PCNN图像分割技术研究

PCNN图像分割技术研究作者：沈艳张晓明韩凯歌姜劲来源：《现代电子技术》2014年第02期摘要：在图像处理中，精确的图像分割可以加快后续的处理工作，具有更好的应用性。

根据近些年提出的脉冲耦合神经网络模型在图像分割中的应用，给出其在图像分割中的基于熵函数、准则函数、参数调整和改进的脉冲耦合神经网络模型的4种方法，并对各个方法进行了综述。

最后根据模型的基本特性和文献进展情况，给出脉冲耦合神经网络模型在图像分割中未来的研究方向。

关键词：脉冲耦合神经网络；图像分割；熵；参数调整中图分类号： TN919⁃34 文献标识码： A 文章编号： 1004⁃373X（2014）02⁃0038⁃04图像分割是图像处理中重要的课题。

图像分割在医学、军事、通信等领域起着非常重要的作用，故此精确的图像分割在生活中非常重要。

图像分割的方法很多，包括聚类算法、小波变换、马尔科夫模型、图论方法、人工神经网络方法等。

在其人工神经网络图像分割的方向中，由于人工神经网络本身具有的分类特性，因此具有很好的区域分割性能。

而脉冲耦合神经网络（Pulse Coupled Neural Networks，PCNN）是根据猫等哺乳动物的视觉特性研究建立的模型，在应用到图像分割中时，与其他的任何分割方法相比，它具有显著的特点是：用 PCNN 进行图像分割[1]时，会产生脉冲簇，从而可以实现区域性分割，因此PCNN方法进行图像分割更为便捷。

PCNN图像分割技术到目前为止已经取得了很大的进步，PCNN图像分割技术主要有下述几个方面。

1 基于图像熵函数的PCNN图像分割熵表示的是不确定性的量度。

信息论的创始人香农（Shannon）在其著作《通信的数学理论》中提出了建立在概率统计模型上的信息度量。

为了减少图像分割后信息的损失，引入了大量的信息论中的熵作为评价准则，包括最大信息熵、最大模糊熵、最小交叉熵等。

这些评价准则应用在PCNN模型中使图像分割得到非常好的效果。

1.1 基于最大信息熵函数的PCNN图像分割[2]PCNN在图像分割时，计算其分割输出的图像为一个二值[n]阶矩阵[Y[n]]，[Y[n]]中含有的信息量即为[H1（P）]熵：[H1（P）=-P1log2 P1-P0log2 P0]式中[P1]、[P0]分别表示[Y[n]]为1，0的概率。

当[H（P）]达到最大时，即分割后的图像从原图像中得到的信息越多，得到的分割后的图像越精确。

2002年，马义德等首次提出运用最大信息熵函数与PCNN相结合的方法对植物细胞图像进行分割[3⁃4]，利用 PCNN 的脉冲特性，能缩小相近的灰度的分割后的差别，结合最大信息熵函数的原则来达到图像分割的新算法。

实现了植物细胞图像的自动分割。

1.2 最大模糊熵函数的PCNN图像分割H.D.Cheng等人提出了基于模糊最大熵原则的多阈值分割。

最大模糊熵准则，就是在灰度空间上搜索一组参数，通过在此参数的确定划分下达到图像分割的目的，类似于最大信息熵。

一般而言，一幅具有[m]个灰度级的灰度图像[I]，其灰度级范围为[l0]，[l1]，[…]，[lm-1]。

各灰度级的概率[P]为：[Pl（lk）=hk， k=0，1，2，…，m-1]设[U=（A1，A2，…，An）]为有限模糊分类级，Zadth提出模糊熵用[H（U）]表示为：[H（U）=i=0m-1μA（li）P（li）log（P（li））]模糊熵的求取中常要选择合适的隶属函数。

对于二值图像分割时，设置[r]为分割的值使得图像分为黑（dark）与白（white）两个集合。

因此，这两个模糊集的隶属函数[μd（k）]，[μw （k）]可分别定义如下形式：[μd（k）= 1，k≤a1-（k-a）2（c-a）×（b-a），acμw（k）= 1，k≤a （k-a）2（c-a）×（b-a）， ac]当[μd（k）=μw（k）=0.5]时，达到最优阈值，其中[k]就是使得图像模糊熵最大时的最优阈值[Topt]。

刘勍等提出了最大超模糊熵结合ULPCNN的方法[6]，一般模糊熵是根据图像的目标与背景区域建立的隶属函数，而超模糊熵是其隶属函数的上、下限建立的函数，它是分割阈值的函数，根据分割阈值的变化而变化，因此其结果比准则函数是最大香农熵和最小交叉熵准则函数的分割具有较好的效果。

由于熵函数比较多，故产生大量结合PCNN图像分割的方法。

张煜东提出的基于二维Tsallis熵的改进PCNN图像分割[7]，不仅修正了动态门限项的下降速度，使得PCNN收敛更快，还利用二维Tsallis熵准则，分割结果与最大香农熵和最小交叉熵相比取得了非常好的效果。

除此之外如：交叉熵[8]、互信息熵[9⁃11]最大香农熵与最小交叉熵结合[12]等在不同的领域都取得了非常好的分割效果，这里主要运用的是熵函数的特性来达到好的分割效果。

但是对于复杂图像利用熵函数未必得到原图像中的信息，对其后续的评价带来影响，所以准确的熵函数的选取值得考虑。

2 基于准则函数的PCNN图像分割由于在使用熵函数进行图像分割时，使用了大量的对数或者指数运算，使运算复杂。

而且，复杂图像中由于各种原因导致背景和目标难以分离且直方图具有多峰性，因此细节难于得到分割，常造成过（欠）分割。

针对以上问题，一些准则函数引入到PCNN图像分割中。

2.1 最大相关准则1995 年，Yen提出最大相关准则[13]，此准则主要是寻找使目标和背景图像的相关性达到最大的阈值且计算量较小。

设[X]是离散的随机变量，且[S=X0，X1，X2，…]，[Pi]表示的是[X=Xi]的概率。

根据图像的统计信息，有目标[O]与背景[B]的相关数分别表示为：[SO（t）=-lni=0t-1PiP（t）2， SB（t）=-lni=tl-1Pi1-P（t）2]准则函数[TS（t）]取[SO（t）]，[SB（t）]之和：最佳阈值分割为[t∗=argmaxTS（t），t∈[0，l]]。

与图像的熵类似，当相关数[TS（t）]越大，说明得到的图像与原图像越相近，分割的效果也越好。

邓灵博提出了最大相关准则与PCNN相结合的图像分割算法，并应用到红外图像的分割中，得到非常好的效果[14]。

聂仁灿等在图像分割时，先对图像进行预处理，后利用最大相关准则来控制PCNN迭代的次数的图像分割，使分割结果更为精确[15⁃17]。

2.2 基于类内最小离散度准则类内离散度表示的是图像中各个灰度值之间的相似程度，类内离散度越小，说明各部分的灰度值越相近，因此分割的效果会越明显。

根据图像的像素特性，把图像分为两个大类[C0]和[C1]，其中[μ0]代表[C0]类的像素灰度均值，[μ1]代表[C1]类的像素灰度均值，定义其离散度为：[Dk=k类|X（i，j）-μk|，k=0，1]，则图像的类内离散度为：[D=D1+D2]。

齐永锋等利用类内最小离散度准则与PCNN相结合对图像进行分割，计算目标与背景的类内离散度，得到很好的效果[18]。

目前还有利用类间方差准则[19]、最大方差比准则[20]、类内最小散度类间最大方差相结合[21]等等结合PCNN对图像进行分割，都取得了不错的结果。

3 基于模型中参数调整的PCNN图像分割传统的PCNN图像分割时，采用的是人工调整的方法，不仅耗费人力还有时间，所以为了能够在进行图像分割时，自动的调整参数，省去人工的麻烦，参数调整方法得到了大量的研究。

主要针对参数设置有两种，一种是参数自动调整，另一种是无需参数调整方法。

3.1 参数自动调整针对传统PCNN图像分割的劣势，参数自动调整方法得到了如下的研究：首先是基于智能算法对参数优化的图像分割最早得到研究。

如基于遗传算法[22]、微粒群算法[23⁃24]、微分进化算法[25⁃26]、量子粒子群算法[27]、文化算法[28]、克隆选择算法[29]、人工蜂群算法[30]都达到自动分割的效果。

贾时银等人提出各向异性扩散特性和遗传算法相结合的分割程序[31]，利用具有保护图像边缘作用的各向异性扩散特性确定模型的链接权值参数，用遗传算法求解模型的链接强度参数和衰减阈值参数，从而实现图像分割的目的。

赵峙江等人通过对灰度⁃信息量直方图的分析，提出了估算PCNN时间衰减参数的自适应算法，算出网络的时间衰减参数[32]，以最少的迭代次数获取最佳分割，有效的控制了系统运算量。

还有基于图像本身空间和灰度特性和模糊特性[33]的PCNN图像分割，其效果优于传统的OSTU方法。

杨娜等人利用神经网络中的Hebb学习规则对脉冲耦合神经网络模型的链接权值矩阵进行更新，然后利用图像局部区域的均方差自适应确定神经元链接强度系数，应用于运动车辆图与传统 PCNN分割算法相比，车牌区域分割清晰边缘信息保存完好[34]。

除此之外，还有基于模型的理论推导，完成参数的自动设置，表现出了很好的鲁棒性[35]。

3.2 无需参数调整针对无需参数调整的PCNN图像分割中，在以往提出的经典解决方法大多需要预设一个较高的迭代次数，且部分依靠参数设定，严冬梅设计了一种仅需 2次迭代，参数设置自适应于图像统计特征的 PCNN图像分割算法该方法的分割结果明显优于基于图像最大熵结合PCNN图像分割的方法[36]。

顾晓东等采用基于单元链接脉冲耦合神经网络（Unit⁃Linking PCNN）模型，此方法不仅能实现自动分割还无需考虑PCNN中的参数的选取[37]。

在运用PCNN进行图像分割时，参数的选取直接会影响到分割效果的好坏，因此关于参数的自动选取和无需参数的调整尤为重要。

4 基于改进的PCNN图像分割PCNN进行图像分割时不仅仅基于参数的选取和结合准则函数，PCNN本身模型的改进也得到广泛的研究。

Stewart等为了体现模型的本质，对模型进行了改进[38]。

马义德等针对Stewart 模型进行了讨论并改进，验证了模型的实用性和正确性[39]。

从对模型的改进理论上来看，苗军等人的基于区域增长的PCNN图像分割也取得了好很好的效果[40]。

严春满等人提出的基于双层PCNN模型实现图像分割，双层PCNN的前级以简化PCNN模型为基础，获得区域生长的种子，后级采用区域生长机制，征募区域内灰度相似像素，完成前级种子的生长[41]。

在改进的PCNN模型进行图像分割中，除结合区域特性的分割外还包括如：彭真明等人利用并行点火的PCNN模型进行图像分割，解决了受光照影响灰度均匀缓慢变化的图像分割难题[42]。

石美红等人摒弃了原有脉冲耦合神经网络模型中的时间指数下降机制，利用灰度直方图的知识直接获得PCNN的分割门限，同时保留了弥补空间罅隙和灰度微小变化的优点[43]。

使分割得到的目标区域更加完整。

张军英等人根据象素及其周边区域的信息量大小发放不同值的脉冲，从而自适应地将图像分为多个不同等级的高低信息区域，较好地仿真了人类视觉系统特性[44]。