基于修正交叉视觉皮质模型的图像分割方法_牛建伟

2010年2月第33卷第1期北京邮电大学学报J o u r n a l o f B e i j i n g U n i v e r s i t y o f P o s t s a n d T e l e c o m m u n i c a t i o n sF e b .2010V o l .33N o .1 文章编号:1007-5321(2010)01-0056-05基于修正交叉视觉皮质模型的图像分割方法牛建伟1,　沈思思1,　童　超1,　高小鹏1,　汪孔桥2(1.北京航空航天大学计算机学院,北京100191;2.诺基亚中国研究院,北京100176)摘要:提出了一种基于修正交叉视觉皮质模型(M I C M )的图像自适应分割新方法.根据待分割图像的自身特性,自适应地设定参数,并以互信息量为目标函数选取最佳分割结果.该方法解决了针对不同的图像需要人工设定交叉皮质模型(I C M )参数和需要人工选取最佳分割结果的2个问题.实验结果表明,与通过大量实验获得模型参数的脉冲耦合神经网络(P C N N )基本模型和I C M 基本模型相比,M I C M 与其综合评价函数值相近;与模糊聚类分割算法和最大类间方差(O T S U )算法相比,M I C M 算法有较明显的视觉优势,并且其综合评价函数值也分别提高了约15%和13%.关　键　词:图像分割;交叉视觉皮质模型;自适应;互信息量中图分类号:T N 911.73 文献标志码:AAN e wI m a g e S e g m e n t a t i o nMe t h o dB a s e do n Mo d i f i e dI n t e r s e c t i n g C o r t i c a l Mo d e lN I UJ i a n -w e i 1,　S H E NS i -s i 1,　T O N GC h a o 1,　G A OX i a o -p e n g 1,　WA N GK o n g -q i a o2(1.S c h o o l o f C o m p u t e r S c i e n c ea n dE n g i n e e r i n g ,B e i h a n g U n i v e r s i t y ,B e i j i n g 100191,C h i n a ;2.N o k i aC h i n a R e s e a r c h C e n t e r ,B e i j i n g 100176,C h i n a )A b s t r a c t :A n i m a g e s e g m e n t a t i o n m e t h o d b a s e d o n t h e m o d i f i e d i n t e r s e c t i n g c o r t i c a l m o d e l (M I C M )i s p r o p o s e d t o s e t t h e M I C M p a r a m e t e r s a d a p t i v e l y a c c o r d i n g t o t h e d i f f e r e n t c h a r a c t e r i s t i c s o f i m a g e s a n d c h o o s e t h e o p t i m a l s e g m e n t a t i o n r e s u l t s a u t o m a t i c a l l y ,w h i c h a r e t w o m a i n o b s t a c l e s f o r t h e b a s i c i n t e r s e c -t i n g c o r t i c a l m o d e l (I C M )t o b e u s e di np r a c t i c e .E x p e r i m e n t s s h o wt h a t t h e c o m p r e h e n s i v ee v a l u a t i o n v a l u e o f M I C Mi s c l o s e t o t h o s e o f b a s i c p u l s e c o u p l e d n e u r a l n e t w o r k (P C N N )a n d b a s i c i n t e r s e c t i n g c o r -t i c a l m o d e l .C o m p a r e d w i t h t h e f u z z y C -m e a n s a l g o r i t h ma n d O T S Ua l g o r i t h m ,M I C Mi s o f v i s u a l l y b e t t e r s e g m e n t a t i o n a n d t h e c o m p r e h e n s i v e e v a l u a t i o n v a l u e o f M I C Mi n c r e a s e s b y a p p r o x i m a t e l y 15%a n d 13%r e s p e c t i v e l y .K e y w o r d s :i m a g e s e g m e n t a t i o n ;i n t e r s e c t i n g c o r t i c a l m o d e l ;s e l f -a d a p t i v e ;m u t u a l i n f o r m a t i o n收稿日期:2009-05-14基金项目:国家自然科学基金项目(60702031,60873241);国家高技术研究发展计划项目(2008A A 01Z 217,2007A A 01Z 145,2007A A 01A 127)作者简介:牛建伟(1969—),男,副教授,E -m a i l :n i u j i a n w e i @b u a a .e d u .c n .0　引言图像分割是将图像中不同特性的区域分割开,使这些区域互不相交,且每个区域都满足特定区域的一致性条件.图像分割是图像分析的关键环节,多年来一直是国内外学者们的研究热点.到目前为止已提出各种类型的分割算法[1],然而,这些分割方法在多数情况下还不能达到人类视觉的满意程度.近年来,一些学者结合人类自身的视觉神经感知机制,借助哺乳动物视觉皮层的生物模型,提出了模拟生物系统的神经网络,得到了较理想的图像分割结果.交叉视觉皮质模型(I C M )主要基于E c k h o r n 模型和R y b a k 模型演化而来,同时吸收了其他视觉模型的优点,是多种脑皮层模型交叉综合的产物.[2]I C M 是一种简化的脉冲耦合神经网络(P C N N )模型[3-4].P C N N 称为第3代人工神经网络,已成功应用于图像去噪、图像分割、图像编码、特征提取等方面[5-6].I C M 由于保留了P C N N 脉冲耦合、变阈值、同步脉冲发放等特性,十分适合图像处理[4,7],且I C M 的计算复杂度比P C N N 小得多.然而,与P C N N 一样,使用I C M 进行图像分割,需要对模型中各参数进行人工设定.获得比较理想的参数需要通过反复实验,大大限制了模型的推广应用.目前,针对这一问题的研究很少.文献[8]提出应用I C M 分割含有高背景噪音的X 光脊柱图像,解决了神经元的初始阈值自动设定问题,但仍需人工交互设定模型中其他神经元参数.本文根据待分割图像的自身特性,提出一种参数自适应设定的基于修正I C M (M I C M ,m o d i f i e d i n t e r s e c t i n g c o r t i c a l m o d e l )的图像分割方法.在该方法的迭代过程中,以互信息量为目标函数选取最佳分割结果,实现了I C M 自动分割图像的功能.1　I C M 模型及其原理I C M 是单层神经网络,其单个神经元模型由接收部分、调制部分和脉冲产生部分组成,如图1所示.接收部分包括线性连接输入和反馈输入2部分,线性连接输入接收局部相邻神经元的输入;反馈输入接收来自外部的刺激输入.调制部分将神经元的线性连接输入和反馈输入进行调制得到神经元的内部活动状态.脉冲产生部分比较内部活动状态和动态阈值,若内部活动状态超过动态阈值,则产生脉冲.图1　I C M式(1)～(3)为I C M 的数学方程描述.F i j [n +1]=f F i j [n ]+S i j +W {Y }i j(1)式中,F i j 为神经元的内部状态值;S i j 为神经元的外部输入(在图像处理中对应像素点的灰度值);W {Y }i j 为连接输入,W {}为神经元的连接强度函数,一般取欧氏距离的倒数;f 为内部状态的时间衰减因子.Y i j[n +1]=1F i j [n ]>E i j [n ]0否则(2)式中,Y i j 为神经元的输出;E i j为动态阈值.E i j [n +1]=g E i j [n ]+h Y i j[n +1](3)式中,g 和h 分别为阈值的时间衰减因子和阈值幅度系数.当神经元内部状态值超过E i j时,输出1个脉冲,此时神经元的阈值因反馈迅速提高,阈值高于内部状态值,输出为0.之后阈值开始衰减下降,当阈值低于内部状态值,神经元再次点火而输出脉冲,如此反复循环.显然,点火的神经元又通过连接输入而影响其他神经元的点火状态.应用I C M 进行图像分割时,每个像素点对应1个神经元,每个神经元与邻域神经元连接(一般领域取3×3),构成单层2维局部连接网络.归一化的像素值作为神经元的外部输入,因而亮度大的像素点对应的神经元首先点火.有些首先点火神经元的邻域神经元由于接收连接输入,提高内部状态值而提前点火,这种脉冲传递使亮度相似空间相邻的神经元发出同步脉冲.同步发放脉冲的神经元称为神经元集群,该神经元集群对应图像上不同的区域.故脉冲输出包含图像的区域、纹理和边缘等特征信息,可实现图像分割.基于I C M 的图像分割需要设定时间衰减因子f 和g 、连接矩阵W 、阈值幅度系数h 4个参数.良好的分割效果取决于I C M 中各参数的适当选择.对于不同图像需要选取不同参数,以往参数的选取要通过反复实验人工设定,在很大程度上限制了基于I C M 图像分割方法的应用.在模型参数设定后,迭代次数n 的选取也会对分割效果产生重要影响.因而,本文从模型参数的设定和迭代次数的选取2方面进行研究.2　M I C M 的参数自适应选取对式(1)和式(3)进行参数自适应改造,修正模型分别为　F i j [n +1]=F i j [n ]-λ+S i j +∑k lW i j k l Y k l[n ](4)E i j [n +1]=E i j [n ]-Δ+h Y i j [n +1](5)与原模型相似,神经元内部状态值和阈值都采用线性衰减.在原模型中,内部状态值和阈值都分别乘以其时间衰减因子;而在修正模型中,两者分别修正为减去一个步长.从模型的数学表达上看,其功能实际上等价;但若从I C M 的硬件实现上看,改进57第1期 牛建伟等:基于修正交叉视觉皮质模型的图像分割方法模型提高了运算效率,降低了模型的计算复杂度.修正后的模型参数有连接权值W i j k l、内部状态调整步长λ和阈值调整步长Δ及阈值幅度系数h,其自适应的调整过程如下.1)W i j k l连接权值定义为2个因子的乘积,前项因子为相邻神经元的欧式距离平方倒数,两神经元距离越近,表明内部连接强度越大,对内部状态值影响也越大;后项为其归一化灰度值之差再求反,反映灰度值越相近,连接权值越大.连接权值自适应选取符合I C M中神经元发放同步脉冲特性,亮度相似空间相邻的神经元发出同步脉冲.W i j k l连接权值矩阵大小取3×3,神经元i j和神经元k l连接权值计算公式为W i j k l=1(i-k)2+(j-l)2(1- S i j-S k l)(6)2)λ和ΔI C M修正模型的式(4)中,内部状态值以步长λ线性递减,令λ满足λ=1/(n u m+n)(7)式(5)中,阈值的线性递减选取步长Δ,令Δ满足Δ=1/n u m(8)为确保动态阈值最终小于神经元的内部状态值而使神经元能顺利点火,需要满足λ<Δ,λ和Δ均小于1.0.式(7)和式(8)中的n u m为预先选取的迭代总次数,n为当前迭代次数.在本文算法中将n u m设定为20,n取值范围为[1,20].λ随迭代次数的增加越来越小,表示神经元内部状态值衰减得越来越慢;Δ设定为n u m的倒数,n u m次迭代完成后,阈值衰减了1,即遍历了1遍灰度值[9].3)h从式(5)可以看出,在脉冲发放时,阈值因输出反馈迅速提高了1个幅度系数的大小,从而使阈值高于内部状态值而停止输出脉冲.阈值幅度系数需要设置得较大,保证神经元1次点火.故本文将h设定为20. 3　互信息量互信息量(M I)是信息论中的一个基本概念.在简单的通信系统模型中,信源向信道输入的信号为A,由于信道中有噪音和干扰,信宿收到的信号为B.I(A,B)表示收到的B中获得的关于A的信息量,I(B,A)表示从A中获得的关于B的信息量.可以证明I(A,B)=I(B,A),并称I(A,B)或I(B,A)为A 与B间的互信息量,即M I(A,B),其计算公式为[10]M I(A,B)=H(A)+H(B)-H(A,B)(9)式中,H(A)、H(B)和H(A,B)分别为信号A的熵、信号B的熵及其联合熵.在图像分割中,可通过计算原图像与分割后图像间的互信息量客观评价图像的分割效果,这里的互信息量表示分割后图像表达原图像信息量的多少.当分割后图像表达原图像的信息量最多时,认为是最优的分割[9].因此,本文使用互信息量为目标函数选取基于I C M的图像分割结果,即在I C M每次迭代计算后,得出此次迭代得到的目标图像与原图像的M I,保留各次迭代的M I n,选取最大M I n的图像.应用式(9)时,信号A即原图像A,信号B则为分割后得到的图像B.H(A)、H(B)和H(A,B)分别为图像A的熵、图像B的熵及其联合熵,分别定义为[9]H(A)=-∑apA(a)l b pA(a)(10)H(B)=-∑bpB(b)l b pB(b)(11)H(A,B)=-∑a,bpA,B(a,b)l b pA,B(a,b)(12)式中,pA(a)和pB(b)分别为图像A、B灰度的概率密度分布;pA,B(a,b)为图像A、B灰度的联合概率密度分布.M I C M算法可描述如下.步骤1　初始化网络参数,F i j=0,E i j=1,h=20,迭代总次数n u m=20,Δ=1/n u m,M I m a x=0,Y b e s t=0,迭代计数n=1.步骤2　输入原图像A,归一化像素灰度值为S i j,i∈[1,M],j∈[1,N].步骤3　按式(7)计算λ;对每个像素i j按式(6)计算W i j k l.步骤4　按式(4)、(5)和(2)计算每个像素的F i j、E i j、Y i j,得到分割后的二值图像B.步骤5　按式(9)计算A与B的M I,若M I> M I m a x,则M I=M I m a x、Y b e s t=Y.步骤6　n=n+1.步骤7　若n>n u m,迭代结束,输出Y b e s t作为分割结果;否则,转步骤3.4　实验为验证M I C M的有效性,本文对目前该领域内主流的模糊C均值(F C M)算法、最大类间方差法(O T S U)、基本P C N N算法和基本I C M算法进行比较.O T S U、P C N N、I C M和M I C M算法均使用M a t l a b 6.5实现,而F C M算法则由M a t l a b自带工具箱中的58北京邮电大学学报 第33卷f c m 函数实现.限于篇幅,只给出L e n a 、G r i p e n 和C e l l 3幅图像的分割结果,如图2～4所示.从人眼视觉效果看,图2(f )中的人脸鼻子和嘴唇的细节明显丰富.图3中,F C M 算法、O T S U 算法和P C N N 算法得到的分割结果存在明显的噪声,而I C M 算法和M I C M 算法所得到的分割结果均较好.图4中,5种算法得到的分割效果都很好,从人眼看无显著不同.图2　L e n a原图像与分割图像图3　G r i p e n 原图像与分割图像本文采用分割前后图像的M I 、分割后图像的区域内部均匀性(U M )、区域间对比度(G L C )作为评价分割结果的客观准则,并基于这3个准则计算其综合评价函数F .图像分割后分割区域的内部均匀性可反映出分割结果好坏.U M 的计算公式为[11]U M=1-1C ∑i∑(x ,y )∈R if (x ,y )-1A i ∑(x ,y )∈R if (x ,y )2(13)图4　C e l l 原图像与分割图像式中,R i 表示分割图像中的第i 个区域;A i 表示其面积;C 为归一化系数.U M 越大,分割后各区域的均匀性越好.G L C 也可用来判定分割结果的好坏,为[11-12]G L C =f 1-f 2f 1+f 2(14)式中f 1和f 2表示分割后两区域所对应的原图像中的像素平均灰度.G L C 越大,分割得到的图像区域间差异越大,分割效果越好.为更全面地评价分割结果,综合考虑以上准则,给出综合评价函数F ,定义为F=M I ·U M ·G L C(15)式(15)从分割前后图像M I 、U M 和G L C 3个方面综合评价图像的分割效果,F 值越大表明分割效果越好.表1是分割结果的定量比较.其中P C N N 算法的模型参数引自文献[13],I C M 基本算法的模型参数为f =0.85、g =0.65、h =20,连接权值则取欧式距离平方的倒数.从表1数据可以看出,M I C M 算法不仅能对图像自适应地进行分割,并且分割效果明显优于F C M 和O T S U 算法.P C N N 算法在L e n a 图像上得到的综合评价值最高,但在G r i p e n 图像和C e l l图像上,由于其模型参数无法自适应调整,都比M I C M 算法综合评价值低.3幅图像使用I C M 算法得到的综合评价值和P C N N 算法有类似问题,由于模型参数固定,在G r i p e n 图像上的F 值明显超过F C M 和O T S U 算法,而在其他2幅图像上效果不佳.实验结果统计表明,M I C M 算法的综合评价函数值F 比F C M 算法提高约15%,比O T S U 算法提高约13%.59第1期 牛建伟等:基于修正交叉视觉皮质模型的图像分割方法表1　实验结果的评价图像分割方法参量M I U M G L C FF C M0.98010.87420.48360.4144O T S U0.98010.87420.48360.4144 L e n a P C N N0.91790.89390.63280.5192I C M0.94340.87420.48370.3989M I C M0.99670.87420.48370.4186F C M0.68120.93880.28120.1798O T S U0.68120.93880.28120.1798G r i p e n P C N N0.68380.93880.27810.1785I C M0.66090.93950.30740.1909M I C M0.66210.94070.34880.2172F C M0.90850.89350.68490.5560O T S U0.91040.89290.68180.5542C e l l P C N N0.89090.89820.71090.5689I C M0.88260.88860.65670.5150M I C M0.93320.89370.68660.57265　结束语传统基于修正I C M的图像分割方法,其模型中的参数不像传统神经网络中的参数一样需要训练,但仍然需要人工选取这些参数的值,因此并未在实践中得到广泛应用.本文根据图像本身的特性,提出一种参数自适应设定的、基于修正I C M的图像分割方法M I C M,解决了参数自动选取的问题.在参数选定的基础上又提出以互信息量为目标函数选取最佳分割,解决了自动分割问题,整个分割过程不需人工交互,提高了分割效率.实验结果表明,所提出的M I C M算法对不同的图像都能取得较好的分割效果,且分割结果更为细腻,分割性能良好.参考文献:[1]　章毓晋.图像处理和分析[M].北京:清华大学出版社,1999:179-180.[2]　K i n s e r J M.I m a g e s i g n a t u r e s:c l a s s i f i c a t i o na n d o n t o l o g y[C]∥P r o c e e d i n g s o f t h e4t hI A S T E DI n t e r n a t i o n a l C o n-f e r e n c eo n C o m p u t e rG r a p h i c s a n d I m ag i n g.H a w a i i:A C T AP r e s s,2001:230-255.[3]　E k b l d U,K i n s e r J M.T h e o r e t i c a l f o u n d a t i o no f t h e i n t e r-s e c t i n g c o r t i c a l m o d e l a n di t s u s e f o r c h a n g e d e t e c t i o no fa i r c r a f t,c a r s a n dn u c l e a r e x p l o s i o n t e s t s[J].S i g n a l P r o-c e s s i n g,2004,84(7):1131-1146.[4]　E k b l d U,K i n s e r J M,A t m e r J,e t a l.T h e i n t e r s e c t i n gc o r t i c a l m ode l i ni m a g ep r o c e s s i n g[J].N u c l e a r I n s t r u-m e n t s a n dM e t h o d s i nP h y s i c sR e s e a r c hA,2004,525(2):392-396.[5]　J o h n s o nJ L,P a d g e t t M I.P C N Nm o d e l s a n d a p p l i c a t i o n s[J].I E E ET r a n so nN e u r a l N e t w o r k s,1999,10(3):480-498.[6]　马义德,张红娟.P C N N与灰度形态学相结合的图像去噪方法[J].北京邮电大学学报,2008,31(2):108-112.M a Y i d e,Z h a n gH o n g j u a n.An e wi m a g e d e n o i s i n g a l g o-r i t h m c o m b i n e dP C N N w i t hg r a y-s c a l em o r p h o l o g y[J].J o u r n a l o f B e i j i n g U n i v e r s i t y o f P o s t s a n dT e l e c o m m u n i c a-t i o n s,2008,31(2):108-112.[7]　X uZ h i p i n g,Z h o n gY i p i n g,Z h a n gS h i y o n g.A r t i f i c i a lv i s u a l c o r t i c a l r e s p o n d i n gm o d e l i ni m a g es e m a n t i cp r o-c e s s i n g[C]∥P r o c e ed i n g so f A C S/I E E E I n te r n a t i o n a lC o n f e r e n c e o n C o m p u t e r S y s t e m s a n d A p p l i c a t i o n s.A m m a n:I E E EC o m p u t e r S c i e n c e P r e s s,2007:722-725.[8]　徐志平.基于交叉视觉皮质模型的图像处理关键技术研究[D].上海:复旦大学信息科学与工程学院,2007:74-78.[9]　毕英伟,邱天爽.一种基于简化P C N N的自适应图像分割方法[J].电子学报,2005,33(4):647-650.B i Y i n g w e i,Q i uT i a n s h u a n g.A n a d a p t i v e i m a g e s e g m e n-t a t i o nm e t h o d b a s e d o n as i m p l i f i e d P C N N[J].A c t aE l e c t r o n i c a S i n i c a,2005,33(4):647-650.[10]　卢振泰,吕庆文,陈武凡.基于最大互信息量的图像自动优化分割[J].中国图像图形学报,2008,13(4):658-661.L uZ h e n t a i,L uQ i n g w e n,C h e nWu f a n.U n s u p e r v i s e ds e g m e n t a t i o no f m e d i c a l i m a g e b a s e do n m a x i m i z i n g m u-t u a l i n f o r m a t i o n[J].J o u r n a lo fI m a g ea n dG r a p h i c s,2008,13(4):658-661.[11]　侯格贤,毕笃彦,吴成柯.图像分割质量评价方法研究[J].中国图像图形学报,2000,5(1):39-43.H o u G e x i a n,B i D u y a n,WuC h e n g k e.R e s e a r c h e so ne v a l u a t i o nm e t h o d sf o r i m ag e s e g m e n t a t i o n[J].J o u r n a lo f I m a g e a n dG r a p h i c s,2000,5(1):39-43.[12]　郭琦,孔斌,郑飞.图像分割质量评价的综述[C]∥中国仪器仪表学会第九届青年学术会议论文集,北京:[s.n.],2007:613-618.[13]　刘勍,马义德,钱志柏.一种基于交叉熵的改进型P C N N图像自动分割新方法[J].中国图像图形学报,2005,10(5):579-584.L i uQ i n g,M aY i d e,Q i a nZ h i b a i.A u t o m a t e di m a g e s e g-m e n t a t i o nu s i n g i m p r o v e d P C N Nm o d e l b a s e do n c r o s s-e n-t r o p y[J].J o u r n a l o fI m a g ea n dG r a p h i c s,2005,10(5):579-584.60北京邮电大学学报 第33卷。