的两路一维信号分别输入到级联串联FHN神经元模型中，得到相应的两路输出序列；

步骤（9）分别调节级联串联FHN神经元模型参数，使得级联串联FHN神经元模型的输出序列达到最佳随机共振状态；

步骤（10）将得到的最佳输出序列作为相应的增强信号序列，并将其恢复成二维信号；

步骤（11）将恢复后的两个二维信号输入判别器，对经过判别器判别后的结果进行二值化处理，其输出结果即为增强后的二值图像，判别器的判别准则为：对两个二维信号相应位置上的值进行比较，取两者中的较大值；二值化准则为：如果该较大值大于等于零，则赋值为255，否则赋值为0；最后得到的结果即为增强后的二值图像；

其中步骤（4）的具体方法为：计算阵列并联FHN神经元模型的互信息熵，当信息熵达到最大值时，固定对应的内噪声强度，此时的输出序列即为阵列并联FHN神经元模型的最佳输出序列；

其中步骤（9）的具体方法为：计算级联串联FHN神经元模型的互信息熵，当信息熵达到最大值时，固定对应的FHN神经元模型参数，此时的输出序列即为级联串联FHN神经元模型的最佳输出序列。