CN109872334A - 一种图像分割方法及装置 - Google Patents
一种图像分割方法及装置 Download PDFInfo
- Publication number
- CN109872334A CN109872334A CN201910143381.1A CN201910143381A CN109872334A CN 109872334 A CN109872334 A CN 109872334A CN 201910143381 A CN201910143381 A CN 201910143381A CN 109872334 A CN109872334 A CN 109872334A
- Authority
- CN
- China
- Prior art keywords
- neuron
- master network
- state vector
- image
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Abstract
本发明提供了一种图像分割方法及装置，涉及图像处理技术领域。该图像分割方法，包括：通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量；所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果。上述方案，可以在低SNR条件下较好的完成图像分割，提高了图像分割的准确性。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种图像分割方法及装置。
背景技术
图像分割作为图像分析与理解领域中一项重要技术，多年来一直受到工业界和学术界的普遍重视。
但是，现有的图像分割技术尚不能较好地完成低信噪比(SNR)条件下图像分割任务。
发明内容
本发明实施例提供一种图像分割方法及装置，以解决现有的图像分割技术不能在低SNR条件下较好的完成图像分割的问题。
为了解决上述技术问题，本发明实施例提供一种图像分割方法，包括：
通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量；
所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果。
进一步地，所述通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量，包括：
确定从网络的输入神经元到M个输出神经元的联接权值；
将待分割图像的每个像素的灰度值输给已确定联接权值的所述从网络，为每个像素在主网络中对应的M个神经元的状态进行赋值，得到所述待分割图像对应的主网络的初始化状态矢量。
具体地，所述确定从网络的输入神经元到M个输出神经元的联接权值，包括：
获取目标输出神经元的邻域；
自适应地更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，所述目标输出神经元为与所述输入神经元具有最小距离的输出神经元。
具体地，所述自适应地更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权，包括：
根据公式：更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，μj(t+1)为第t+1时刻输入神经元到输出神经元j的联接权；μj(t)为第t时刻输入神经元到输出神经元j的联接权；γ(t)为随着t增加而减小的学习率参数、且0<γ(t)≤1；NEj*[r(t)]为在t时刻目标输出神经元j*的邻域，NEj*[r(t)]＝{i:i＝j*-r(t),…,j*+r(t),且1≤i≤M}，r(t)为t时刻的邻域半径， 为减函数，且0≤r(t)≤r(0)；dj*(t)＝minj＝1,…,M{dj(t)}、且dj(t)＝[f(t)-μj(t)]2；f(t)为t时刻从网络的输入神经元接收到的像素的灰度值；j为输出神经元的索引；t为时间索引；M为从网络中输出神经元的总个数。
进一步地，所述将待分割图像的每个像素的灰度值输给已确定联接权值的所述从网络，为每个像素在主网络中对应的M个神经元的状态进行赋值，得到所述待分割图像对应的主网络的初始化状态矢量，包括：
将待分割图像的第一像素的灰度值输入给所述从网络的输入神经元，若所述从网络的M个输出神经元中的第j个输出神经元的响应最大，则将所述第一像素在主网络中对应的M个神经元中第j个神经元的状态设置为一个小于1的较大正数，而将所述第一像素在主网络中对应的M个神经元中除所述第j个神经元外的其他M-1个神经元的状态设置为一个小于1的较小正数，且M个神经元的状态之和等于1；将所述待分割图像中的每个像素依次进行赋值处理，便得到所述待分割图像对应的主网络的初始化状态矢量。
具体地，所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果，包括：
获取每个时刻的主网络状态矢量的改变量；
根据所述改变量，进行主网络状态矢量的动态演变；
当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果。
进一步地，所述获取每个时刻的主网络状态矢量的改变量，包括：
获取主网络的能量函数；
根据所述能量函数，确定能量函数对主网络状态矢量的梯度；
根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量。
进一步地，所述获取主网络的能量函数，包括：
确定主网络中神经元之间的互联强度；
根据所述神经元之间的互联强度和主网络中每个神经元的状态，确定主网络的能量函数。
具体地，所述确定主网络中神经元之间的互联强度，包括：
根据公式：确定神经元之间的互联强度；
其中，Tijm；kln是位置为(k，l)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；M为每个像素对应的神经元的总个数；NE(i,j)是位置为(i，j)的像素的某一邻域，且NE(i,j)＝{(k,l):k＝i-r,…,i+r；l＝j-r,…,j+r}，r为邻域大小的控制参数；i＝1,2,…,L，j＝1,2,…,L，L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
进一步地，所述根据所述神经元之间的互联强度和主网络中每个神经元的状态，确定主网络的能量函数，包括：
根据公式：确定主网络的能量函数；
其中，为主网络的能量函数；Tijm；kln是位置为(k，l)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；vijm是位置为(i，j)的像素对应的第m个神经元的激活状态的状态取值；vkln是位置为(k，l)的像素对应的第n个神经元的激活状态的状态取值；为主网络状态矢量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述根据所述能量函数，确定能量函数对主网络状态矢量的梯度，包括：
根据公式：确定能量函数对主网络状态矢量的梯度；
其中，为能量函数对主网络状态矢量的梯度；为主网络的能量函数；gi(t)为的第i个分量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
进一步地，所述根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量，包括：
根据所述能量函数对主网络状态矢量的梯度，对集合Sc进行更新；
判断是否存在Sc+1＝Sc；
若不存在Sc+1＝Sc，则继续进行集合Sc的更新；
若存在Sc+1＝Sc时，确定矢量并根据矢量确定主网络状态矢量的改变量。
具体地，所述根据所述能量函数对主网络状态矢量的梯度，对集合Sc进行更新，包括：
根据公式：Sc+1＝{i∈D:gi(t)>tc,i＝1,2,…,L2M}，对集合Sc进行更新；
其中，Sc+1为更新后的集合Sc的赋值；集合任取i＝1,2,…,L2M}；gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数，在c＝1时，集合M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述确定矢量包括：
根据公式：确定矢量
其中，为矢量；gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述根据矢量确定主网络状态矢量的改变量，包括：
根据公式：确定主网络状态矢量的改变量；
其中，为主网络状态矢量的改变量；为矢量；t为时间索引。
进一步地，所述根据所述改变量，进行主网络状态矢量的动态演变，包括：
根据公式：进行主网络状态矢量的动态演变；
其中，为第t+1时刻的状态矢量；为第t时刻的状态矢量；为主网络状态矢量的改变量；β为使的实系数，且0<β≤α(t)，α(t)是预设的随t增加而减小的正小参数，KF为主网络的模糊状态空间；t为时间索引。
进一步地，所述当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果，包括：
在所述主网络状态矢量的改变量为零时，确定停止主网络状态矢量的动态演变；
在所述主网络状态矢量的动态演变停止后，得到与收敛的主网络状态矢量相对应的图像分割结果。
进一步地，所述当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果，包括：
对应于待分割图像的位置为(i，j)的像素的主网络中的M个神经元的状态中，若第m个状态值最大，则将所述待分割图像的位置为(i，j)的像素分割到第m个区域，依次对待分割图像的每个像素进行区域分割，得到最终的图像分割结果；
其中，M个神经元的状态为：vij1,vij2,…,vijM。
本发明实施例提供一种图像分割装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；其中，所述处理器执行所述计算机程序时实现以下步骤：
通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量；
所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果。
进一步地，所述处理器执行所述通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量的计算机程序时实现以下步骤：
确定从网络的输入神经元到M个输出神经元的联接权值；
将待分割图像的每个像素的灰度值输给已确定联接权值的所述从网络，为每个像素在主网络中对应的M个神经元的状态进行赋值，得到所述待分割图像对应的主网络的初始化状态矢量。
进一步地，所述处理器执行所述确定从网络的输入神经元到M个输出神经元的联接权值的计算机程序时实现以下步骤：
获取目标输出神经元的邻域；
自适应地更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，所述目标输出神经元为与所述输入神经元具有最小距离的输出神经元。
具体地，所述处理器执行所述自适应地更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权的计算机程序时实现以下步骤：
根据公式：更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，μj(t+1)为第t+1时刻输入神经元到输出神经元j的联接权；μj(t)为第t时刻输入神经元到输出神经元j的联接权；γ(t)为随着t增加而减小的学习率参数、且0<γ(t)≤1；NEj*[r(t)]为在t时刻目标输出神经元j*的邻域，NEj*[r(t)]＝{i:i＝j*-r(t),…,j*+r(t),且1≤i≤M}，r(t)为t时刻的邻域半径， 为减函数，且0≤r(t)≤r(0)；dj*(t)＝minj＝1,…,M{dj(t)}、且dj(t)＝[f(t)-μj(t)]2；f(t)为t时刻从网络的输入神经元接收到的像素的灰度值；j为输出神经元的索引；t为时间索引；M为从网络中输出神经元的总个数。
进一步地，所述处理器执行所述将待分割图像的每个像素的灰度值输给已确定联接权值的所述从网络，为每个像素在主网络中对应的M个神经元的状态进行赋值，得到所述待分割图像对应的主网络的初始化状态矢量的计算机程序时实现以下步骤：
将待分割图像的第一像素的灰度值输入给所述从网络的输入神经元，若所述从网络的M个输出神经元中的第j个输出神经元的响应最大，则将所述第一像素在主网络中对应的M个神经元中第j个神经元的状态设置为一个小于1的较大正数，而将所述第一像素在主网络中对应的M个神经元中除所述第j个神经元外的其他M-1个神经元的状态设置为一个小于1的较小正数，且M个神经元的状态之和等于1；将所述待分割图像中的每个像素依次进行赋值处理，便得到所述待分割图像对应的主网络的初始化状态矢量。
进一步地，所述处理器执行所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果的计算机程序时实现以下步骤：
获取每个时刻的主网络状态矢量的改变量；
根据所述改变量，进行主网络状态矢量的动态演变；
当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果。
进一步地，所述处理器执行所述获取每个时刻的主网络状态矢量的改变量计算机程序时实现以下步骤：
获取主网络的能量函数；
根据所述能量函数，确定能量函数对主网络状态矢量的梯度；
根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量。
进一步地，所述处理器执行所述获取主网络的能量函数的计算机程序时实现以下步骤：
确定主网络中神经元之间的互联强度；
根据所述神经元之间的互联强度和主网络中每个神经元的状态，确定主网络的能量函数。
具体地，所述处理器执行所述确定主网络中神经元之间的互联强度的计算机程序时实现以下步骤：
根据公式：确定神经元之间的互联强度；
其中，Tijm；kln是位置为(k，l)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；M为每个像素对应的神经元的总个数；NE(i,j)是位置为(i，j)的像素的某一邻域，且NE(i,j)＝{(k,l):k＝i-r,…,i+r；l＝j-r,…,j+r}，r为邻域大小的控制参数；i＝1,2,…,L，j＝1,2,…,L，L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述处理器执行所述根据所述神经元之间的互联强度和主网络中每个神经元的状态，确定主网络的能量函数的计算机程序时实现以下步骤：
根据公式：确定主网络的能量函数；
其中，为主网络的能量函数；Tijm；kln是位置为(k，l)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；vijm是位置为(i，j)的像素对应的第m个神经元的激活状态的状态取值；vkln是位置为(k，l)的像素对应的第n个神经元的激活状态的状态取值；为主网络状态矢量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述处理器执行所述根据所述能量函数，确定能量函数对主网络状态矢量的梯度的计算机程序时实现以下步骤：
根据公式：确定能量函数对主网络状态矢量的梯度；
其中，为能量函数对主网络状态矢量的梯度；为主网络的能量函数；gi(t)为的第i个分量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
进一步地，所述处理器执行所述根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量的计算机程序时实现以下步骤：
根据所述能量函数对主网络状态矢量的梯度，对集合Sc进行更新；
判断是否存在Sc+1＝Sc；
若不存在Sc+1＝Sc，则继续进行集合Sc的更新；
若存在Sc+1＝Sc时，确定矢量并根据矢量确定主网络状态矢量的改变量。
具体地，所述处理器执行所述根据所述能量函数对主网络状态矢量的梯度，对集合Sc进行更新的计算机程序时实现以下步骤：
根据公式：Sc+1＝{i∈D:gi(t)>tc,i＝1,2,…,L2M}，对集合Sc进行更新；
其中，Sc+1为更新后的集合Sc的赋值；集合任取i＝1,2,…,L2M}；gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数，在c＝1时，集合M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述处理器执行所述确定矢量的计算机程序时实现以下步骤：
根据公式：确定矢量
其中，为矢量；gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述处理器执行所述根据矢量确定主网络状态矢量的改变量的计算机程序时实现以下步骤：
根据公式：确定主网络状态矢量的改变量；
其中，为主网络状态矢量的改变量；为矢量；t为时间索引。
进一步地，所述处理器执行所述根据所述改变量，进行主网络状态矢量的动态演变的计算机程序时实现以下步骤：
根据公式：进行主网络状态矢量的动态演变；
其中，为第t+1时刻的状态矢量；为第t时刻的状态矢量；为主网络状态矢量的改变量；β为使的实系数，且0<β≤α(t)，α(t)是预设的随t增加而减小的正小参数，KF为主网络的模糊状态空间；t为时间索引。
进一步地，所述处理器执行所述当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果的计算机程序时实现以下步骤：
在所述主网络状态矢量的改变量为零时，确定停止主网络状态矢量的动态演变；
在所述主网络状态矢量的动态演变停止后，得到与收敛的主网络状态矢量相对应的图像分割结果。
进一步地，所述处理器执行所述当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果的计算机程序时实现以下步骤：
对应于待分割图像的位置为(i，j)的像素的主网络中的M个神经元的状态中，若第m个状态值最大，则将所述待分割图像的位置为(i，j)的像素分割到第m个区域，依次对待分割图像的每个像素进行区域分割，得到最终的图像分割结果；
其中，M个神经元的状态为：vij1,vij2,…,vijM。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述的图像分割方法中的步骤。
本发明实施例还提供一种图像分割装置，包括：
获取模块，用于通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量；
处理模块，用于所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果。
本发明的有益效果是：
上述方案，通过利用从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量，然后主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果，以此可以在低SNR条件下较好的完成图像分割，提高了图像分割的准确性。
附图说明
图1表示本发明的图像分割的原理示意图；
图2表示主网络的拓扑结构示意图；
图3表示Kohonen型从网络的结构示意图；
图4表示本发明实施例的图像分割方法的流程示意图；
图5表示本发明实施例的图像分割装置的模块示意图；
图6表示本发明实施例的图像分割装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
在进行本发明实施例的说明时，首先对下面描述中所用到的一些概念进行解释说明。
图像分割作为图像分析与理解系统中一个重要的研究领域，一直受到人们的高度关注，并取得许多可喜的成果。Haralick和Shapiro对这些研究成果进行了较完整的评述，他们指出：现有的图像分割方法均存在各自的应用局限性，即一种适合于某一类图像的分割方法可能不适合于另一类图像的分割。Sahoo和Soltani等针对图像分割中一类常用的门限分割技术进行了详细的研究与分析，并以均匀性和现状测度为准则研究了若干自动门限分割方法的性能。Chung和Park在Sahoo和Soltani的工作基础上研究了图像目标大小与信噪比(SNR)等参数变化时对门限分割方法性能的影响，他们得出了与Haralick和Shapiro相似的结论；同时指出：现有的门限分割技术在低SNR的条件下其性能均严重恶化，因而不能较好地完成低SNR下的图像分割任务。Kartikeyan与Sarkar在Haralick与Huecke等人工作的基础上提出了一种称之为统一方法的图像分割技术，试图建立一种含噪图像分割的统一技术框架。尽管他们的工作取得了一定的成功，但这种图像分割的统一技术框架也尚不能较好地处理低SNR条件下图像目标的分割问题。
既然人工神经网络(ANN)对噪声干扰具有良好的容错能力，那么应用ANN技术来进行图像目标的有效分割，特别是低SNR下图像目标的有效分割，便是很自然的事。本发明首先提出了一种适合于图像分割的ANN模型，通过分析其动力学特性，构造了一种可实时实现的图像目标有效分割特别是低SNR条件下图像目标有效分割的方式。以下就该方式的主要思想原理简介如下：
本发明提出的图像分割ANN新模型的系统结构如图1所示，它由主网络和从网络级联而成的双层ANN，其中从网络对图像进行初始分割，其结果用于初始化主网络中神经元的状态；而主网络自这个初始化状态开始，进行其状态的动态演变，直到收敛至其某一局部吸引子时为止，此时的主网络状态将对应于所处理图像的最终分割结果。
下面对主网络拓扑结构及其网络状态矢量同图像的分割的对应关系进行具体说明如下。
设有一幅L×L的灰度图像f(i,j),i,j＝1,2,…,L，其中存在M个不同灰度区域，这些区域按其平均灰度电平值由低到高(或由高到低)的变化次序进行编号。构造一个神经网络，其结构如图2所示，该网络共有L2·M个神经元，其安放方式为：图像的每个像素(pixel)处放置M个神经元，记位置为(i，j)的像素的第m个神经元为Nijm，其激活状态为vijm，它表示位置为(i,j)的像素属于灰度电平为m的灰度区域的可能性，显然有0≤vijm≤1，且记神经元Nkln到Nijm的互联强度为Tijm；kln,且假设Tijm；kln＝Tkln；kln；网络中每个神经元都接收一个来自自身和其它神经元激活状态所引起的输入信号，显然它是网络状态矢量的函数，记之为即：
公式一、
它表示其他神经元的激活状态对Nijm激活的总影响，称之为Nijm的支持函数。定义网络在状态下的能量函数为：
公式二、
网络中各神经元的状态是同步更新的，并且朝着使网络能量函数达到局部最小的方向演变。显然，网络的每个状态矢量均为L2M维空间中的一个点，即：它对应图像f(i,j)(这里i,j＝1,2,…,L)分割的一种解释；若任取i,j＝1,2,…,L,m＝1,2,…,M，必然存在vijm＝0或1，且则称为网络的一个确定状态矢量，记为它对应于图像的一种确定分割；若任取i,j＝1,2,…,L,m＝1,2,…,M，则必然存在0≤vijm≤1，且则称为网络的一个模糊状态矢量，记为它对应于图像的一种模糊分割；可见确定状态矢量是模糊状态矢量的一种特例。由网络全体确定状态矢量组成的集合称为网络的确定状态空间，记为Kc；而由网络全体模糊状态矢量组成的集合称为网络的模糊状态空间，记为KF；易知且KF是Kc的凸包。
既然任取则对应于图像的一种分割解释，那么这种解释对所处理的图像来说是否为一种合理的分割解释呢？为此，本发明需讨论网络状态矢量的“合理性”以及该“合理状态矢量”的存在性问题。
设有网络的一个确定状态矢量其中， 为第λij个分量为1的M维单位矢量，那么记此时网络的支持函数矢量为其中，这里中的m＝1,2,…,M，由公式一确定。若是对应于所处理图像的一个最佳确定的分割，则此时神经元所接收到的支持应该是M个神经元Nijm(m＝1,2,…,M)接收到的支持中最大者，因而有下述关系：
对于任意的i,j＝1,2,…,L，均有：
公式三、
据此我们给出网络状态矢量的“合理性”定义为：设有网络的一个确定状态矢量为其对应的支持矢量为若任取i和j＝1，2，…，L，恒有公式三成立，则称在Kc中是合理的，它对应于所处理图像的一个最佳的确定分割。可以证明在Kc中是合理的充要条件是：
公式四、
对于网络的一个模糊状态矢量这里 而言，其对应的支持矢量为若任取恒有则称在KF中是合理的，它对应于所处理图像的一种最佳的模糊分割。易知若在Kc中是合理的，则它在KF中也是合理的；反之不然。可以证明，在KF中是合理的充要条件是：任取必存在下述公式五的关系：
公式五、
基于Stampacchia-Brouwer不动点定理，易知网络至少存在一个合理的并且有公式二定义的网络能量函数的局部极小值点在KF中是合理。
一、主网络的动力学特性及其神经元互联强度的确定方式
既然网络中每个神经元的状态改变是同步的、并朝着网络能量函数减少的方向进行直到收敛到网络能量函数的某一局部极小点(即网络的一个合理状态点)为止，那么网络从任一不合理的初始状态点出发，最终将收敛到与其初始状态对应的一个合理的状态点，从而完成对图像初分割结果的修正提炼的任务。设有为网络在t时刻的一个不合理状态点，那么不是网络能量函数的局部极小点，因而将进行演变以使网络能量函数降低。记t+Δt时刻网络的状态为那么网络状态的改变量与能量函数的改变量在Δt→0+的条件下分别为：
公式六、
公式七、
其中，这里为E(t)对的梯度。
易知KF是由L2个(M-1)维的标准单纯形构成的，从每个(M-1)维标准单纯形的M个顶点中任取一个一个组成的L2个顶点组的全体便构成了KC，KF是KC的一个凸包，KC中的每个顶点为KF的一个顶点。根据KF的这一几何结构，可以看出公式六定义的实际上是KF在点处的切矢量，由此可见，的演变是沿着KF在点处的一个切矢量方向进行的。而KF在点处的切矢量有无限多个，形成了切矢量集合(简称切集)若是KF的一个内点，则由下式确定：
公式八、 且(在KF的内部)。
若在KF的边界上，则此时的为：
公式九、 且若vijm(t)＝0，则有Δvijm≥0,i,j＝1,2,…,L}(在KF的边界上)。
显然，使公式七极小化的切矢量方向为演变的最佳方向。考虑到公式七与有关(这里||·||为欧氏范数)，为此限定若为网络的一个合理状态，则可见，网络状态演变的最佳方向是下述可行集Ts(t)中使(7)式极小化的方向：
公式十、其中
可以证明这种是存在的，并且是唯一的。
二、从网络的选择及其对图像进行初分割的方法
前述指出，主网络通过其状态动力学演变，最终收敛到对应于所处理图像最佳分割的合理状态点，但这一结果却受到主网络初始化状态的影响。当主网络初始化状态严重偏离对应于最佳分割的局部吸引子之局部吸引域时，主网络将不能实施正确的图像分割任务。考虑到Kohonen神经网络具有良好的抗噪容错与自组织自学习能力，并且在网络学习收敛后其神经元间的联接强度(亦称为权值)矢量的点密度函数将趋近于外部刺激矢量、并且依据它与外部刺激矢量的互相似度进行排序，故本发明应用Kohonen神经网络作为从网络来进行特性的初分割。
图3给出了作为从网络的Kohonen神经网络结构示意图，它有一个输入神经元和M个线状排列的输出神经元构成的，记每个输出神经元j与输入神经元之间的联接权为μj，j＝1,2,…,M，所收到的外部刺激为图像中每个像素点的灰度值。
从网络权值学习算法的具体实现流程：
步骤1：置t＝0,设置输出神经元j的邻域半径r(t)＝r(0)＝「M/2]，
则此时j的邻域NEj[r(0)]＝{i:i＝j-r(0),…,j+r(0),且1≤i≤M},
置μj(0)为一小的随机数，j＝1,2,…,M；
步骤2：按字典顺序输入图像像素点的灰度值，记t时刻从网络输入神经元接收到的像素灰度值为f(t)；
步骤3：计算输入f(t)到所有输出神经元j的距离
步骤4：选择具有最小距离的神经元j*：dj*(t)＝minj＝1,…,M{dj(t)}；
步骤5：根据下式来更新神经元j*的邻域NEj*[r(t)]中所有输出神经元与输入神经元之间的联接权
其中，0<γ(t)≤1为一个随着t增加而减小的学习率参数，
这里为一减函数，并且0≤r(t)≤r(0)
步骤6：检查从网络是否收敛？若收敛，则转步骤8；
步骤7：t＝t+1,转步骤2；
步骤8：存储{μj(t),j＝1,2,…,M}，并停止学习。
在网络收敛后，权值序列{μj，j＝1,2,…,M}将变为一个单调序列，从而使从网络输出神经元的序号与待分割图像区域序号的邻近关系相同。将待分割图像每个像素(i,j)处的灰度值f(i,j)输给已训练完毕的从网络，若从网络输出神经元m的响应最大，则像素(i,j)属于区域m的置信度高，而属于其它区域的置信度低。我们可给神经元的状态vijm置一小于1的较大正数，而给vijn(这里n≠m)置一个小于1的较小的正数，并且按此方法处理完待分割图像的所有像素点后，即得主网络的一个初始化状态矢量
下面对本发明实施例的具体实现过程说明如下。
如图4所示，本发明实施例提供一种图像分割方法，包括：
步骤41，通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量；
步骤42，所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果。
进一步地，所述步骤41的实现方式为：
确定从网络的输入神经元到M个输出神经元的联接权值；
将待分割图像的每个像素的灰度值输给已确定联接权值的所述从网络，为每个像素在主网络中对应的M个神经元的状态进行赋值，得到所述待分割图像对应的主网络的初始化状态矢量。
具体地，所述确定从网络的输入神经元到M个输出神经元的联接权值，包括：
获取目标输出神经元的邻域；
自适应地更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，所述目标输出神经元为与所述输入神经元具有最小距离的输出神经元。
具体地，所述自适应地更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权，包括：
根据公式：更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，μj(t+1)为第t+1时刻输入神经元到输出神经元j的联接权；μj(t)为第t时刻输入神经元到输出神经元j的联接权；γ(t)为随着t增加而减小的学习率参数、且0<γ(t)≤1；NEj*[r(t)]为在t时刻目标输出神经元j*的邻域，NEj*[r(t)]＝{i:i＝j*-r(t),…,j*+r(t),且1≤i≤M}，r(t)为t时刻的邻域半径， 为减函数，且0≤r(t)≤r(0)；dj*(t)＝minj＝1,…,M{dj(t)}、且dj(t)＝[f(t)-μj(t)]2；f(t)为t时刻从网络的输入神经元接收到的像素的灰度值；j为输出神经元的索引；t为时间索引；M为从网络中输出神经元的总个数。
需要说明的是，确定从网络的输入神经元到M个输出神经元的联接权值的具体实现方式可参见上述的从网络权值学习算法的具体实现流程。
具体地，所述将待分割图像的每个像素的灰度值输给已确定联接权值的所述从网络，为每个像素在主网络中对应的M个神经元的状态进行赋值，得到所述待分割图像对应的主网络的初始化状态矢量，包括：
将待分割图像的第一像素的灰度值输入给所述从网络的输入神经元，若所述从网络的M个输出神经元中的第j个输出神经元的响应最大，则将所述第一像素在主网络中对应的M个神经元中第j个神经元的状态设置为一个小于1的较大正数，而将所述第一像素在主网络中对应的M个神经元中除所述第j个神经元外的其他M-1个神经元的状态设置为一个小于1的较小正数，且M个神经元的状态之和等于1；将所述待分割图像中的每个像素依次进行赋值处理，便得到所述待分割图像对应的主网络的初始化状态矢量。
进一步地，所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果，包括：
获取每个时刻的主网络状态矢量的改变量；
根据所述改变量，进行主网络状态矢量的动态演变；
当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果。
具体地，所述获取每个时刻的主网络状态矢量的改变量，包括：
获取主网络的能量函数；
根据所述能量函数，确定能量函数对主网络状态矢量的梯度；
根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量。
进一步地，所述获取主网络的能量函数，包括：
确定主网络中神经元之间的互联强度；
根据所述神经元之间的互联强度和主网络中每个神经元的状态，确定主网络的能量函数。
需要说明的是，对图像分割而言，图像中每个像素的划分结果通常仅与其某一邻近域的像素划分结果有关，由此可以认为图像中互为邻域的像素所对应的神经元之间均存在联接，而互为非邻域的像素所对应的神经元之间无联接；另一方面，表示图像中相同区域的神经元之间的联接应为兴奋型的，而表示不同区域的神经元之间的联接应该是抑制型的，并且区域编号间的差别越大，这种抑制亦越强。基于上述两方面的综合考虑，本发明实施例的确定主网络中神经元之间的互联强度的方式为，包括：
根据公式：确定神经元之间的互联强度；
其中，Tijm；kln是位置为(k，l)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；M为每个像素对应的神经元的总个数；NE(i,j)是位置为(i，j)的像素的某一邻域，且NE(i,j)的定义公式为：NE(i,j)＝{(k,l):k＝i-r,…,i+r；l＝j-r,…,j+r}，r为邻域大小的控制参数；i＝1,2,…,L，j＝1,2,…,L，L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
进一步地，所述根据所述神经元之间的互联强度和主网络中每个神经元的状态，确定主网络的能量函数，包括：
根据上述公式二： 确定主网络的能量函数；
其中，为主网络的能量函数；Tijm；kln是位置为(k，l)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；vijm是位置为(i，j)的像素对应的第m个神经元的激活状态的状态取值；vkln是位置为(k，l)的像素对应的第n个神经元的激活状态的状态取值；为主网络状态矢量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述根据所述能量函数，确定能量函数对主网络状态矢量的梯度，包括：
根据公式：确定能量函数对主网络状态矢量的梯度；
其中，为能量函数对主网络状态矢量的梯度；为主网络的能量函数；gi(t)为的第i个分量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量，包括：
根据所述能量函数对主网络状态矢量的梯度，对集合Sc进行更新；
判断是否存在Sc+1＝Sc；
若不存在Sc+1＝Sc，则继续进行集合Sc的更新；
若存在Sc+1＝Sc时，确定矢量并根据矢量确定主网络状态矢量的改变量。
进一步地，所述根据所述能量函数对主网络状态矢量的梯度，对集合Sc进行更新，包括：
根据公式：Sc+1＝{i∈D:gi(t)>tc,i＝1,2,…,L2M}，对集合Sc进行更新；
其中，Sc+1为更新后的集合Sc的赋值；集合任取i＝1,2,…,L2M}；gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数，在c＝1时，集合M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
进一步地，所述确定矢量包括：
根据公式：确定矢量
其中，为矢量；gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
进一步地，所述根据矢量确定主网络状态矢量的改变量，包括：
根据公式：确定主网络状态矢量的改变量；
其中，为主网络状态矢量的改变量；为矢量；t为时间索引。
需要说明的是，根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量的具体算法流程(即可行集Ts(t)中使公式七极小化的产生方法)为：
步骤1：记
计算
步骤2：置c＝1,集合(空集),集合
步骤3：计算这里#Sc为集合Sc中元素的个数；
步骤4：更新集合Sc，即：Sc+1＝{i∈D:gi(t)>tc,i＝1,2,…,L2M}；
步骤5：判断关系Sc+1＝Sc是否成立？
若成立，则转步骤6；否则，置c＝c+1,并转步骤3；
步骤6：计算矢量
步骤7：计算网络状态演变的最佳方向矢量
具体地，所述根据所述改变量，进行主网络状态矢量的动态演变，包括：
根据公式：进行主网络状态矢量的动态演变；
其中，为第t+1时刻的状态矢量；为第t时刻的状态矢量；为主网络状态矢量的改变量；β为使的实系数，且0<β≤α(t)，α(t)是预设的随t增加而减小的正小参数，KF为主网络的模糊状态空间；t为时间索引。
具体地，所述当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果，包括：
在所述主网络状态矢量的改变量为零时，确定停止主网络状态矢量的动态演变；
在所述主网络状态矢量的动态演变停止后，得到与收敛的主网络状态矢量相对应的图像分割结果。
需要说明的是，在所述主网络状态矢量的动态演变停止后，得到与收敛的主网络状态矢量相对应的图像分割结果的具体方式为：对应于待分割图像的位置为(i，j)的像素的主网络中的M个神经元的状态(M个神经元的状态依次为：vij1,vij2,…,vijM)中，若第m个状态值最大(即vijm最大)，则将所述待分割图像的位置为(i，j)的像素分割到第m个区域，依次对待分割图像的每个像素进行区域分割，得到最终的图像分割结果。
具体地，主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果的具体算法流程(即主网络的状态演变动力学过程)为：
步骤1：置t＝0,初始化主网络的状态矢量
步骤2：计算计算
步骤3：调用根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量的具体算法流程求解
步骤4：则转步骤7；
步骤5：这里0<β≤α(t)是使的实系数，α(t)是预设的随t增加而减小的正小参数；
步骤6：t＝t+1,转步骤2；
步骤7：停止状态演变，并输出
最后利用输出的依据得到与收敛的主网络状态矢量相对应的图像分割结果的处理方式进行最终图像分割结果的确定。
需要说明的是，本发明实施例通过利用从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量，然后主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果，以此可以在低SNR条件下较好的完成图像分割，提高了图像分割的准确性；且本发明实施例具有容错性高的优点，特别适合低SNR条件下图像目标的有效分割。
如图5所示，本发明实施例还提供一种图像分割装置50，包括：
获取模块51，用于通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量；
处理模块52，用于所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果。
进一步地，所述获取模块51，包括：
确定子模块，用于确定从网络的输入神经元到M个输出神经元的联接权值；
第一获取子模块，用于将待分割图像的每个像素的灰度值输给已确定联接权值的所述从网络，为每个像素在主网络中对应的M个神经元的状态进行赋值，得到所述待分割图像对应的主网络的初始化状态矢量。
具体地，所述确定子模块，包括：
第一获取单元，用于获取目标输出神经元的邻域；
更新单元，用于自适应地更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，所述目标输出神经元为与所述输入神经元具有最小距离的输出神经元。
进一步地，所述更新单元，用于：
根据公式：更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，μj(t+1)为第t+1时刻输入神经元到输出神经元j的联接权；μj(t)为第t时刻输入神经元到输出神经元j的联接权；γ(t)为随着t增加而减小的学习率参数、且0<γ(t)≤1；NEj*[r(t)]为在t时刻目标输出神经元j*的邻域，NEj*[r(t)]＝{i:i＝j*-r(t),…,j*+r(t),且1≤i≤M}，r(t)为t时刻的邻域半径， 为减函数，且0≤r(t)≤r(0)；dj*(t)＝minj＝1,…,M{dj(t)}、且dj(t)＝[f(t)-μj(t)]2；f(t)为t时刻从网络的输入神经元接收到的像素的灰度值；j为输出神经元的索引；t为时间索引；M为从网络中输出神经元的总个数。
进一步地，所述第一获取子模块，用于：
将待分割图像的第一像素的灰度值输入给所述从网络的输入神经元，若所述从网络的M个输出神经元中的第j个输出神经元的响应最大，则将所述第一像素在主网络中对应的M个神经元中第j个神经元的状态设置为一个小于1的较大正数，而将所述第一像素在主网络中对应的M个神经元中除所述第j个神经元外的其他M-1个神经元的状态设置为一个小于1的较小正数，且M个神经元的状态之和等于1；将所述待分割图像中的每个像素依次进行赋值处理，便得到所述待分割图像对应的主网络的初始化状态矢量。
进一步地，所述处理模块52，包括：
第二获取子模块，用于获取每个时刻的主网络状态矢量的改变量；
处理子模块，用于根据所述改变量，进行主网络状态矢量的动态演变；
第三获取子模块，用于当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果。
具体地，所述第二获取子模块，包括：
第二获取单元，用于获取主网络的能量函数；
第一确定单元，用于根据所述能量函数，确定能量函数对主网络状态矢量的梯度；
第二确定单元，用于根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量。
进一步地，所述第二获取单元，包括：
第一确定子单元，用于确定主网络中神经元之间的互联强度；
第二确定子单元，用于根据所述神经元之间的互联强度和主网络中每个神经元的状态，确定主网络的能量函数。
具体地，所述第一确定子单元，用于：
根据公式：确定神经元之间的互联强度；
其中，Tijm；kln是位置为(k，l)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；M为每个像素对应的神经元的总个数；NE(i,j)是位置为(i，j)的像素的某一邻域，且NE(i,j)＝{(k,l):k＝i-r,…,i+r；l＝j-r,…,j+r}，r为邻域大小的控制参数；i＝1,2,…,L，j＝1,2,…,L，L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述第二确定子单元，用于：
根据公式：确定主网络的能量函数；
其中，为主网络的能量函数；Tijm；kln是位置为(k，l)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；vijm是位置为(i，j)的像素对应的第m个神经元的激活状态的状态取值；vkln是位置为(k，l)的像素对应的第n个神经元的激活状态的状态取值；为主网络状态矢量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
进一步地，所述第一确定单元，用于：
根据公式：确定能量函数对主网络状态矢量的梯度；
其中，为能量函数对主网络状态矢量的梯度；为主网络的能量函数；gi(t)为的第i个分量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
进一步地，所述第二确定单元，包括：
更新子单元，用于根据所述能量函数对主网络状态矢量的梯度，对集合Sc进行更新；
判断子单元，用于判断是否存在Sc+1＝Sc；
若不存在Sc+1＝Sc，则所述更新子单元继续进行集合Sc的更新；
第三确定子单元，用于若存在Sc+1＝Sc时，确定矢量并根据矢量确定主网络状态矢量的改变量。
具体地，所述更新子单元，用于：
根据公式：Sc+1＝{i∈D:gi(t)>tc,i＝1,2,…,L2M}，对集合Sc进行更新；
其中，Sc+1为更新后的集合Sc的赋值；集合任取i＝1,2,…,L2M}；gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数，在c＝1时，集合M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述第三确定子单元确定矢量的方式为：
根据公式：确定矢量
其中，为矢量；gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述第三确定子单元根据矢量确定主网络状态矢量的改变量的方式为：
根据公式：确定主网络状态矢量的改变量；
其中，为主网络状态矢量的改变量；为矢量；t为时间索引。
进一步地，所述处理子模块，用于：
根据公式：进行主网络状态矢量的动态演变；
其中，为第t+1时刻的状态矢量；为第t时刻的状态矢量；为主网络状态矢量的改变量；β为使的实系数，且0<β≤α(t)，α(t)是预设的随t增加而减小的正小参数，KF为主网络的模糊状态空间；t为时间索引。
进一步地，所述第三获取子模块，包括：
第三确定单元，用于在所述主网络状态矢量的改变量为零时，确定停止主网络状态矢量的动态演变；
第三获取单元，用于在所述主网络状态矢量的动态演变停止后，得到与收敛的主网络状态矢量相对应的图像分割结果。
具体地，所述第三获取子模块，用于：
对应于待分割图像的位置为(i，j)的像素的主网络中的M个神经元的状态中，若第m个状态值最大，则将所述待分割图像的位置为(i，j)的像素分割到第m个区域，依次对待分割图像的每个像素进行区域分割，得到最终的图像分割结果；
其中，M个神经元的状态为：vij1,vij2,…,vijM。
需要说明的是，该装置的实施例是与上述方法实施例一一对应的装置，上述方法实施例中所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
如图6所示，本发明实施例还提供一种图像分割装置60，包括处理器61、存储器62及存储在所述存储器62上并可在所述处理器61上运行的计算机程序；其中，所述处理器61用于读取存储器中的程序，执行下列过程：
通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量；
所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果。
需要说明的是，在图6中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器61代表的一个或多个处理器和存储器62代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。针对不同的装置，处理器61负责管理总线架构和通常的处理，存储器62可以存储处理器61在执行操作时所使用的数据。
可选地，所述处理器执行所述通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量的计算机程序时实现以下步骤：
确定从网络的输入神经元到M个输出神经元的联接权值；
将待分割图像的每个像素的灰度值输给已确定联接权值的所述从网络，为每个像素在主网络中对应的M个神经元的状态进行赋值，得到所述待分割图像对应的主网络的初始化状态矢量。
进一步地，所述处理器执行所述确定从网络的输入神经元到M个输出神经元的联接权值的计算机程序时实现以下步骤：
获取目标输出神经元的邻域；
自适应地更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，所述目标输出神经元为与所述输入神经元具有最小距离的输出神经元。
具体地，所述处理器执行所述自适应地更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权的计算机程序时实现以下步骤：
根据公式：更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，μj(t+1)为第t+1时刻输入神经元到输出神经元j的联接权；μj(t)为第t时刻输入神经元到输出神经元j的联接权；γ(t)为随着t增加而减小的学习率参数、且0<γ(t)≤1；NEj*[r(t)]为在t时刻目标输出神经元j*的邻域，NEj*[r(t)]＝{i:i＝j*-r(t),…,j*+r(t),且1≤i≤M}，r(t)为t时刻的邻域半径， 为减函数，且0≤r(t)≤r(0)；dj*(t)＝minj＝1,…,M{dj(t)}、且dj(t)＝[f(t)-μj(t)]2；f(t)为t时刻从网络的输入神经元接收到的像素的灰度值；j为输出神经元的索引；t为时间索引；M为从网络中输出神经元的总个数。
进一步地，所述处理器执行所述将待分割图像的每个像素的灰度值输给已确定联接权值的所述从网络，为每个像素在主网络中对应的M个神经元的状态进行赋值，得到所述待分割图像对应的主网络的初始化状态矢量的计算机程序时实现以下步骤：
将待分割图像的第一像素的灰度值输入给所述从网络的输入神经元，若所述从网络的M个输出神经元中的第j个输出神经元的响应最大，则将所述第一像素在主网络中对应的M个神经元中第j个神经元的状态设置为一个小于1的较大正数，而将所述第一像素在主网络中对应的M个神经元中除所述第j个神经元外的其他M-1个神经元的状态设置为一个小于1的较小正数，且M个神经元的状态之和等于1；将所述待分割图像中的每个像素依次进行赋值处理，便得到所述待分割图像对应的主网络的初始化状态矢量。
可选地，所述处理器执行所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果的计算机程序时实现以下步骤：
获取每个时刻的主网络状态矢量的改变量；
根据所述改变量，进行主网络状态矢量的动态演变；
当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果。
进一步地，所述处理器执行所述获取每个时刻的主网络状态矢量的改变量计算机程序时实现以下步骤：
获取主网络的能量函数；
根据所述能量函数，确定能量函数对主网络状态矢量的梯度；
根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量。
可选地，所述处理器执行所述获取主网络的能量函数的计算机程序时实现以下步骤：
确定主网络中神经元之间的互联强度；
根据所述神经元之间的互联强度和主网络中每个神经元的状态，确定主网络的能量函数。
具体地，所述处理器执行所述确定主网络中神经元之间的互联强度的计算机程序时实现以下步骤：
根据公式：确定神经元之间的互联强度；
其中，Tijm；kln是位置为(k，l)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；M为每个像素对应的神经元的总个数；NE(i,j)是位置为(i，j)的像素的某一邻域，且NE(i,j)＝{(k,l):k＝i-r,…,i+r；l＝j-r,…,j+r}，r为邻域大小的控制参数；i＝1,2,…,L，j＝1,2,…,L，L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述处理器执行所述根据所述神经元之间的互联强度和主网络中每个神经元的状态，确定主网络的能量函数的计算机程序时实现以下步骤：
根据公式：确定主网络的能量函数；
其中，为主网络的能量函数；Tijm；kln是位置为(k，l)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；vijm是位置为(i，j)的像素对应的第m个神经元的激活状态的状态取值；vkln是位置为(k，l)的像素对应的第n个神经元的激活状态的状态取值；为主网络状态矢量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述处理器执行所述根据所述能量函数，确定能量函数对主网络状态矢量的梯度的计算机程序时实现以下步骤：
根据公式：确定能量函数对主网络状态矢量的梯度；
其中，为能量函数对主网络状态矢量的梯度；为主网络的能量函数；gi(t)为的第i个分量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
可选地，所述处理器执行所述根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量的计算机程序时实现以下步骤：
根据所述能量函数对主网络状态矢量的梯度，对集合Sc进行更新；
判断是否存在Sc+1＝Sc；
若不存在Sc+1＝Sc，则继续进行集合Sc的更新；
若存在Sc+1＝Sc时，确定矢量并根据矢量确定主网络状态矢量的改变量。
具体地，所述处理器执行所述根据所述能量函数对主网络状态矢量的梯度，对集合Sc进行更新的计算机程序时实现以下步骤：
根据公式：Sc+1＝{i∈D:gi(t)>tc,i＝1,2,…,L2M}，对集合Sc进行更新；
其中，Sc+1为更新后的集合Sc的赋值；集合任取i＝1,2,…,L2M}；gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数，在c＝1时，集合M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述处理器执行所述确定矢量的计算机程序时实现以下步骤：
根据公式：确定矢量
其中，为矢量；gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
具体地，所述处理器执行所述根据矢量确定主网络状态矢量的改变量的计算机程序时实现以下步骤：
根据公式：确定主网络状态矢量的改变量；
其中，为主网络状态矢量的改变量；为矢量；t为时间索引。
可选地，所述处理器执行所述根据所述改变量，进行主网络状态矢量的动态演变的计算机程序时实现以下步骤：
根据公式：进行主网络状态矢量的动态演变；
其中，为第t+1时刻的状态矢量；为第t时刻的状态矢量；为主网络状态矢量的改变量；β为使的实系数，且0<β≤α(t)，α(t)是预设的随t增加而减小的正小参数，KF为主网络的模糊状态空间；t为时间索引。
可选地，所述处理器执行所述当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果的计算机程序时实现以下步骤：
在所述主网络状态矢量的改变量为零时，确定停止主网络状态矢量的动态演变；
在所述主网络状态矢量的动态演变停止后，得到与收敛的主网络状态矢量相对应的图像分割结果。
具体地，所述处理器执行所述当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果的计算机程序时实现以下步骤：
对应于待分割图像的位置为(i，j)的像素的主网络中的M个神经元的状态中，若第m个状态值最大，则将所述待分割图像的位置为(i，j)的像素分割到第m个区域，依次对待分割图像的每个像素进行区域分割，得到最终的图像分割结果；
其中，M个神经元的状态为：vij1,vij2,…,vijM。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像分割方法。
以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。
Claims (38)
1.一种图像分割方法，其特征在于，包括：
通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量；
所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果。
2.根据权利要求1所述的图像分割方法，其特征在于，所述通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量，包括：
确定从网络的输入神经元到M个输出神经元的联接权值；
将待分割图像的每个像素的灰度值输给已确定联接权值的所述从网络，为每个像素在主网络中对应的M个神经元的状态进行赋值，得到所述待分割图像对应的主网络的初始化状态矢量。
3.根据权利要求2所述的图像分割方法，其特征在于，所述确定从网络的输入神经元到M个输出神经元的联接权值，包括：
获取目标输出神经元的邻域；
自适应地更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，所述目标输出神经元为与所述输入神经元具有最小距离的输出神经元。
4.根据权利要求3所述的图像分割方法，其特征在于，所述自适应地更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权，包括：
根据公式：更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，μj(t+1)为第t+1时刻输入神经元到输出神经元j的联接权；μj(t)为第t时刻输入神经元到输出神经元j的联接权；γ(t)为随着t增加而减小的学习率参数、且0＜γ(t)≤1；NEj*[r(t)]为在t时刻目标输出神经元j*的邻域，NEj*[r(t)]＝{i：i＝j*-r(t)，...，j*+r(t)，且1≤i≤M}，r(t)为t时刻的邻域半径， 为减函数，且0≤r(t)≤r(0)；dj*(t)＝minj＝1，...，M{dj(t)}、且dj(t)＝[f(t)-μj(t)]2；f(t)为t时刻从网络的输入神经元接收到的像素的灰度值；j为输出神经元的索引；t为时间索引；M为从网络中输出神经元的总个数。
5.根据权利要求2所述的图像分割方法，其特征在于，所述将待分割图像的每个像素的灰度值输给已确定联接权值的所述从网络，为每个像素在主网络中对应的M个神经元的状态进行赋值，得到所述待分割图像对应的主网络的初始化状态矢量，包括：
将待分割图像的第一像素的灰度值输入给所述从网络的输入神经元，若所述从网络的M个输出神经元中的第j个输出神经元的响应最大，则将所述第一像素在主网络中对应的M个神经元中第j个神经元的状态设置为一个小于1的较大正数，而将所述第一像素在主网络中对应的M个神经元中除所述第j个神经元外的其他M-1个神经元的状态设置为一个小于1的较小正数，且M个神经元的状态之和等于1；将所述待分割图像中的每个像素依次进行赋值处理，便得到所述待分割图像对应的主网络的初始化状态矢量。
6.根据权利要求1所述的图像分割方法，其特征在于，所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果，包括：
获取每个时刻的主网络状态矢量的改变量；
根据所述改变量，进行主网络状态矢量的动态演变；
当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果。
7.根据权利要求6所述的图像分割方法，其特征在于，所述获取每个时刻的主网络状态矢量的改变量，包括：
获取主网络的能量函数；
根据所述能量函数，确定能量函数对主网络状态矢量的梯度；
根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量。
8.根据权利要求7所述的图像分割方法，其特征在于，所述获取主网络的能量函数，包括：
确定主网络中神经元之间的互联强度；
根据所述神经元之间的互联强度和主网络中每个神经元的状态，确定主网络的能量函数。
9.根据权利要求8所述的图像分割方法，其特征在于，所述确定主网络中神经元之间的互联强度，包括：
根据公式：确定神经元之间的互联强度；
其中，Tijm；kln是位置为(k，1)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；M为每个像素对应的神经元的总个数；NE(i，j)是位置为(i，j)的像素的某一邻域，且NE(i，j)＝{(k，l)：k＝i-r，...，i+r；l＝j-r，...，j+r}，r为邻域大小的控制参数；i＝1，2，...，L，j＝1，2，...，L，L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
10.根据权利要求8所述的图像分割方法，其特征在于，所述根据所述神经元之间的互联强度和主网络中每个神经元的状态，确定主网络的能量函数，包括：
根据公式：确定主网络的能量函数；
其中，为主网络的能量函数；Tijm；kln是位置为(k，1)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；vijm是位置为(i，j)的像素对应的第m个神经元的激活状态的状态取值；vkln是位置为(k，1)的像素对应的第n个神经元的激活状态的状态取值；为主网络状态矢量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
11.根据权利要求7所述的图像分割方法，其特征在于，所述根据所述能量函数，确定能量函数对主网络状态矢量的梯度，包括：
根据公式：确定能量函数对主网络状态矢量的梯度；
其中，为能量函数对主网络状态矢量的梯度；为主网络的能量函数；gi(t)为的第i个分量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
12.根据权利要求7所述的图像分割方法，其特征在于，所述根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量，包括：
根据所述能量函数对主网络状态矢量的梯度，对集合Sc进行更新；
判断是否存在Sc+1＝Sc；
若不存在Sc+1＝Sc，则继续进行集合Sc的更新；
若存在Sc+1＝Sc时，确定矢量并根据矢量确定主网络状态矢量的改变量。
13.根据权利要求12所述的图像分割方法，其特征在于，所述根据所述能量函数对主网络状态矢量的梯度，对集合Sc进行更新，包括：
根据公式：Sc+1＝{i∈D：gi(t)＞tc，i＝1，2，...，L2M}，对集合Sc进行更新；
其中，Sc+1为更新后的集合Sc的赋值；集合 gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数，在c＝1时，集合M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
14.根据权利要求12所述的图像分割方法，其特征在于，所述确定矢量包括：
根据公式：确定矢量
其中，为矢量；i＝1，2，...，L2M；gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
15.根据权利要求12所述的图像分割方法，其特征在于，所述根据矢量确定主网络状态矢量的改变量，包括：
根据公式：确定主网络状态矢量的改变量；
其中，为主网络状态矢量的改变量；为矢量；t为时间索引。
16.根据权利要求6所述的图像分割方法，其特征在于，所述根据所述改变量，进行主网络状态矢量的动态演变，包括：
根据公式：进行主网络状态矢量的动态演变；
其中，为第t+1时刻的状态矢量；为第t时刻的状态矢量；为主网络状态矢量的改变量；β为使的实系数，且0＜β≤α(t)，α(t)是预设的随t增加而减小的正小参数，KF为主网络的模糊状态空间；t为时间索引。
17.根据权利要求6所述的图像分割方法，其特征在于，所述当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果，包括：
在所述主网络状态矢量的改变量为零时，确定停止主网络状态矢量的动态演变；
在所述主网络状态矢量的动态演变停止后，得到与收敛的主网络状态矢量相对应的图像分割结果。
18.根据权利要求6所述的图像分割方法，其特征在于，所述当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果，包括：
对应于待分割图像的位置为(i，j)的像素的主网络中的M个神经元的状态中，若第m个状态值最大，则将所述待分割图像的位置为(i，j)的像素分割到第m个区域，依次对待分割图像的每个像素进行区域分割，得到最终的图像分割结果；
其中，M个神经元的状态为：vij1，vij2，...，vijM。
19.一种图像分割装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量；
所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果。
20.根据权利要求19所述的图像分割装置，其特征在于，所述处理器执行所述通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量的计算机程序时实现以下步骤：
确定从网络的输入神经元到M个输出神经元的联接权值；
将待分割图像的每个像素的灰度值输给已确定联接权值的所述从网络，为每个像素在主网络中对应的M个神经元的状态进行赋值，得到所述待分割图像对应的主网络的初始化状态矢量。
21.根据权利要求20所述的图像分割装置，其特征在于，所述处理器执行所述确定从网络的输入神经元到M个输出神经元的联接权值的计算机程序时实现以下步骤：
获取目标输出神经元的邻域；
自适应地更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，所述目标输出神经元为与所述输入神经元具有最小距离的输出神经元。
22.根据权利要求21所述的图像分割装置，其特征在于，所述处理器执行所述自适应地更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权的计算机程序时实现以下步骤：
根据公式：更新输入神经元至目标输出神经元的邻域中所有输出神经元的联接权；
其中，μj(t+1)为第t+1时刻输入神经元到输出神经元j的联接权；μj(t)为第t时刻输入神经元到输出神经元j的联接权；γ(t)为随着t增加而减小的学习率参数、且0＜γ(t)≤1；NEj*[r(t)]为在t时刻目标输出神经元j*的邻域，NEj*[r(t)]＝{i：i＝j*-r(t)，...，j*+r(t)，且1≤i≤M}，r(t)为t时刻的邻域半径， 为减函数，且0≤r(t)≤r(0)；dj*(t)＝minj＝1，...，M{dj(t)}、且dj(t)＝[f(t)-μj(t)]2；f(t)为t时刻从网络的输入神经元接收到的像素的灰度值；j为输出神经元的索引；t为时间索引；M为从网络中输出神经元的总个数。
23.根据权利要求20所述的图像分割装置，其特征在于，所述处理器执行所述将待分割图像的每个像素的灰度值输给已确定联接权值的所述从网络，为每个像素在主网络中对应的M个神经元的状态进行赋值，得到所述待分割图像对应的主网络的初始化状态矢量的计算机程序时实现以下步骤：
将待分割图像的第一像素的灰度值输入给所述从网络的输入神经元，若所述从网络的M个输出神经元中的第j个输出神经元的响应最大，则将所述第一像素在主网络中对应的M个神经元中第j个神经元的状态设置为一个小于1的较大正数，而将所述第一像素在主网络中对应的M个神经元中除所述第j个神经元外的其他M-1个神经元的状态设置为一个小于1的较小正数，且M个神经元的状态之和等于1；将所述待分割图像中的每个像素依次进行赋值处理，便得到所述待分割图像对应的主网络的初始化状态矢量。
24.根据权利要求19所述的图像分割装置，其特征在于，所述处理器执行所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果的计算机程序时实现以下步骤：
获取每个时刻的主网络状态矢量的改变量；
根据所述改变量，进行主网络状态矢量的动态演变；
当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果。
25.根据权利要求24所述的图像分割装置，其特征在于，所述处理器执行所述获取每个时刻的主网络状态矢量的改变量计算机程序时实现以下步骤：
获取主网络的能量函数；
根据所述能量函数，确定能量函数对主网络状态矢量的梯度；
根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量。
26.根据权利要求25所述的图像分割装置，其特征在于，所述处理器执行所述获取主网络的能量函数的计算机程序时实现以下步骤：
确定主网络中神经元之间的互联强度；
根据所述神经元之间的互联强度和主网络中每个神经元的状态，确定主网络的能量函数。
27.根据权利要求26所述的图像分割装置，其特征在于，所述处理器执行所述确定主网络中神经元之间的互联强度的计算机程序时实现以下步骤：
根据公式：确定神经元之间的互联强度；
其中，Tijm；kln是位置为(k，1)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；M为每个像素对应的神经元的总个数；NE(i，j)是位置为(i，j)的像素的某一邻域，且NE(i，j)＝{(k，l)：k＝i-r，...，i+r；l＝j-r，...，j+r}，r为邻域大小的控制参数；i＝1，2，...，L，j＝1，2，...，L，L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
28.根据权利要求26所述的图像分割装置，其特征在于，所述处理器执行所述根据所述神经元之间的互联强度和主网络中每个神经元的状态，确定主网络的能量函数的计算机程序时实现以下步骤：
根据公式：确定主网络的能量函数；
其中，为主网络的能量函数；Tijm；kln是位置为(k，1)的像素对应的第n个神经元与位置为(i，j)的像素对应的第m个神经元之间的互联强度；vijm是位置为(i，j)的像素对应的第m个神经元的激活状态的状态取值；vkln是位置为(k，1)的像素对应的第n个神经元的激活状态的状态取值；为主网络状态矢量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
29.根据权利要求25所述的图像分割装置，其特征在于，所述处理器执行所述根据所述能量函数，确定能量函数对主网络状态矢量的梯度的计算机程序时实现以下步骤：
根据公式：确定能量函数对主网络状态矢量的梯度；
其中，为能量函数对主网络状态矢量的梯度；为主网络的能量函数；gi(t)为的第i个分量；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
30.根据权利要求25所述的图像分割装置，其特征在于，所述处理器执行所述根据所述能量函数对主网络状态矢量的梯度，确定主网络状态矢量的改变量的计算机程序时实现以下步骤：
根据所述能量函数对主网络状态矢量的梯度，对集合Sc进行更新；
判断是否存在Sc+1＝Sc；
若不存在Sc+1＝Sc，则继续进行集合Sc的更新；
若存在Sc+1＝Sc时，确定矢量并根据矢量确定主网络状态矢量的改变量。
31.根据权利要求30所述的图像分割装置，其特征在于，所述处理器执行所述根据所述能量函数对主网络状态矢量的梯度，对集合Sc进行更新的计算机程序时实现以下步骤：
根据公式：Sc+1＝{i∈D：gi(t)＞tc，i＝1，2，...，L2M}，对集合Sc进行更新；
其中，Sc+1为更新后的集合Sc的赋值；集合 gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数，在c＝1时，集合M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
32.根据权利要求30所述的图像分割装置，其特征在于，所述处理器执行所述确定矢量的计算机程序时实现以下步骤：
根据公式：确定矢量
其中，为矢量；i＝1，2，...，L2M；gi(t)为的第i个分量，为能量函数对主网络状态矢量的梯度，为主网络的能量函数；#Sc为集合Sc中元素的个数；M为每个像素对应的神经元的总个数；L为图像的尺度参数，它表示长度方向上或宽度方向上的像素的个数。
33.根据权利要求30所述的图像分割装置，其特征在于，所述处理器执行所述根据矢量确定主网络状态矢量的改变量的计算机程序时实现以下步骤：
根据公式：确定主网络状态矢量的改变量；
其中，为主网络状态矢量的改变量；为矢量；t为时间索引。
34.根据权利要求24所述的图像分割装置，其特征在于，所述处理器执行所述根据所述改变量，进行主网络状态矢量的动态演变的计算机程序时实现以下步骤：
根据公式：进行主网络状态矢量的动态演变；
其中，为第t+1时刻的状态矢量；为第t时刻的状态矢量；为主网络状态矢量的改变量；β为使的实系数，且0＜β≤α(t)，α(t)是预设的随t增加而减小的正小参数，KF为主网络的模糊状态空间；t为时间索引。
35.根据权利要求24所述的图像分割装置，其特征在于，所述处理器执行所述当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果的计算机程序时实现以下步骤：
在所述主网络状态矢量的改变量为零时，确定停止主网络状态矢量的动态演变；
在所述主网络状态矢量的动态演变停止后，得到与收敛的主网络状态矢量相对应的图像分割结果。
36.根据权利要求24所述的图像分割装置，其特征在于，所述处理器执行所述当主网络状态矢量的演变停止后，便得到与收敛的主网络状态矢量相对应的图像分割结果的计算机程序时实现以下步骤：
对应于待分割图像的位置为(i，j)的像素的主网络中的M个神经元的状态中，若第m个状态值最大，则将所述待分割图像的位置为(i，j)的像素分割到第m个区域，依次对待分割图像的每个像素进行区域分割，得到最终的图像分割结果；
其中，M个神经元的状态为：vij1，vij2，...，vijM。
37.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至18任一项所述的图像分割方法中的步骤。
38.一种图像分割装置，其特征在于，包括：
获取模块，用于通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量；
处理模块，用于所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910143381.1A CN109872334A (zh) | 2019-02-26 | 2019-02-26 | 一种图像分割方法及装置 |
| PCT/CN2019/123608 WO2020173163A1 (zh) | 2019-02-26 | 2019-12-06 | 图像分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910143381.1A CN109872334A (zh) | 2019-02-26 | 2019-02-26 | 一种图像分割方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109872334A true CN109872334A (zh) | 2019-06-11 |
Family
ID=66919369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910143381.1A Withdrawn CN109872334A (zh) | 2019-02-26 | 2019-02-26 | 一种图像分割方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109872334A (zh) |
| WO (1) | WO2020173163A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020173163A1 (zh) * | 2019-02-26 | 2020-09-03 | 电信科学技术研究院有限公司 | 图像分割方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102216941A (zh) * | 2008-08-19 | 2011-10-12 | 数字标记公司 | 用于内容处理的方法和系统 |
| WO2012037151A2 (en) * | 2010-09-13 | 2012-03-22 | University Of Southern California | Efficient mapping of tissue properties from unregistered data with low signal-to-noise ratio |
| CN106411486A (zh) * | 2015-07-31 | 2017-02-15 | 电信科学技术研究院 | 一种上行解调导频的发送接收方法及装置 |
| CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
| CN108416772A (zh) * | 2018-03-07 | 2018-08-17 | 汕头大学 | 一种基于级联卷积神经网络的斜眼检测方法 |
| CN109087327B (zh) * | 2018-07-13 | 2021-07-06 | 天津大学 | 一种级联全卷积神经网络的甲状腺结节超声图像分割方法 |
| CN109872334A (zh) * | 2019-02-26 | 2019-06-11 | 电信科学技术研究院有限公司 | 一种图像分割方法及装置 |
-
2019
- 2019-02-26 CN CN201910143381.1A patent/CN109872334A/zh not_active Withdrawn
- 2019-12-06 WO PCT/CN2019/123608 patent/WO2020173163A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102216941A (zh) * | 2008-08-19 | 2011-10-12 | 数字标记公司 | 用于内容处理的方法和系统 |
| WO2012037151A2 (en) * | 2010-09-13 | 2012-03-22 | University Of Southern California | Efficient mapping of tissue properties from unregistered data with low signal-to-noise ratio |
| CN106411486A (zh) * | 2015-07-31 | 2017-02-15 | 电信科学技术研究院 | 一种上行解调导频的发送接收方法及装置 |
| CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断系统 |
Non-Patent Citations (1)
| Title |
|---|
| 梁民等: "一种图像分割的人工神经网络新方法", 《系统工程与电子技术》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020173163A1 (zh) * | 2019-02-26 | 2020-09-03 | 电信科学技术研究院有限公司 | 图像分割方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020173163A1 (zh) | 2020-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | A visual long-short-term memory based integrated CNN model for fabric defect image classification | |
| KR950012380B1 (ko) | 뉴로-퍼지 융합 데이터처리 시스템 | |
| Ceylan et al. | Neural networks applications in pavement engineering: A recent survey | |
| CN107544904B (zh) | 一种基于深度cg-lstm神经网络的软件可靠性预测方法 | |
| CN108510194A (zh) | 风控模型训练方法、风险识别方法、装置、设备及介质 | |
| CN106982359A (zh) | 一种双目视频监控方法、系统和计算机可读存储介质 | |
| CN107886510A (zh) | 一种基于三维全卷积神经网络的前列腺mri分割方法 | |
| CN106709565A (zh) | 一种神经网络的优化方法及装置 | |
| CN112927357A (zh) | 一种基于动态图网络的3d物体重建方法 | |
| CN106650928A (zh) | 一种神经网络的优化方法及装置 | |
| CN109766995A (zh) | 深度神经网络的压缩方法与装置 | |
| CN107704970A (zh) | 一种基于Spark的需求侧负荷预测方法 | |
| Korosec et al. | Neural network based manufacturability evaluation of free form machining | |
| CN111445010A (zh) | 一种基于证据理论融合量子网络的配网电压趋势预警方法 | |
| CN109039727A (zh) | 基于深度学习的消息队列监控方法及装置 | |
| CN115437795B (zh) | 一种异构gpu集群负载感知的显存重计算优化方法及系统 | |
| CN109872334A (zh) | 一种图像分割方法及装置 | |
| CN113536697A (zh) | 一种基于改进残差网络和wgan的轴承剩余寿命预测方法 | |
| CN109271957A (zh) | 人脸性别识别方法以及装置 | |
| Tsai et al. | Endocardial boundary detection using a neural network | |
| CN108073978A (zh) | 一种人工智能超深度学习模型的构成方法 | |
| CN106228029B (zh) | 基于众包的量化问题求解方法和装置 | |
| Almarri et al. | Energy saving via a minimal structure | |
| CN111222529A (zh) | 一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法 | |
| WO2021238734A1 (zh) | 一种神经网络的训练方法及相关设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190611 |
|
| WW01 | Invention patent application withdrawn after publication |