CN116703951B - 基于随机耦合神经网络的图像分割方法 - Google Patents

Abstract

本发明公开了一种基于随机耦合神经网络的图像分割方法，包括将彩色图像转化为灰度图像；基于图像信号维度建立RCNN模型；将灰度图像输入RCNN模型中，生成与图片像素点对应的点火映射图，并按照点火次数绘制点火直方图；采用最大熵阈值法基于绘制的点火直方图确定出图像的最佳分割阈值；根据最佳分割阈值对待分割的灰度图像进行二值化处理，得到最终分割图像。本发明所提出的RCNN模型实现了神经元连接的随机特性，降低了计算复杂程度，建立了与更多周围神经元的连接，还展现了强特征提取和抗噪能力等特点，在图像分割处理可使最终的分割图像具有噪声小、边界清晰等特点。

Description

基于随机耦合神经网络的图像分割方法

技术领域

本发明涉及图像处理技术领域，具体地讲，是涉及一种随机耦合神经网络random-coupled neural network, RCNN）的图像分割方法。

背景技术

图像分割是指将图像划分成互不相交的、有意义的子区域，在同一个区域的像素点具有一定的相关性，不同区域的像素点存在一定的差异性，即是对图片中有相同性质的像素赋予相同标签的过程。在智能安防、无人驾驶、卫星遥感、医学影像处理、生物特征识别等领域，图像分割可以提供精简且可靠的图像特征信息，进而有效地提高后续视觉任务的处理效率，具有重要意义。在实际应用过程中，根据应用场景的不同，需灵活地采用不同的图像分割方法，以满足不同分割任务的需求。

图像分割具有很长的研究历史，但至今仍未有通用的分割方法。目前国内外常用图像分割方法主要有基于阈值的图像分割、基于边缘的图像分割、基于区域的图像分割、基于聚类的图像分割、基于神经网络的图像分割等。脉冲耦合神经网络是一种基于猫的视觉原理构建的简化神经网络模型，它继承了哺乳动物视觉皮层的特点，与传统神经网络有着本质的区别，已广泛应用于许多领域，并取得了出色的表现。但由于脉冲耦合神经网络原始模型复杂，有多个参数（这些参数的设置决定着图像处理效果），所以该算法用于图像分割时，需要对多个参数不断调试，过程繁琐，难以找到规律。且与生物神经元相比，原始脉冲耦合神经网络神经连接有限、缺乏随机性。

发明内容

针对上述现有技术中的上述问题，本发明提供一种基于随机耦合神经网络的图像分割方法，通过优化脉冲耦合神经网络构建出随机耦合神经网络模型来对图像进行分割，不仅实现了神经元连接的随机特性，降低了计算复杂程度，建立了与更多周围神经元的连接，同时该模型还展现了强特征提取、强抗噪能力等特点。

为了实现上述目的，本发明采用的技术方案如下：

一种基于随机耦合神经网络的图像分割方法，包括以下步骤：

S10、对待分割的图像进行灰度化处理，获得灰度图像；

S20、基于图像信号维度建立RCNN模型；

S30、将待分割的灰度图像输入RCNN模型中，生成与图片像素点对应的点火映射图，并按照点火次数绘制点火直方图；

S40、采用最大熵阈值法基于绘制的点火直方图确定出图像的最佳分割阈值；

S50、根据最佳分割阈值对待分割的灰度图像进行二值化处理，得到最终分割图像。

具体地，所述步骤S10中采用加权平均法进行灰度化处理，表示为：

I=0.30R+0.59G+0.11B

上式中，I代表图像灰度值，R、G、B分别代表彩色图像的红、绿、蓝波段的DN值。

具体地，所述S20中RCNN模型表示为：

式中，下标ij表示基于图像的二维神经网络中的神经元(i,j)位置，n表示迭代计数；U_ij[n]代表在第n次迭代时，坐标为(i,j)神经元的内部活动项，它根据衰减因子进行衰减；S_ij表示神经元接收到的外部刺激，即输入的灰度图像中对应位置像素点(i,j)的灰度值；β表示连接强度系数；V_U表示神经元内部活动的固有电势；/>表示突触权重矩阵，它是以神经元(i,j)为中心的邻域内各个神经元(k,l)的链接权重系数矩阵，反映了邻域内不同神经元对中心神经元的影响，/>表示哈达玛积运算符，高斯核G_ijkl服从高斯分布，随机失活矩阵D_ijkl由0、1构成，1表示处于中心神经元(i,j)位置的周围神经元(k,l)的连接输入被打开，反之表示被关闭，关闭的概率符合二维正态分布，周围神经元(k,l)被关闭的概率与其距中心神经元(i,j)的距离成正比；Y_kl表示与中心神经元(i,j)相邻的坐标为(k,l)的神经元的脉冲发放情况，它是一个与/>大小相同的矩阵，其中元素由1和0组成，分别代表相应位置的神经元发放或未发放脉冲；Y_ij表示神经元(i,j)的输出；θ_ij表示动态阈值，根据衰减因子/>进行衰减；V_θ表示神经元动态阈值的固有电势，当内部活动项的积累信号超过动态阈值后，神经元点火，输出脉冲信号。

具体地，所述S40中采用最大熵阈值法基于绘制的点火直方图确定出图像的最佳分割阈值的过程为：

给定一个特定的点火次数q，，/>为最大点火次数，则点火次数在0~q范围的像素点为背景B，点火次数在q+1~ K -1范围的像素点为前景F；

每个点火次数级在背景和前景两类中所占的概率计算公式为：

上式中，，/>，P₀(q)和P₁(q)分别表示以q阈值分割背景像素点和前景像素点的累计概率，且/>；

上述背景的概率分布所对应的熵H₀(q)和前景的概率分布所对应的熵H₁(q)分别表示为：

在该阈值q下，图像的总熵为：

H(q)=H₀(q)+H₁(q)

计算所有阈值下的图像总熵，找到最大的熵，将最大熵对应的分割阈值作为最佳分割阈值。

具体地，所述S50中根据最佳分割阈值对待分割的灰度图像进行二值化处理的过程为：

将灰度图像中点火次数大于最佳分割阈值的像素点作为前景，灰度值设为255，将灰度图像中点火次数小于最佳分割阈值的像素点作为背景，灰度值设为0，完成二值化处理。

本发明采用的随机耦合神经网络RCNN模型是简化脉冲耦合神经网络SPCNN的改进模型，本发明的构思是针对“中心神经元接受周围神经元刺激的过程是随机的”这一特性，提出一个叫“dropout”的随机过程，在RCNN架构中的神经元通过连接输入的随机失活矩阵，随机地关闭一些神经元间的连接，这个随机过程降低了计算负担，使庞大的神经连接成为可能。不仅解决了SPCNN神经连接有限的问题，同时实现了神经元的随机特性，降低了计算复杂度。在图像处理领域表现出强特征提取、强抗噪能力等特点。

与现有技术相比，本发明具有以下有益效果：

本发明利用了第三代神经网络模型，区别于其他神经网络模型，它不需要训练，从而使其效率更高，本发明采用的RCNN模型是在简化脉冲耦合神经网络SPCNN 的基础上进行优化改进而获得，保留SPCNN参数少的特征，操作过程较为简便，并且本发明在SPCNN连接输入中引入随机失活矩阵，降低了计算负担，使庞大的神经连接成为可能，不仅解决了原始PCNN神经连接有限的问题，同时也实现了神经元的随机特性。

本发明在得到点火映射图后，最大熵阈值法做图像分割时，分割对象不是灰度值，而是点火次数。不再需要在数百次迭代中从两百多个灰度级中选取最佳阈值，而是仅需在数次迭代中从小于十个点火次数级中选取最佳阈值，明显降低了计算负担。

附图说明

图1为本发明-实施例的流程示意图。

图2为本发明-实施例中随机耦合神经网络模型的示意图。

图3为本发明-实施例中实验一经处理后的灰度图像。

图4为本发明-实施例中实验一经过RCNN模型获得的点火直方图。

图5为本发明-实施例中实验一的基于RCNN模型的图像分割方法所得的分割图像效果图。

图6为本发明-实施例中实验一的基于Otsu的图像分割方法所得的分割图像效果图。

图7为本发明-实施例中实验一的基于K-mean的图像分割方法所得的分割图像效果图。

图8为本发明-实施例中实验一的基于SPCNN的图像分割方法所得的分割图像效果图。

图9为本发明-实施例中实验二加入泊松噪声后的输入图像。

图10为本发明-实施例中实验二经过RCNN模型获得的点火直方图。

图11为本发明-实施例中实验二的基于RCNN模型的图像分割方法所得的分割图像效果图。

图12为本发明-实施例中实验二的基于Otsu的图像分割方法所得的分割图像效果图。

图13为本发明-实施例中实验二的基于K-mean的图像分割方法所得的分割图像效果图。

图14为本发明-实施例中实验二的基于SPCNN的图像分割方法所得的分割图像效果图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。

如图1至图2所示，该基于随机耦合神经网络的图像分割方法，包括以下步骤：

S10、对待分割的图像进行灰度化处理，使彩色图像变成灰度图像；具体采用加权平均法进行灰度化处理，表示为：

I=0.30R+0.59G+0.11B

上式中，I代表图像灰度值，R、G、B分别代表彩色图像的红、绿、蓝波段的DN值。

S20、基于图像信号维度建立RCNN模型；该RCNN模型表示为：

式中，下标ij表示基于图像的二维神经网络中的神经元(i,j)位置，n表示迭代计数；U_ij[n]代表在第n次迭代时，坐标为(i,j)神经元的内部活动项，它根据衰减因子进行衰减；S_ij表示神经元接收到的外部刺激，即输入的灰度图像中对应位置像素点(i,j)的灰度值；β表示连接强度系数；V_U表示神经元内部活动的固有电势；/>表示突触权重矩阵，它是以神经元(i,j)为中心的邻域内各个神经元(k,l)的链接权重系数矩阵，反映了邻域内不同神经元对中心神经元的影响，/>表示哈达玛积运算符，高斯核G_ijkl服从高斯分布，随机失活矩阵D_ijkl由0、1构成，1表示处于中心神经元(i,j)位置的周围神经元(k,l)的连接输入被打开，反之表示被关闭，关闭的概率符合二维正态分布，周围神经元(k,l)被关闭的概率与其距中心神经元(i,j)的距离成正比；Y_kl表示与中心神经元(i,j)相邻的坐标为(k,l)的神经元的脉冲发放情况，它是一个与/>大小相同的矩阵，其中元素由1和0组成，分别代表相应位置的神经元发放或未发放脉冲；Y_ij表示神经元(i,j)的输出；θ_ij表示动态阈值，根据衰减因子/>进行衰减；V_θ表示神经元动态阈值的固有电势，当内部活动项的积累信号超过动态阈值后，神经元点火，输出脉冲信号（Y_ij[n]=1）。在使用中模型具体参数的设置基于试验经验确定。

S30、将待分割的灰度图像输入RCNN模型中，生成与图片像素点对应的点火映射图，并按照点火映射图上每个像素点的点火次数绘制点火直方图。

S40、采用最大熵阈值法基于绘制的点火直方图确定出图像的最佳分割阈值；其基本思想是将分割后的目标与背景的熵值总和最大所对应的分割阈值设为最佳分割阈值。在点火图像中，给定一个特定的点火次数q，，/>为最大点火次数，则点火次数在0~q范围的像素点为背景B，点火次数在q+1~ K -1范围的像素点为前景F；

每个点火次数级在背景和前景两类中所占的概率计算公式为：

上式中，，/>，P₀(q)和P₁(q)分别表示以q阈值分割背景像素点和前景像素点的累计概率，且/>；

上述背景的概率分布所对应的熵H₀(q)和前景的概率分布所对应的熵H₁(q)分别表示为：

在该阈值q下，图像的总熵为：

H(q)=H₀(q)+H₁(q)

计算所有阈值下的图像总熵，找到最大的熵，将最大熵对应的分割阈值作为最佳分割阈值。

S50、根据最佳分割阈值对待分割的灰度图像进行二值化处理：

将灰度图像中点火次数大于最佳分割阈值的像素点作为前景，灰度值设为255，将灰度图像中点火次数小于最佳分割阈值的像素点作为背景，灰度值设为0，得到最终分割图像。

为了验证本发明基于RCNN的图像分割方法的优异表现，以下通过具体实验测试来进行对比说明。

实验一、验证本发明基于RCNN的图像分割方法与其他图像分割方法的图像分割效果对比，包括基于Otsu的图像分割方法、基于K-mean的图像分割方法、基于SPCNN的图像分割方法。

本发明的RCNN模型的参数设置为：β=0.6；=0.85；V_U=1.0；/>=0.008；V_θ=8.0；n=40；权重矩阵尺寸：9×9；G_ijkl服从高斯分布N~(0,0,4²,4²,0); D_ijkl服从高斯分布N~（0,0,5²,5²,0）。

如图3所示为经过灰度处理后的灰度图像，各图像分割方法基于该灰度图像进行图像分割处理。本发明中将灰度图像输入RCNN模型后获得的点火直方图如图4所示。经各图像分割方法对图3的灰度图像进行图像分割处理后获得的效果图如图5至图8所示，其中图5为本发明基于RCNN模型所得的分割图像，图6为基于Otsu所得的分割图像，图7为基于K-mean所得的分割图像，图8为基于SPCNN所得的分割图像。

通过图5展示的图像分割结果可以从主观评价角度判断出，本发明所提出的图像分割方法针对具有复杂灰度直方图的图像仍旧表现优异，能够很好的将前景从背景中分离出来，所得分割结果边界清晰、噪声小，胜过传统图像分割方法。而且本发明将RCNN与最大熵阈值法相结合，还提高了传统最大熵阈值法分割处理的速度。

本实施例还从客观角度来评价分割结果，定义一个度量H以评价区域均匀性，

H=Q(O)

其中，Q(O)表示二值化图像O中相连物体的数目。较小的H值意味着算法获得了更均匀的区域。考虑到熵评价的是信息量，还定义了一个熵质比E_H来综合评价分割结果，

E_H=E/H

其中，H代表同质性，E代表熵值。

熵质比越大，表示算法的分割效果越好。

表1 实验一客观评价指标对比表

如表1所示，RCNN表示本发明基于RCNN的图像分割方法，SPCNN表示基于SPCNN的图像分割方法，Ostu表示基于Otsu（大津法）的图像分割方法，Kmean表示基于K-mean（K均值聚类算法）的图像分割方法；从客观指标数据来看，本发明基于RCNN的图像分割方法的效果最好。

实验二、采用不同类型的图像来对本发明的效果进行验证，并同样采用额外的三种图像分割方法进行对比。灰度图像调用matlab中的imoise函数添加泊松噪声作为输入图像，如图9所示。本发明通过RCNN模型后获得的点火直方图如图10所示。

经各图像分割方法对图9的灰度图像进行图像分割处理后获得的效果图如图11至图14所示，其中图11为本发明基于RCNN模型所得的分割图像，图12为基于Otsu所得的分割图像，图13为基于K-mean所得的分割图像，图14为基于SPCNN所得的分割图像。

通过图11至图14展示的图像分割结果从主观评价角度判断，几种传统图像分割算法的分割图边界不清并难以区分，各血管组织并未分离开来，善于多层分割的基于SPCNN的分割算法在这类前景-背景分割任务中表现很差。而本发明基于RCNN的图像分割方法成功分离了右心房、升主动脉和降主动脉，胸椎和降主动脉之间的边界清晰可见。总的来说，本发明基于RCNN的图像分割方法的效果比其他方法更好。

表2 实验二客观评价指标对比表

从客观评价角度，如表2所示的客观评价指标数据，其中RCNN表示本发明基于RCNN的图像分割方法，SPCNN表示基于SPCNN的图像分割方法，Ostu表示基于Otsu（大津法）的图像分割方法，Kmean表示基于K-mean（K均值聚类算法）的图像分割方法；可见，本发明基于RCNN的图像分割方法的效果最好。

上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。

Claims (4)

1.一种基于随机耦合神经网络的图像分割方法，其特征在于，包括以下步骤：

S10、对待分割的图像进行灰度化处理，获得灰度图像；

S20、基于图像信号维度建立RCNN模型，该RCNN模型表示为：

式中，下标ij表示基于图像的二维神经网络中的神经元(i,j)位置，n表示迭代计数；U_ij[n]代表在第n次迭代时，坐标为(i,j)神经元的内部活动项，它根据衰减因子进行衰减；S_ij表示神经元接收到的外部刺激，即输入的灰度图像中对应位置像素点(i,j)的灰度值；β表示连接强度系数；V_U表示神经元内部活动的固有电势；/>表示突触权重矩阵，它是以神经元(i,j)为中心的邻域内各个神经元(k,l)的链接权重系数矩阵，反映了邻域内不同神经元对中心神经元的影响，/>表示哈达玛积运算符，高斯核G_ijkl服从高斯分布，随机失活矩阵D_ijkl由0、1构成，1表示处于中心神经元(i,j)位置的周围神经元(k,l)的连接输入被打开，反之表示被关闭，关闭的概率符合二维正态分布，周围神经元(k,l)被关闭的概率与其距中心神经元(i,j)的距离成正比；Y_kl表示与中心神经元(i,j)相邻的坐标为(k,l)的神经元的脉冲发放情况，它是一个与/>大小相同的矩阵，其中元素由1和0组成，分别代表相应位置的神经元发放或未发放脉冲；Y_ij表示神经元(i,j)的输出；θ_ij表示动态阈值，根据衰减因子/>进行衰减；V_θ表示神经元动态阈值的固有电势，当内部活动项的积累信号超过动态阈值后，神经元点火，输出脉冲信号；

S30、将待分割的灰度图像输入RCNN模型中，生成与图片像素点对应的点火映射图，并按照点火次数绘制点火直方图；

S40、采用最大熵阈值法基于绘制的点火直方图确定出图像的最佳分割阈值；

S50、根据最佳分割阈值对待分割的灰度图像进行二值化处理，得到最终分割图像。

2.根据权利要求1所述的基于随机耦合神经网络的图像分割方法，其特征在于，所述S10中采用加权平均法进行灰度化处理，表示为：

I=0.30R+0.59G+0.11B

上式中，I代表图像灰度值，R、G、B分别代表彩色图像的红、绿、蓝波段的DN值。

3.根据权利要求1所述的基于随机耦合神经网络的图像分割方法，其特征在于，所述S40中采用最大熵阈值法基于绘制的点火直方图确定出图像的最佳分割阈值的过程为：

给定一个特定的点火次数q，，/>为最大点火次数，则点火次数在0~q范围的像素点为背景B，点火次数在q+1~ K-1范围的像素点为前景F；

每个点火次数级在背景和前景两类中所占的概率计算公式为：

上式中，，/>，P₀(q)和P₁(q)分别表示以q阈值分割背景像素点和前景像素点的累计概率，且/>；

上述背景的概率分布所对应的熵H₀(q)和前景的概率分布所对应的熵H₁(q)分别表示为：

在该阈值q下，图像的总熵为：

H(q)=H₀ (q)+H₁ (q)

计算所有阈值下的图像总熵，找到最大的熵，将最大熵对应的分割阈值作为最佳分割阈值。

4.根据权利要求1所述的基于随机耦合神经网络的图像分割方法，其特征在于，所述S50中根据最佳分割阈值对待分割的灰度图像进行二值化处理的过程为：

将灰度图像中点火次数大于最佳分割阈值的像素点作为前景，灰度值设为255，将灰度图像中点火次数小于最佳分割阈值的像素点作为背景，灰度值设为0，完成二值化处理。