CN104732500A - 脉冲耦合神经网络中药材显微图像噪声滤除系统及方法 - Google Patents

Abstract

本发明公开了一种脉冲耦合神经网络中药材显微图像噪声滤除系统及方法，采用适合处理组织类图像信息的脉冲耦合神经网络模型对中药材显微图像进行检测；中药材显微图像受到密度较小的脉冲噪声污染通过自适应加权滤波处理；中药材显微图像受到密度较大的脉冲噪声污染采用保持边缘细节信息的引入双结构元素数学形态学进行二次滤波。本发明为下一步提高中药材质量检测、识别与鉴定奠定前期基础；具有更高的噪点检测性能，噪声错检率和漏检率低，噪声检测精度较高；检测时间短，自动性强；在去噪的同时不但能有效滤除噪声干扰，而且能很好地保护图像边缘细节等信息。

Description

脉冲耦合神经网络中药材显微图像噪声滤除系统及方法

技术领域

本发明属于中药材显微图像信息处理技术领域，尤其涉及一种脉冲耦合神经网络中药材显微图像噪声滤除系统及方法。

背景技术

由于中药材品质的退化及假冒劣质品的市场混入等因素影响了中药材的质量和临床疗效，对中药材识别、鉴定与控制显得尤为重要；传统中药材识别鉴定主要依赖主观经验，以人的肉眼识别药源植物的形态，颜色和药材的显微纹理时需要具有丰富的经验，但由于经验有限，图像识别难度大，识别错误率高；现代理化鉴定要借助专门分析仪器，管理及操作复杂；因此基于现代信息理论技术的中药材预处理、识别、检测及鉴定是新的发展方向。

基于图像信息处理的中药材现代处理与分析是在进入本世纪以来才逐渐开展起来研究领域，学者们对中药材图像的获取、去噪、分割、特征提取、识别、检测与检索等方面进行了一定的研究；一般来说先采用CCD摄像机在显微镜下直接对标本采样，并将摄取的彩色显微图像输入图像分析系统，待显微图像完成格式转化后，对获取的图像进行图像增强及滤波等预处理，然后提取或分割图像目标，再对得到的显微图像目标系列参数如最大直径、最大横切面、周长、体积、不规则参数等进行分析测定，得到各参数的像素及特性并进行下一步分析；在获取或传输时中药材显微图像时，因外界干扰或传输信道，解码处理等因素不免会产生脉冲噪声对中药材显微图像干扰和损坏，从而导致图像质量下降，严重影响特征提取及模式识别等后续图像处理环节。

目前中药材显微图像噪声滤除方法还存在以下不足：

(1)由于我国中药材资源丰富、来源广泛、种类繁多、形态各异，其组织结构具有多样性，由此形成的显微图像具有复杂性和特殊性，其显微图像目标和背景常常混合交叠；在显微图像获取或传输的过程中当有脉冲噪声干扰混入图像信息中时，在目标、背景与噪声点的定位时造成了一定的难度，在被脉冲噪声污染的中药材图像中如何区分出目标信息、准确地找出噪声干扰点，这是解决滤波问题的关键点之一；虽然有些学者在普通图像的滤波中先对含噪图像的目标像素、噪点像素进行了检测分类，再对噪声像素进行滤波处理，在去噪性能上有所提高，但对噪声点的定位过分依赖于阈值的选取，不利于自动噪点检测，自适应能力差；目前在中药材显微图像的滤波中也没有相关研究方法；

(2)脉冲噪声是一种典型的噪声类型，当其干扰或污染到中药材显微图像时，必须在滤除它的同时如何尽可能地保护复杂中药材显微图像边缘和丰富的细节等信息，目前可利用在图像处理领域的相关技术有：传统中值滤波或基于中值滤波的改进方法、维纳滤波法、小波去噪方法以及数学形态滤波等方法，这些虽能达到一定的去噪效果,但会出现对部分噪点的误检，以及破坏和丢失相对于滤波窗口尺寸较小的图像细节；另外，随着噪声的增加，滤波性能也会变得很差。

发明内容

本发明的目的在于提供一种脉冲耦合神经网络中药材显微图像噪声滤除系统及方法，旨在解决中药材显微图像噪声滤除存在的不利于自动噪点检测，自适应能力差，噪声去除和滤波性能存在矛盾的问题。

本发明是这样实现的，一种脉冲耦合神经网络中药材显微图像噪声滤除方法，该脉冲耦合神经网络中药材显微图像噪声滤除方法采用适合处理组织类图像信息的脉冲耦合神经网络模型对中药材显微图像进行检测；中药材显微图像受到密度较小的脉冲噪声污染通过自适应加权滤波处理；中药材显微图像受到密度较大的脉冲噪声污染采用保持边缘细节信息的引入双结构元素数学形态学进行二次滤波。

进一步，适合处理组织类图像信息的脉冲耦合神经网络模型：

F_ij[n]＝S_ij；

$L_{\mathrm{ij}}\left[n\right]=\underset{\mathrm{ab}}{\mathrm{\Σ}}{Y}_{\mathrm{ab}}\left[n\right]/N_w;$

U_ij[n]＝F_ij[n](1+β_ij[n]L_ij[n])；

$Y_{\mathrm{ij}}\left[n\right]=\left\{\begin{array}{cc}1,& \mathrm{if}{,U}_{\mathrm{ij}}\left[n\right]>{\mathrm{\θ}}_{\mathrm{ij}}\left[n\right]\\ 0,& \mathrm{otherwise}\end{array}\right.;$

${\mathrm{\θ}}_{\mathrm{ij}}\left[n\right]={\mathrm{\θ}}_0{e}^{-{\mathrm{\α}}_{\mathrm{\θ}}(n-1)}$

其中，β_ij[n]为自适应链接强度系数；

${\mathrm{\β}}_{\mathrm{ij}}\left[n\right]=\underset{a,b\∈w}{\mathrm{\Σ}}\frac{1}{|S_{\mathrm{ij}}-S_{\mathrm{ab}}|+\mathrm{\Δ}}/N_w;$

S_ij、F_ij[n]、L_ij[n]、U_ij[n]、θ_ij[n]分别为输入图像信号、反馈输入、链接输入、内部活动项及动态阈值，N_w为所选待处理窗口W中的像素总数，Δ为调节系数，选取1～3。

进一步，脉冲耦合神经网络模型对中药材显微图像进行检测时，利用网络特性使灰度为S_ij max的像素点火激活，再进行第二次脉冲耦合神经网络迭代处理，把介于[S_ij max/1+β_ijL_ij,S_ij max]间的像素捕获激活，使两次激活的像素点对应的Y_ij输出为1；然后对原噪声污染图像反白处理，再对处理后的图像S_ij按前述进行迭代处理，并使对应的输出Y_ij＝1，利用图像噪声像素与周围像素相关性小，灰度差别大特性，当一个神经元的激发没有引起所在区域附近大多数神经元的激发时，就说明该神经元对应像素可能是噪声点；

初步甄别出Y_ij＝0对应的像素点为中药材显微图像的信号点，予以保护；对Y_ij输出为1的像素点在3*3模板B范围内统计以输出Y_ij＝1为中心邻域元素值为1的个数N_Y判别归类：1≤N_Y≤8，为噪声点，当N_Y＝9，判定为图像像素点。

进一步，中药材显微图像自适应加权滤波器噪声滤波的实现方法；

当脉冲输出Y_ij＝1且N_Y＝1～8，N_Y是当在3*3模板B中为1个数，选取滤波窗口M，对噪声污染图像f_ij的自适应滤波，滤波方程为：

$f_{\mathrm{ij}}=\underset{r,s\∈M}{\mathrm{\Σ}}{x}_{\mathrm{rs}}{S}_{\mathrm{rs}};$

式中，x_rs是滤波窗口中对应像素的系数，S_rs为滤波窗口中对应像素的灰度值，f_ij为滤波后对应窗口中心位置的输出值。

$x_{\mathrm{rs}}=\left\{\begin{array}{cc}\frac{1/\{1+\max [{\mathrm{\Ω}}_{\mathrm{ij}},|S_{\mathrm{rs}}-D_{\mathrm{ij}}]\}}{\underset{r,s\∈M}{\mathrm{\Σ}}1/\{1+\max [{\mathrm{\Ω}}_{\mathrm{ij}},|S_{\mathrm{rs}}-D_{\mathrm{ij}}]\}},& Y_{\mathrm{rs}}=1\\ 0,& Y_{\mathrm{rs}}=0\end{array}\right.;$

${\mathrm{\Ω}}_{\mathrm{ij}}=\frac{\underset{r,s\∈M}{\mathrm{\Σ}}|S_{\mathrm{rs}}-D_{\mathrm{ij}}|}{N_Y},Y_{\mathrm{rs}}=1;$

式中D_ij为方形滤波窗口M中像素灰度中值，Ω_ij滤波窗口各像素与中心灰度差绝对均值，max为求最大值符号。

进一步，选取滤波窗口M选取大小为m*m的滤波窗口M，窗口大小的选取原则是：

$m=\left\{\begin{array}{cc}5,& 1\≤N_Y\≤5\\ 7,& 6\≤N_Y\≤8\end{array}\right..$

进一步，双结构元素数学形态学第二级滤波的具体方法：

残留脉冲噪声的中药材显微图像为f，E为结构元素SE，则膨胀有如下关系式：

$f\⊕E\left(x\right)=\underset{(x-z)\∈F}{\overset{z\∈G}{\max }}\{f(x-z)+E\left(z\right)\};$

式中为膨胀运算符，F和G分别是f和E的定义域，x-z为位移参数；

上式膨胀关系是将与物体接触的所有背景点都合并到物体中，使边界向外部扩张的过程，填补物体中的洞孔；

$\mathrm{f\ΘE}\left(x\right)=\underset{(x+z)\∈F}{\overset{z\∈G}{\min }}\{f(x+z)-E\left(z\right)\};$

上式Θ为腐蚀运算，腐蚀是消除边界点，边界向内部收缩，同时在腐蚀膨胀的基础上，再结合形态学的开闭运算：

$f\·E=(f\⊕E)\mathrm{\ΘE}.$

进一步，采用适合处理组织类图像信息的脉冲耦合神经网络模型对中药材显微图像进行检测需要输入含噪声中药材显微图像，并进行彩色-灰度转换预处理。

进一步，采用保持边缘细节信息的引入双结构元素数学形态学进行二次滤波后输出滤波后的中药材显微图像。

本发明的另一目的在于提供一种脉冲耦合神经网络中药材显微图像噪声滤除系统，该脉冲耦合神经网络中药材显微图像噪声滤除系统包括：输入及预处理单元、噪声检测单元、第一级自适应加权滤波单元、第二级数学形态学滤波单元、输出单元；

输入及预处理单元，用于输入含噪声中药材显微图像，并进行彩色-灰度转换预处理；

噪声检测单元，与输入及预处理单元连接，用于利用改进脉冲耦合神经网络检测中药材显微图像噪点；

第一级自适应加权滤波单元，与噪声检测单元连接，接收噪声检测单元检测的中药材显微图像噪点，对中药材显微图像受到密度较小的脉冲噪声污染采用自适应加权滤波；

第二级数学形态学滤波单元，与第一级自适应加权滤波单元连接，接收第一级自适应加权滤波单元中药材显微图像受到密度较大的脉冲噪声污染，采用保持边缘细节等信息的引入双结构元素数学形态学进行二次滤波。

进一步，噪声检测单元还包括：输入与链接输入单元、脉冲发生器、噪声标志矩阵单元；

输入与链接输入单元，用于接收含噪声的中药材显微图像；

脉冲发生器，与输入与链接输入单元连接，用于产生脉冲耦合神经元输入信号与输出信号比较的0或1信息；

噪声标志矩阵单元，与脉冲发生器连接，用于形成噪声标志矩阵，实现噪声像素点和信号像素点的分类。

本发明提供的脉冲耦合神经网络中药材显微图像噪声滤除系统及方法，借助改进脉冲耦合神经网络在无需设定检测阈值的情况下自动检测中药材显微图像中的噪点，利用多级组合滤波器完成噪声的去除，在有效滤除噪声干扰的同时很好地保护图像边缘细节等信息。

本发明具有如下效果：

1)是图像信息处理技术对传统中医药进行现代检测识别预处理应用技术的研究，为信息时代中药材“传统”与“现代”分析检测相结合提供全新的技术思路与方法，给现代中药材无接触、无损伤信息检测分析进行有益的探索，为下一步提高中药材质量检测、识别与鉴定奠定前期基础；

同时，对于我国中药材检测识别与分析研究具有重要的理论意义和应用价值；

2)在中药材显微图像脉冲噪声检测阶段，本发明利用脉冲耦合神经网络的同步脉冲发放特性区分定位脉冲噪声点和信号像素点位置，相对传统的基于中值检测或相关改进中值检测方法具有更高的噪点检测性能，相对于其他阈值噪点检测方法；本发明无需设定检测阈值，噪声错检率和漏检率低，噪声检测精度较高；同时，相对于其他噪声迭代检测方法；本发明方法检测时间短，自动性强；

目前还没有任何脉冲噪声检测方法应用在中药材显微图像脉冲噪声的检测中；

3)在中药材显微图像脉冲噪声滤除阶段，本发明首先根据上述检测出的噪点和信号点，对图像像素进行分类处理；在利用第一级自适应加权滤波时只对检出的噪声点进行滤波处理，相对于其他中值滤波、维纳滤波等方法在有效滤除噪点的同时保护了信号点信息；在第二级数学形态学滤波时是对前级滤波中漏掉的相关噪点进行补充辅助滤除，在去噪的同时不但能有效滤除噪声干扰，而且能很好地保护图像边缘细节等信息；

具有较强的主观视觉效果和客观评价指标，去噪能力强、信噪比高和适应性好，特别是对受严重噪声污染的中药材显微图像，显示了更大的滤波优越性。

附图说明

图1是本发明实施例提供的脉冲耦合神经网络中药材显微图像噪声滤除系统结构示意图；

图中：1、输入及预处理单元；2、噪声检测单元；3、第一级自适应加权滤波单元；4、第二级数学形态学滤波单元；5、输出单元；

图2是本发明实施例提供的脉冲耦合神经网络中药材显微图像噪声滤除方法流程图；

图3是本发明实施例提供的噪声检测单元结构示意图；

图中：2-1、输入与链接输入单元；2-2、脉冲发生器；2-3、噪声标志矩阵单元；

图4是本发明实施例提供的对含噪30％赤小豆子叶细胞显微图像去噪处理结果示意图；

图中：(a)为原始显微图像；(b)为含噪30％污染图像；(c)为数学形态学滤波处理图像；(d)为维纳滤波处理图像；(e)为中值滤波图像；(f)为本发明滤波处理结果图像；

图5是本发明实施例提供的对含噪40％的槟榔内果皮细胞显微图像去噪处理结果示意图；

图中：(a)为原始显微图像；(b)为含噪40％污染图像；(c)为数学形态学滤波处理图像；(d)为维纳滤波处理图像；(e)为中值滤波图像；(f)为本发明滤波处理结果图像；

图6是本发明实施例提供的对含噪60％的玉竹根茎切面图像去噪处理结果示意图；

图中：(a)为原始显微图像；(b)为含噪60％污染图像；(c)为数学形态学滤波处理图像；(d)为维纳滤波处理图像；(e)为中值滤波图像；(f)为本发明滤波处理结果图像；

图7是本发明实施例提供的对选取的中药材玉竹根茎切面显微图像滤噪时峰值信噪比(PSNR)随噪声密度的变化关系示意图；

图8是本发明实施例提供的对选取的中药材玉竹根茎切面显微图像滤噪时信噪比改善因子(SIF)随噪声密度的变化关系示意图；

图9是本发明实施例提供的对选取的中药材玉竹根茎切面显微图像滤噪时均方误差(MSE)随噪声密度的变化关系示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图1所示，本发明实施例的脉冲耦合神经网络中药材显微图像噪声滤除系统主要包括：输入及预处理单元1、噪声检测单元2、第一级自适应加权滤波单元3、第二级数学形态学滤波单元4、输出单元5；

输入及预处理单元1，用于输入含噪声中药材显微图像，并进行彩色-灰度转换预处理；

噪声检测单元2，与输入及预处理单元1连接，用于利用改进脉冲耦合神经网络检测中药材显微图像噪点；

第一级自适应加权滤波单元3，与噪声检测单元2连接，接收噪声检测单元2检测的中药材显微图像噪点，对中药材显微图像受到密度较小的脉冲噪声污染采用自适应加权滤波；

第二级数学形态学滤波单元4，与第一级自适应加权滤波单元3连接，接收第一级自适应加权滤波单元3中药材显微图像受到密度较大的脉冲噪声污染，采用保持边缘细节等信息的引入双结构元素数学形态学进行二次滤波。

如图3所示，噪声检测单元2还包括：输入与链接输入单元2-1、脉冲发生器2-2、噪声标志矩阵单元2-3；

输入与链接输入单元2-1，用于接收含噪声的中药材显微图像；

脉冲发生器2-2，与输入与链接输入单元2-1连接，用于产生脉冲耦合神经元输入信号与输出信号比较的0或1信息；

噪声标志矩阵单元2-3，与脉冲发生器2-2连接，用于形成噪声标志矩阵，实现噪声像素点和信号像素点的分类。

如图2所示，本发明实施例的脉冲耦合神经网络中药材显微图像噪声滤除方法包括以下步骤：

S201：从中药材显微组织图像的特点出发，在优化改进脉冲耦合神经网络模型的基础上，利用神经元模拟相似及同步点火特性检测图像噪声点；

S202：针对区分出的图像噪声像素，采用考虑其周围局部邻域信息的自适应加权滤波；

S203：利用保护图像边缘细节的双结构元素数学形态学滤波器，滤除前级残留的部分噪声。

本发明实施例的具体步骤包括：

第一步：输入含噪声中药材显微图像，并进行彩色-灰度转换预处理；

第二步：利用改进脉冲耦合神经网络检测中药材显微图像噪点；

首先，结合中药材显微图像组织结构特征(或类组织结构特征)对基于哺乳动物大脑皮层视觉区神经元传导特性启发而形成的传统脉冲耦合神经网络进行改进与优化，提出如下适合处理组织类图像信息的改进脉冲耦合神经网络模型：

F_ij[n]＝S_ij        (1)

$L_{\mathrm{ij}}\left[n\right]=\underset{\mathrm{ab}}{\mathrm{\Σ}}{Y}_{\mathrm{ab}}\left[n\right]/N_w---\left(2\right)$

U_ij[n]＝F_ij[n](1+β_ij[n]L_ij[n])      (3)

$Y_{\mathrm{ij}}\left[n\right]=\left\{\begin{array}{cc}1,& \mathrm{if}{,U}_{\mathrm{ij}}\left[n\right]>{\mathrm{\θ}}_{\mathrm{ij}}\left[n\right]\\ 0,& \mathrm{otherwise}\end{array}\right.---\left(4\right)$

${\mathrm{\θ}}_{\mathrm{ij}}\left[n\right]={\mathrm{\θ}}_0{e}^{-{\mathrm{\α}}_{\mathrm{\θ}}(n-1)}---\left(5\right)$

其中，β_ij[n]为自适应链接强度系数；

${\mathrm{\β}}_{\mathrm{ij}}\left[n\right]=\underset{a,b\∈w}{\mathrm{\Σ}}\frac{1}{|S_{\mathrm{ij}}-S_{\mathrm{ab}}|+\mathrm{\Δ}}/N_w---\left(6\right)$

本发明模型中S_ij、F_ij[n]、L_ij[n]、U_ij[n]、θ_ij[n]分别为输入图像信号、反馈输入、链接输入、内部活动项及动态阈值，N_w为所选待处理窗口W中的像素总数，Δ为调节系数，一般选取1～3；

本发明中当脉冲耦合神经网络对中药材显微图像进行检测时，利用网络特性使灰度为S_ij max的像素点火激活，再进行第二次脉冲耦合神经网络迭代处理，把介于[S_ij max/1+β_ijL_ij,S_ij/max]间的像素捕获激活，使两次激活的像素点对应的Y_ij输出为1；然后对原噪声污染图像反白处理，再对处理后的图像S_ij按前述进行迭代处理，并使其对应的输出Y_ij＝1，利用图像噪声像素与周围像素相关性小，灰度差别大这一特性，当一个神经元的激发没有引起所在区域附近大多数神经元的激发时，就说明该神经元对应像素可能是噪声点；

其次，初步甄别出Y_ij＝0对应的像素点为中药材显微图像的信号点，应予以保护；而对Y_ij输出为1的像素点在3*3模板B范围内统计以输出Y_ij＝1为中心邻域元素值为1的个数N_Y判别归类：(1)1≤N_Y≤8，为噪声点，(2)当N_Y＝9，判定为图像像素点；

第三步：中药材显微图像自适应加权滤波器噪声滤波；

在检测中药材显微图像脉冲噪声点的基础上，本发明的第一步滤波采用自适应加权滤波，当B中为1个数N_Y较小时，噪声密度较低，应选取小尺寸滤波窗口，用来加强对图像细节的保护作用；当N_Y较大时，噪声密度较大，应选取大尺寸滤波窗口，用来增强除噪效果，为此，本发明选取大小为m*m的滤波窗口M，窗口大小的选取原则是：

$m=\left\{\begin{array}{cc}5,& 1\≤N_Y\≤5\\ 7,& 6\≤N_Y\≤8\end{array}\right.;$

当脉冲输出Y_ij＝1且N_Y＝1～8，按以上原则选取滤波窗口M，实现对噪声污染图像f_ij的自适应滤波，其滤波方程为：

$f_{\mathrm{ij}}=\underset{r,s\∈M}{\mathrm{\Σ}}{x}_{\mathrm{rs}}{S}_{\mathrm{rs}}---\left(7\right)$

式中，x_rs是滤波窗口中对应像素的系数，S_rs为滤波窗口中对应像素的灰度值，f_ij为滤波后对应窗口中心位置的输出值。

$x_{\mathrm{rs}}=\left\{\begin{array}{cc}\frac{1/\{1+\max [{\mathrm{\Ω}}_{\mathrm{ij}},|S_{\mathrm{rs}}-D_{\mathrm{ij}}]\}}{\underset{r,s\∈M}{\mathrm{\Σ}}1/\{1+\max [{\mathrm{\Ω}}_{\mathrm{ij}},|S_{\mathrm{rs}}-D_{\mathrm{ij}}]\}},& Y_{\mathrm{rs}}=1\\ 0,& Y_{\mathrm{rs}}=0\end{array}\right.---\left(8\right)$

${\mathrm{\Ω}}_{\mathrm{ij}}=\frac{\underset{r,s\∈M}{\mathrm{\Σ}}|S_{\mathrm{rs}}-D_{\mathrm{ij}}|}{N_Y},Y_{\mathrm{rs}}=1---\left(9\right)$

式中D_ij为方形滤波窗口M中像素灰度中值，Ω_ij滤波窗口各像素与中心灰度差绝对均值，max为求最大值符号。

第四步：双结构元素数学形态学第二级滤波；

当中药材显微图像受到密度较小的脉冲噪声污染时，自适应加权滤波就可以达到较好的滤波效果，但当干扰噪声较大时仅用第一步自适应滤波无法达到较满意的效果，为此，本发明在尽可能保持边缘细节等信息的前提下引入双结构元素数学形态学二次滤波；

设残留脉冲噪声的中药材显微图像为f，E为结构元素SE，则有如下关系式：

$f\⊕E\left(x\right)=\underset{(x-z)\∈F}{\overset{z\∈G}{\max }}\{f(x-z)+E\left(z\right)\}---\left(10\right)$

$\mathrm{f\ΘE}\left(x\right)=\underset{(x+z)\∈F}{\overset{z\∈G}{\min }}\{f(x+z)-E\left(z\right)\}---\left(11\right)$

式(10)膨胀关系是将与物体接触的所有背景点都合并到该物体中，使边界向外部扩张的过程，用来填补物体中的洞孔；式(11)腐蚀是消除边界点，边界向内部收缩的过程，用来消除小且无意义的物体，同时在腐蚀膨胀的基础上，再结合形态学的开闭运算：

$f\·E=(f\⊕E)\mathrm{\ΘE}---\left(13\right)$

可去除较小(相对于SE的大小而言)的明亮细节及去除较小的暗细节部分，同时均保持中药材显微图像整体的灰度级和较大的明亮区域不变；

本发明可选用小尺寸的ball，line，square等结构元素对含有残留噪声的中药材显微图像进行了反复运算；

第五步：输出滤波后的中药材显微图像。

通过以下的实验对本发明的应用效果做进一步的说明：

为验证本发明的有效性、正确性和可行性，对大量不同的中药材显微图像进行了噪声滤除实验。

本发明方法的实验结果与中值滤波，维纳滤波，数学形态学滤波作了比较，并通过主观滤波视觉效果和峰值信噪比(PSNR)，信噪比改善因子(SIF)，均绝对误差(MAE)，均方误差(MSE)等指标对滤波性能的进行客观衡量；

1)图4、图5及图6为列选本发明方法下部分中药材玉竹根茎横切面组织图(yuzhu transverse section of rhizome)，赤小豆子叶细胞(chixiaodou cotyledoncells)和槟榔内果皮细胞(binglang cells of endocarp)等三幅中药材显微图像在30％—60％等不同强度脉冲噪声污染后采用不同滤波方法处理的视觉比较结果图像；

2)为比较不同中药材显微图像在受同一噪声污染时本发明与其他滤波方法的客观性能，特选取对上述三幅含噪50％的中药材显微图像采用四种不同滤波算法的PSNR，SIF及MSE进行实验数据比较，比较结果如下表1所示；

表1对三幅含噪50％图像采用四种不同滤波方法PSNR，SIF及MSE比较数据

3)选取一幅中药材玉竹根茎横切面组织显微图像在受不同强度脉冲噪声干扰，采用中值滤波法、数学形态学滤波法、维纳滤波法及本发明滤波等四种不同滤波方法时，滤波客观评价指标PSNR，SIF及MSE的比较，比较结果见图7、图8及图9所示。

通过对中药材显微图像脉冲噪声的滤波处理，由图4、图5及图6的主观视觉效果可知：传统中值滤波方法由于要对整个噪声污染图像的全体像素进行滤波，虽然噪声滤除能力强但会导致图像边缘细节的模糊，降低去除噪声性能；利用数学形态学滤波时，采用了小尺寸的line虽然不会对图像的边缘细节信息过于模糊，但是形态学自身的运算会引入新的噪声，处理效果也不令人满意；维纳滤波在处理中对图像的边缘保护差，不利于处理脉冲噪声，滤波效果不佳。

本发明提出的基于脉冲耦合神经网络噪声检测的多级滤波方法，从考虑中药材显微组织图像的特点出发，利用脉冲耦合神经网络的特性，优化和改进处理模型，使其能较好的适应处理显微组织类图像，并有效检测脉冲噪声；第一步自适应滤波利用像素局部信息，较好的滤除中药材显微图像中的脉冲噪声，第二步双结构元素数学形态学在较完整的保持边缘细节信息的同时，滤除前级残留的部分噪声，较为理想的解决了噪声去除和细节保护这一矛盾，利用本发明去噪后中药材显微图像主观视觉效果和客观评价指标PSNR、SIF及MSE均好于其他3种方法的滤噪效果，另外，随着噪声密度的增加。

本发明的滤波性能和效果具有领先的优势，特别是滤除严重脉冲噪声污染的中药材显微图像方面表现出良好的去噪性能。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种脉冲耦合神经网络中药材显微图像噪声滤除方法，其特征在于，该脉冲耦合神经网络中药材显微图像噪声滤除方法采用适合处理组织类图像信息的脉冲耦合神经网络模型对中药材显微图像进行检测；中药材显微图像受到密度较小的脉冲噪声污染通过自适应加权滤波处理；中药材显微图像受到密度较大的脉冲噪声污染采用保持边缘细节信息的引入双结构元素数学形态学进行二次滤波。

2.如权利要求1所述的脉冲耦合神经网络中药材显微图像噪声滤除方法，其特征在于，适合处理组织类图像信息的脉冲耦合神经网络模型：

F_ij[n]＝S_ij；

$L_{\mathrm{ij}}\left[n\right]=\underset{\mathrm{ab}}{\mathrm{\Σ}}{Y}_{\mathrm{ab}}\left[n\right]/N_w;$

U_ij[n]＝F_ij[n](1+β_ij[n]L_ij[n])；

$Y_{\mathrm{ij}}\left[n\right]=\left\{\begin{array}{cc}1,& \mathrm{if}{U}_{\mathrm{ij}}\left[n\right]>{\mathrm{\θ}}_{\mathrm{ij}}\left[n\right]\\ 0,& \mathrm{otherwise}\end{array}\right.;$

θ_ij[n]＝θ₀e^-αθ(n-1)；

其中，β_ij[n]为自适应链接强度系数；

${\mathrm{\β}}_{\mathrm{ij}}\left[n\right]=\underset{a,b\∈w}{\mathrm{\Σ}}\frac{1}{|S_{\mathrm{ij}}-S_{\mathrm{ab}}|+\mathrm{\Δ}}/N_w;$

S_ij、F_ij[n]、L_ij[n]、U_ij[n]、θ_ij[n]分别为输入图像信号、反馈输入、链接输入、内部活动项及动态阈值，N_w为所选待处理窗口W中的像素总数，Δ为调节系数，选取1～3。

3.如权利要求2所述的脉冲耦合神经网络中药材显微图像噪声滤除方法，其特征在于，脉冲耦合神经网络模型对中药材显微图像进行检测时，利用网络特性使灰度为S_ijmax的像素点火激活，再进行第二次脉冲耦合神经网络迭代处理，把介于[S_ijmax/1+β_ijL_ij,S_ijmax]间的像素捕获激活，使两次激活的像素点对应的Y_ij输出为1；然后对原噪声污染图像反白处理，再对处理后的图像S_ij按前述进行迭代处理，并使对应的输出Y_ij＝1，利用图像噪声像素与周围像素相关性小，灰度差别大特性，当一个神经元的激发没有引起所在区域附近大多数神经元的激发时，就说明该神经元对应像素可能是噪声点；

初步甄别出Y_ij＝0对应的像素点为中药材显微图像的信号点，予以保护；对Y_ij输出为1的像素点在3*3模板B范围内统计以输出Y_ij＝1为中心邻域元素值为1的个数N_Y判别归类：1≤N_Y≤8，为噪声点，当N_Y＝9，判定为图像像素点。

4.如权利要求1所述的脉冲耦合神经网络中药材显微图像噪声滤除方法，其特征在于，中药材显微图像自适应加权滤波器噪声滤波的实现方法；

当脉冲输出Y_ij＝1且N_Y＝1～8，N_Y是当在3*3模板B中为1个数，选取滤波窗口M，对噪声污染图像f_ij的自适应滤波，滤波方程为：

$f_{\mathrm{ij}}=\underset{r,s\∈M}{\mathrm{\Σ}}{x}_{\mathrm{rs}}{S}_{\mathrm{rs}};$

式中，x_rs是滤波窗口中对应像素的系数，S_rs为滤波窗口中对应像素的灰度值，f_ij为滤波后对应窗口中心位置的输出值：

$x_{\mathrm{rs}}=\left\{\begin{array}{cc}\frac{1/\{1+\max [{\mathrm{\Ω}}_{\mathrm{ij}},|S_{\mathrm{rs}}-D_{\mathrm{ij}}|\left]\right\}}{\underset{r,s\∈M}{\mathrm{\Σ}}1/\{1+\max [{\mathrm{\Ω}}_{\mathrm{ij}},|S_{\mathrm{rs}}-D_{\mathrm{ij}}|\left]\right\}},& Y_{\mathrm{rs}}=1\\ 0,& Y_{\mathrm{rs}}=0\end{array}\right.;$

${\mathrm{\Ω}}_{\mathrm{ij}}=\frac{\underset{r,s\∈M}{\mathrm{\Σ}}|S_{\mathrm{rs}}-D_{\mathrm{ij}}|}{N_Y},Y_{\mathrm{rs}}=1;$

式中D_ij为方形滤波窗口M中像素灰度中值，Ω_ij滤波窗口各像素与中心灰度差绝对均值，max为求最大值符号。

5.如权利要求4所述的脉冲耦合神经网络中药材显微图像噪声滤除方法，其特征在于，选取滤波窗口M选取大小为m*m的滤波窗口M，窗口大小的选取原则是：

$m=\left\{\begin{array}{cc}5,& 1\≤N_Y\≤5\\ 7,& 6\≤N_Y\≤8\end{array}\right..$

6.如权利要求1所述的脉冲耦合神经网络中药材显微图像噪声滤除方法，其特征在于，双结构元素数学形态学第二级滤波的具体方法：

残留脉冲噪声的中药材显微图像为f，E为结构元素SE，则膨胀有如下关系式：

$f\⊕E\left(x\right)=\underset{(x-z)\∈F}{\overset{z\∈G}{\max }}\{f(x-z)+E\left(z\right)\};$

式中为膨胀运算符，F和G分别是f和E的定义域，x-z为位移参数；

上式膨胀关系是将与物体接触的所有背景点都合并到物体中，使边界向外部扩张的过程，填补物体中的洞孔；

$\mathrm{f\ΘE}\left(x\right)=\underset{(x+z)\∈F}{\overset{z\∈G}{\min }}\{f(x+z)-E\left(z\right)\};$

上式Θ为腐蚀运算符，腐蚀是消除边界点，边界向内部收缩，同时在腐蚀膨胀的基础上，再结合形态学的开闭运算：

$f\·E=(f\⊕E)\mathrm{\ΘE}.$

7.如权利要求1所述的脉冲耦合神经网络中药材显微图像噪声滤除方法，其特征在于，采用适合处理组织类图像信息的脉冲耦合神经网络模型对中药材显微图像进行检测需要输入含噪声中药材显微图像，并进行彩色-灰度转换预处理。

8.如权利要求1所述的脉冲耦合神经网络中药材显微图像噪声滤除方法，其特征在于，采用保持边缘细节信息的引入双结构元素数学形态学进行二次滤波后输出滤波后的中药材显微图像。

9.一种脉冲耦合神经网络中药材显微图像噪声滤除系统，其特征在于，该脉冲耦合神经网络中药材显微图像噪声滤除系统包括：输入及预处理单元、噪声检测单元、第一级自适应加权滤波单元、第二级数学形态学滤波单元、输出单元；

输入及预处理单元，用于输入含噪声中药材显微图像，并进行彩色-灰度转换预处理；

噪声检测单元，与输入及预处理单元连接，用于利用改进脉冲耦合神经网络检测中药材显微图像噪点；

第一级自适应加权滤波单元，与噪声检测单元连接，接收噪声检测单元检测的中药材显微图像噪点，对中药材显微图像受到密度较小的脉冲噪声污染采用自适应加权滤波；

第二级数学形态学滤波单元，与第一级自适应加权滤波单元连接，接收第一级自适应加权滤波单元中药材显微图像受到密度较大的脉冲噪声污染，采用保持边缘细节信息的引入双结构元素数学形态学进行二次滤波。

10.如权利要求9所述的脉冲耦合神经网络中药材显微图像噪声滤除系统，其特征在于，噪声检测单元还包括：输入与链接输入单元、脉冲发生器、噪声标志矩阵单元；

输入与链接输入单元，用于接收含噪声的中药材显微图像；

脉冲发生器，与输入与链接输入单元连接，用于产生脉冲耦合神经元输入信号与输出信号比较的0或1信息；

噪声标志矩阵单元，与脉冲发生器连接，用于形成噪声标志矩阵，实现噪声像素点和信号像素点的分类。