CN103325123A - 一种基于自适应神经模糊推理系统的图像边缘检测方法 - Google Patents

Abstract

本发明涉及一种基于自适应神经模糊推理系统的图像边缘检测方法，对于被椒盐脉冲噪声污染的图像，该方法构造一个包含四个自适应神经模糊推理系统和一个后处理块的网络，在使用该网络对噪声图像进行边缘检测前，首先人工构造一个训练图像，使用混合学习算法对四个自适应神经模糊推理系统单独进行训练，确定系统中的参数；当四个自适应神经模糊推理系统都训练完毕，就可以和一个后处理块一起构成一个网络，对测试图像进行边缘检测。本发明的图像边缘检测方法特色之处在于，即使测试图像被噪声污染，该方法也能有效地提取图像中的边缘信息而无需进行图像滤波预处理过程。

Description

一种基于自适应神经模糊推理系统的图像边缘检测方法

技术领域

本发明涉及一种基于自适应神经模糊推理系统的图像边缘检测方法，属于图像处理技术领域，具体涉及一种椒盐脉冲噪声图像边缘检测方法。

背景技术

边缘检测是许多图像处理操作如图像分割、对象识别、图像配准、图像分类等的基础，其检测质量在很大程度上决定了这些后续操作的效果。

边缘检测算法通过检测包含不同区域的边缘来解决图像分割问题。边缘由边缘像素构成，而边缘像素是图像中灰度突变的那些像素。边缘检测算法一般利用图像一阶导数的极大值或二阶导数的过零点信息来提供判断边缘点的基本依据。Robert算子、Prewitt算子、Sobel算子都是基于梯度的算子，它们使用不同的模板来求图像中各像素点处一阶偏导数的近似值。这些基于梯度的边缘检测算法易于实现，但它们不仅对边缘信息敏感，对噪声同样也很敏感。为减少噪声对图像的影响，通常在求导之前先对图像进行滤波。常用的滤波器主要是高斯函数的一阶和二阶导数。J.Canny采用高斯函数的一阶导数，并提出边缘检测算子应满足以下3个判断准则：信噪比准则、定位精度准则以及单边缘响应准则，由此推导出了最佳边缘检测算子-Canny算子。而计算机视觉的创始人D.Marr提出采用Laplacian算子求高斯函数的二阶导数得到LOG(Laplacian of Gaussian)滤波算子。这些经典的算法能在一定程度上有效地提取出图像中的边缘，但在算法中需确定一些参数的值，而这些参数的最优值的确定，是一个比较困难的问题。

数字图像在其获取、传输过程中因种种原因可能导致在正常的图像数据中混入噪声信号。在噪声图像中，细节或边缘与噪声之间的区别并不明显。这种信息的不确定性和不完整性给数字图像处理带来了困难，而模糊理论正好能适应这些不确定性。人工神经网络方法能够根据学习样本找出输入与输出数据之间的内在联系，特别适合图像处理中许多非线性问题。近年来，神经模糊理论综合了模糊理论模拟图像处理过程中的不确定性的能力和人工神经网络强大的学习能力，逐渐应用在图像处理过程中。

发明内容

要解决的技术问题

本发明所要解决的问题是，提出一种基于自适应神经模糊推理系统的图像边缘检测方法，是一种能够对被椒盐脉冲噪声污染的图像，在无需进行滤波预处理过程情况下，进行边缘检测的方法。

技术方案

本发明的技术特征在于，包括以下步骤：

步骤一：构造一个包含四个自适应神经模糊推理系统和一个后处理块的网络，在使用该网络对噪声图像进行边缘检测前，人工构造一个训练图像，使用混合学习算法对四个自适应神经模糊推理系统单独进行训练，确定系统中的参数；

步骤二：当四个自适应神经模糊推理系统都训练完毕，就可以和一个后处理块一起构成一个网络，对测试图像进行边缘检测。

所述步骤一进一步包括以下步骤：

步骤A：每个自适应神经模糊推理系统都有四个输入，一个输出，人工构造一个原始图像，在该图像上添加30％的椒盐脉冲噪声得到噪声图像，作为每个自适应神经模糊推理系统的输入的训练图像，由原始图像可得到边缘标志图像，作为每个自适应神经模糊推理系统的期望输出的训练图像；

步骤B：以输入的训练图像左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式滑动，遍取输入的训练图像中所有像素；

步骤C：以当前操作像素为中心得到一个3×3操作窗口，在操作窗口内，四个数据提取块分别以四种不同的拓扑结构方式提取像素灰度值，由此得到与四个数据提取块相对应的自适应神经模糊推理系统的四个输入，由系统的四个输入可得到系统的一个实际输出；

步骤D：选取输入的训练图像中下一个像素作为当前操作像素，重复步骤C，通过这样的方式可得到输入的训练图像中所有像素相对应的系统实际输出；

步骤E：根据系统实际输出和由期望输出的训练图像得到的期望输出的差值，得到代价函数值，使用混合学习算法对系统中的参数进行优化更新；

步骤F：当代价函数值小于预先设定的阈值或者迭代次数达到预先设定的上限时，则系统训练结束；否则，重复步骤B到E，进行下一次迭代训练。

所述步骤二进一步包括以下步骤：

步骤A：将需进行边缘检测的测试图像作为网络的输入图像，以输入图像中左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式滑动，遍取输入图像中所有像素；

步骤B：以当前操作像素为中心得到一个3×3操作窗口，对于每个自适应神经模糊推理系统，在操作窗口内，每个数据提取块以与系统训练时相同的拓扑结构方式提取像素灰度值，由此得到每个系统的四个输入；

步骤C：每个自适应神经模糊推理系统都会得到一个输出，这些输出即为后处理块的输入，后处理块对这四个输入取平均值，再将该平均值与一个预先设定的阈值相比较，得到一最终输出，该输出即为与输入图像当前操作像素相对应的边缘标志图像像素的灰度值；

步骤D：选取输入图像中下一个像素作为当前操作像素，重复步骤(B)和(C)，当输入图像中所有像素经过网络都得到输出后，就能得到一个输出图像，该输出图像即为边缘标志图像。

有益效果

本发明的图像边缘检测方法能有效地提取图像中的边缘信息。对于被脉冲噪声污染的图像，本发明所提出的边缘检测方法，综合利用了模糊理论模拟图像处理过程中的不确定性的能力和人工神经网络强大的学习能力，能有效地提取图像中的边缘信息而无需进行图像滤波预处理过程，从而使得后续的图像分割、特征提取和图像识别等任务更能有效地进行。

附图说明

图1是自适应神经模糊推理系统网络结构图

图2是单个自适应神经模糊推理系统训练优化过程图

图3是人工训练图像

图4是四个数据提取块所对应的拓扑结构

图5是中值提取操作窗口大小的选择

图6是4张原始图像

图7是对被20％椒盐脉冲噪声污染的4张测试图像使用不同方法进行边缘检测后得到的结果图

具体实施方式

下面结合图1至图7对本发明作进一步的详细描述。

步骤一：构造一个包含四个自适应神经模糊推理系统和一个后处理块的网络，在使用该网络对噪声图像进行边缘检测前，人工构造一个训练图像，使用混合学习算法对四个自适应神经模糊推理系统单独进行训练，确定系统中的参数；

具体步骤如下：

步骤A：每个自适应神经模糊推理系统都有四个输入，一个输出，人工构造一个原始图像，在该图像上添加30％的椒盐脉冲噪声得到噪声图像，作为每个自适应神经模糊推理系统的输入的训练图像，由原始图像可得到边缘标志图像，作为每个自适应神经模糊推理系统的期望输出的训练图像；

图1是一个包含四个自适应神经模糊推理系统和一个后处理块的网络结构图，在使用该网络对图像进行边缘检测前，每个自适应神经模糊推理系统都需单独进行训练，图2是单个自适应神经模糊推理系统训练优化过程图。训练图像可通过计算机人工构造得到，图3(a)是原始图像，该图像大小为128×128，是由1024个4×4色块组成，每个色块中的16个像素具有相同的灰度值，不同色块的灰度值各不相同，遍取0到255中的所有值，不同灰度值的色块在图片中的位置是随机的，图3(b)是系统的输入的训练图像，是在图3(a)上添加30％的椒盐脉冲噪声得到的噪声图像，图3(c)是根据图3(a)原始图像得到的边缘标志图像，也就是系统期望输出的训练图像，图中像素灰度值为0表示当前像素是边缘像素，显示为黑色，像素灰度值为255表示当前像素不是边缘像素，显示为白色。

步骤B：以输入的训练图像左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式滑动，遍取输入的训练图像中所有像素；

步骤C：以当前操作像素为中心得到一个3×3操作窗口，在操作窗口内，四个数据提取块分别以四种不同的拓扑结构方式提取像素灰度值，由此得到与四个数据提取块相对应的自适应神经模糊推理系统的四个输入，由系统的四个输入可得到系统的一个实际输出；

每个自适应神经模糊推理系统对应一个数据提取块。每个数据提取块为相应的自适应神经模糊推理系统提供四个输入。具体步骤如下：

(1)如图4所示，以当前操作像素p₂为中心，得到一个3×3操作窗口，依照水平、垂直、左对角线和右对角线这四种不同的拓扑结构得到像素灰度值p₁、p₂和p₃；

(2)仍以当前操作像素p₂为中心，另外得到一个预先定义的中值提取操作窗口，由该窗口内所有像素点的灰度值，得到中值m；

(3)令每个自适应神经模糊推理系统四个输入x₁、x₂、x₃和x₄分别为：

$\left\{\begin{array}{c}{x}_1=p_1-m\\ x_2=p_2-m\\ x_3=p_3-m\\ x_4=m\end{array}\right.---\left(1\right)$

数据提取块在选取中值m时，需确定中值提取操作窗口大小。通过仿真实验证明，根据脉冲噪声图像噪声强度的大小不同，采用图5中方法确定中值提取操作窗口大小，实验结果为最好。

由数据提取块为相应的自适应神经模糊推理系统提供四个输入后，对于每个输入，分别定义三个广义钟型隶属函数，则每个自适应神经模糊推理系统共包含81(3⁴)条规则，其模糊规则集如下：

规则1：if(x₁isM₁₁)and(x₂isM₂₁)and(x₃isM₃₁)and(x₄isM₄₁)

then y₁＝d₁₁x₁+d₁₂x₂+d₁₃x₃+d₁₄x₄+d₁₅

规则2：if(x₁isM₁₁)and(x₂isM₂₁)and(x₃isM₃₁)and(x₄isM₄₂)

then y₂＝d₂₁x₁+d₂₂x₂+d₂₃x₃+d₂₄x₄+d₂₅

规则3：if(x₁isM₁₁)and(x₂isM₂₁)and(x₃isM₃₁)and(x₄isM₄₃)

then y₃＝d₃₁x₁+d₃₂x₂+d₃₃x₃+d₃₄x₄+d₃₅

规则81：if(x₁isM₁₃)and(x₂isM₂₃)and(x₃isM₃₃)and(x₄isM₄₃)

then y₈₁＝d_81，1x₁+d_81，2x₂+d_81，3x₃+d_81，4x₄+d_81，5

其中M_ij表示第i个输入的第j个隶属函数，d_kl为结论参数，y_k为系统根据第k个规则得到的输出，i＝1,2,3,4，j＝1,2,3，k＝1,…,81，l＝1,2,3,4,5。对于输入x_l，定义的广义钟型隶属函数为：

$M_{\mathrm{ij}}\left(x_i\right)=\frac{1}{1+{\left|\frac{x_i-c_{\mathrm{ij}}}{a_{\mathrm{ij}}}\right|}^{{2b}_{\mathrm{ij}}}},---\left(2\right)$

其中a_ij，b_ij和c_ij为前提参数，i＝1，2，3，4，j＝1，2，3。

自适应神经模糊推理系统的输出Y等于各y_k的加权平均：

$Y=\frac{\underset{k=1}{\overset{81}{\mathrm{\Σ}}}{w}_k{y}_k}{\underset{k=1}{\overset{81}{\mathrm{\Σ}}}{w}_k}---\left(3\right)$

式中加权系数w_k包括了第k个规则的激励强度，w_k的计算公式如下：

$\begin{array}{c}{w}_1=M_{11}\left(x_1\right)\×M_{21}\left(x_2\right)\×M_{31}\left(x_3\right)\×M_{41}\left(x_4\right)\\ w_2=M_{11}\left(x_1\right)\×M_{21}\left(x_2\right)\×M_{31}\left(x_3\right)\×M_{42}\left(x_4\right)\\ w_3=M_{11}\left(x_1\right)\×M_{21}\left(x_2\right)\×M_{31}\left(x_3\right)\×M_{43}\left(x_4\right)\\ \·\\ \·\\ \·\\ w_{81}=M_{13}\left(x_1\right)\×M_{23}\left(x_2\right)\×M_{33}\left(x_3\right)\×M_{43}\left(x_4\right)\end{array}---\left(4\right)$

步骤D：选取输入的训练图像中下一个像素作为当前操作像素，重复步骤C，通过这样的方式可得到输入的训练图像中所有像素相对应的系统实际输出；

步骤E：根据系统实际输出和由期望输出的训练图像得到的期望输出的差值，得到代价函数值，使用混合学习算法对系统中的参数进行优化更新；

对自适应神经模糊推理系统中的参数，采用混合学习算法进行优化，即前提参数a_ii，b_ij和c_ij通过梯度法进行优化，结论参数d_kl用线性最小二乘法进行优化，采用的学习策略为离线(批量)学习法。

假设有N组训练数据，对于每一组输入x₁＝(x₁，x₂，x₃，x₄)^T，系统的实际输出和期望输出分别为Y_t和Yd_t，t＝1，2，…，N，T表示矩阵转置，定义代价函数：

$E=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{E}_t=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}\left(\frac{1}{2}{({\mathrm{Yd}}_t-Y_t)}^2\right)---\left(5\right)$

对于前提参数a_ij，b_ij，c_ij，根据梯度法有：

$a_{\mathrm{ij}}(n+1)=a_{\mathrm{ij}}\left(n\right)-\mathrm{\α}\frac{\∂E}{\∂a_{\mathrm{ij}}}---\left(6\right)$

$b_{\mathrm{ij}}(n+1)=b_{\mathrm{ij}}\left(n\right)-\mathrm{\α}\frac{\∂E}{\∂b_{\mathrm{ij}}}---\left(7\right)$

$c_{\mathrm{ij}}(n+1)=c_{\mathrm{ij}}\left(n\right)-\mathrm{\α}\frac{\∂E}{\∂c_{\mathrm{ij}}}---\left(8\right)$

其中n为迭代次数，α为学习速率，i＝1，2，3,，，j＝1，2，3。训练时，可以根据N组训练数据来确定前提参数a_ij，b_ij和c_ij的初始值。

对于结论参数d_kl，我们首先根据前提参数的值，式(3)和N组训练数据(包括输入和期望输出)，采用线性最小二乘方法来确定其初始值，然后由式(3)可得到N组训练数据的系统实际输出，再根据式(5)的代价函数和式(6)、式(7)和式(8)更新前提参数a_ij，b_ij，c_ij，并在每次更新前提参数之后，采用线性最小二乘方法更新结论参数d_kl。这样一直迭代下去，直到式(5)的代价函数值小于预先设定的阈值或者迭代次数达到预先设定的上限时，则系统训练结束。

步骤F：当代价函数值小于预先设定的阈值或者迭代次数达到预先设定的上限时，则系统训练结束；否则，重复步骤B到E，进行下一次迭代训练。

步骤二：当四个自适应神经模糊推理系统都训练完毕，就可以和一个后处理块一起构成一个网络，对测试图像进行边缘检测。

具体步骤如下：

步骤A：将需进行边缘检测的测试图像作为网络的输入图像，以输入图像中左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式滑动，遍取输入图像中所有像素；

步骤B：以当前操作像素为中心得到一个3×3操作窗口，对于每个自适应神经模糊推理系统，在操作窗口内，每个数据提取块以与系统训练时相同的拓扑结构方式提取像素灰度值，由此得到每个系统的四个输入；

步骤C：每个自适应神经模糊推理系统都会得到一个输出，这些输出即为后处理块的输入，后处理块对这四个输入取平均值，再将该平均值与一个预先设定的阈值相比较，得到一最终输出，该输出即为与输入图像当前操作像素相对应的边缘标志图像像素的灰度值；

在图1中，由四个自适应神经模糊推理系统可分别得到四个输出，记为Y_k(k＝1，2，3，4)。这四个输出即为后处理块的输入。后处理块按式(9)对这四个输入取平均值，记为Y_A。再按式错误！未找到引用源。，将Y_A与一个阈值相比较，求得神经模糊网络的最终输出Y_F。该阈值是像素灰度值的最小值与最大值之间的中间值，对于一个8位灰度图像，该值设定为128。最终输出Y_F的值为0表示当前操作像素是边缘像素，显示为黑色，Y_F的值为255表示当前操作像素不是边缘像素，显示为白色。

$Y_A=\frac{1}{4}\underset{k=1}{\overset{4}{\mathrm{\Σ}}}{Y}_k---\left(9\right)$

$Y_F=\left\{\begin{array}{cc}255,& \mathrm{if}{Y}_A>128\\ 0,& \mathrm{if}{Y}_A\≤128\end{array}\right.---\left(10\right)$

步骤D：选取输入图像中下一个像素作为当前操作像素，重复步骤(B)和(C)，当输入图像中所有像素经过网络都得到输出后，就能得到一个输出图像，该输出图像即为边缘标志图像。

为测试本发明方法的边缘检测性能，将其与三种传统算法：Sobel算子、LOG算子和Canny算子进行比较，使用的4张原始图像(图像大小都为256×256)如图6所示，对它们分别添加3％～30％椒盐脉冲噪声作为测试图像，比较各算法的边缘检测效果。

图7显示的是对含噪20％的测试图像进行边缘检测的结果。图7(a)为含10％的椒盐脉冲噪声测试图像。图7(b)-(e)分别为用Sobel算子、LOG算子、Canny算子和本发明方法检测所得的边缘图像。从图中可出看出Sobel算子的检测结果非常差，图中有很多噪声点被误检为边缘，很多边缘因受噪声的影响而无法检测出来。LOG算子的检测结果较Sobel算子为好，能检测出更多的边缘，但受噪声的影响仍然较大。Canny算子的检测边缘的能力在三种传统算法中为最好，能检测出大部分噪声，得到的边缘也较为完整，但因为进行高斯滤波的原因，图像中一些细节部位信息丢失，从Canny算子所得到的边缘图像Lena图和Cameraman图中就可看出，脸的部位的一些细节已经丢失，无法正确得到边缘。与三种传统的边缘检测算子相比，本发明方法的边缘检测能力为最好，能检测出绝大部分噪声，边缘图像中几乎看不到噪声的存在，即噪声对本发明方法的影响比较小，且因为没有噪声滤波过程，细节保护能力较强，从本发明方法所得到的边缘图像Lena图和Cameraman图中可较为清晰地得到脸部的一些边缘和细节信息。

Claims (3)

1.一种基于自适应神经模糊推理系统的图像边缘检测方法，其特征在于，包括以下步骤：

步骤一：构造一个包含四个自适应神经模糊推理系统和一个后处理块的网络，在使用该网络对噪声图像进行边缘检测前，人工构造一个训练图像，使用混合学习算法对四个自适应神经模糊推理系统单独进行训练，确定系统中的参数；

步骤二：当四个自适应神经模糊推理系统都训练完毕，就可以和一个后处理块一起构成一个网络，对测试图像进行边缘检测。

2.根据权利要求1所述的基于自适应神经模糊推理系统的图像边缘检测方法，其特征在于，步骤一进一步包括以下步骤：

步骤A：每个自适应神经模糊推理系统都有四个输入，一个输出，人工构造一个原始图像，在该图像上添加30％的椒盐脉冲噪声得到噪声图像，作为每个自适应神经模糊推理系统的输入的训练图像，由原始图像可得到边缘标志图像，作为每个自适应神经模糊推理系统的期望输出的训练图像；

步骤B：以输入的训练图像左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式滑动，遍取输入的训练图像中所有像素；

步骤C：以当前操作像素为中心得到一个3×3操作窗口，在操作窗口内，四个数据提取块分别以四种不同的拓扑结构方式提取像素灰度值，由此得到与四个数据提取块相对应的自适应神经模糊推理系统的四个输入，由系统的四个输入可得到系统的一个实际输出；

步骤D：选取输入的训练图像中下一个像素作为当前操作像素，重复步骤C，通过这样的方式可得到输入的训练图像中所有像素相对应的系统实际输出；

步骤E：根据系统实际输出和由期望输出的训练图像得到的期望输出的差值，得到代价函数值，使用混合学习算法对系统中的参数进行优化更新；

步骤F：当代价函数值小于预先设定的阈值或者迭代次数达到预先设定的上限时，则系统训练结束；否则，重复步骤B到E，进行下一次迭代训练。

3.根据权利要求1所述的基于自适应神经模糊推理系统的图像边缘检测方法，其特征在于，步骤二进一步包括以下步骤：

步骤A：将需进行边缘检测的测试图像作为网络的输入图像，以输入图像中左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式滑动，遍取输入图像中所有像素；

步骤B：以当前操作像素为中心得到一个3×3操作窗口，对于每个自适应神经模糊推理系统，在操作窗口内，每个数据提取块以与系统训练时相同的拓扑结构方式提取像素灰度值，由此得到每个系统的四个输入；

步骤C：每个自适应神经模糊推理系统都会得到一个输出，这些输出即为后处理块的输入，后处理块对这四个输入取平均值，再将该平均值与一个预先设定的阈值相比较，得到一最终输出，该输出即为与输入图像当前操作像素相对应的边缘标志图像像素的灰度值；

步骤D：选取输入图像中下一个像素作为当前操作像素，重复步骤(B)和(C)，当输入图像中所有像素经过网络都得到输出后，就能得到一个输出图像，该输出图像即为边缘标志图像。

Images