论文部分内容阅读
[摘 要]针对阈值图像分割方法由于目标亮度分布不均和噪声的影响容易从产生图像欠分割的问题，提出了一种基于PCNN模型改进的阈值图像分割方法。该方法在获得合理的分割阈值的基础上，引入PCNN模型并对阈值分割后的图像进行处理，利用PCNN模型点火机制激发已点火的像素点邻近像素且灰度相似的像素点点火，从而完成对图像目标的提取。通过实验图像分割结果表明，该方法思路能够取得较好的图像分割效果，对阈值分割是比较好的补充。
[关键词] PCNN 阈值分割 图像分割
中图分类号：TP752 文獻标识码：A 文章编号：1009-914X（2016）03-0357-01
1 引 言
图像分割是指根据图像性质特征（灰度、形状、纹理等）的相似性或差异性将图像划分为若干个性质互不交叠的区域，以便提取感兴趣目标的部分。目前，图像分割算法中在文本图像处理、红外图像分析、细胞图像处理、工业无损检测等邻域中得到广泛应用的是基于图像灰度特征的阈值分割方法。它是根据某种算法确定待分割图像的阈值并作为分割的界限，然后根据像素的灰度级将图像分割为背景和目标。为了得到图像最优的分割阈值，研究者采用不同的图像信息构造分割准则，提出了大量成熟有效的图像阈值分割方法。由于一些图像目标亮度分布不均匀，阈值分割就可能产生图像欠分割的现象。因此，根据图像分割阈值如何合理有效地提取出目标是一大问题。
脉冲耦合神经网络模型（PCNN）能够很好地解决目标内部有较小的灰度变化或空间不连贯的问题，同时也具有很好的抗噪特性。由于PCNN模型参数较多，很多学者[1-2]提出了简化的PCNN模型应用于图像分割，其中大部分算法多是先利用PCNN模型进行迭代分割，然后选取评价准则[ 1-2]等来作为图像分割的终止条件。这些方法能够取得比较好的分割效果，但面临算法复杂度高和需要与阈值分割算法结合的问题。因此，PCNN模型在实际图像分割应用中就面临着局限性。
考虑以上问题，本文提出图像分割阈值结合简化PCNN模型图像分割方法。首先通过阈值分割算法得到图像最优分割阈值，将目标像素点设定为点火状态；再利用PCNN模型对与已点火神经元空间邻近、灰度相似的神经元同步发放脉冲来完成图像的自动分割。这个方法能够有效地提取出图像亮度分布不均的目标，对阈值分割方法是比较好的补充。
2 脉冲耦合神经网络模型（PCNN）及原理
PCNN神经元模型是一种新型神经网络，它是在1990年Eckhorn提出的链接模型[3]基础上得到的构成的。PCNN网络模型是由很多神经元组成的局部链接模型，标准模型如图1所示。PCNN神经元模型主要由三部分构成：接受部分、调制部分和脉冲发生部分。
PCNN神经元模型中接受部分接受临近神经元的和外部的输入，然后将其通过两条通道传输：F通道和L通道，其中F通道一般是外部输入信号，L通道一般是临近神经元的链接输入信号。调制部分对来自F通道的信号和L通道的信息进行相乘调制得到内部活动状态项。脉冲发生部分则是根据神经元的阈值与内部活动状态项进行对比，当神经元的阈值低于状态项时神经元就会输出脉冲（即点火）。
图像分割过程中，将每个像素点看成一个神经元，图像就是由很多个相互链接的神经元组成的神经元矩阵。由于神经元的链接特性，处于点火状态的神经元会激励其邻域内任何一个未点火的而且像素灰度级相似的神经元同步点火并且逐步向外传播。通过调节神经元的链接强度可以完成对图像不同层次的分割，因此，PCNN模型在图像分割中能够解决目标内部灰度不均匀的问题，这也是使分割后的图像保持完整的原因。
3 简化PCNN分割模型
为了便于PCNN分割图像，本文将对原始PCNN如下简化：
1、F通道的输入值设定为对应像素点的亮度值；
2、L通道的输入值即邻域点火情况，若单位邻域内出现神经元点火情况其信号值为1，若无神经元点火情况则为0；
3、采用单位链接模型，即只考虑像素点邻域内8个点的链接情况，只接受邻域的神经元点火信息。
本文简化PCNN模型连接参数的确定采用的是Kuntimad[4]提出的一种方法，而动态阈值的确定则取决于邻域内的平均灰度值。
4 实验结果与分析
为了检验本文算法对亮度分布不均的目标提取的有效性，实验以显微细胞图像为例。图2为原始细胞图像，可以明显观察到细胞内部亮度分布不均的特点。图3为采用基于过渡区域阈值分割方法[5]的结果，可以看到很多细胞都出现了缺失和不完整的现象。图4为采用简化的PCNN神经模型对图3的基础上进行实验，分割的目标大多完整，细胞连续性也较好，但仍然极小部分细胞存在分割得不完整的现象。
5 结论
本文提出了一种基于简化的PCNN模型改进的阈值图像分割方法，该方法可以很好地改善阈值分割中易出现分割不完整的问题。在本文图像分割思路中，首先需要针对图像类型选定好的阈值分割方法，这样才能保证图像分割的结果；其次，PCNN模型中如何确定合理的参数也是需要考虑的问题。因此，应用过程中需要从求取准确的阈值和PCNN模型参数选取两方面进行完善，同时也需要考虑噪声的影响。
参考文献
[1] 顾晓东，张立明，余道衡.用无需选取参数的Unit-liking PCNN进行自动图像分割[J].电路与系统学报， 2007，12（6）.
[2] 周东国，高潮，郭永彩.一种参数自适应的简化PCNN图像分割方法[J].自动化学报，2014，40（6）.
[3] R Eckhorn， H J Reitborck. Feature linking via synchronization among distributed assemblies： Simulation of results from cat cortex[J].Neural Computation，1990，2（3）：293-307.
[4] Kuntimad G， Ranganath H S. Perfect image segmentation using pulse coupled neural network[J].IEEE Transactions on Neural Networks，1999，10（3）：591-598.
[5] 冯涛.基于局部复杂度的图像过渡区处理研究[J].中国图像图形学报，2008，13（10）.
[关键词] PCNN 阈值分割 图像分割
中图分类号：TP752 文獻标识码：A 文章编号：1009-914X（2016）03-0357-01
1 引 言
图像分割是指根据图像性质特征（灰度、形状、纹理等）的相似性或差异性将图像划分为若干个性质互不交叠的区域，以便提取感兴趣目标的部分。目前，图像分割算法中在文本图像处理、红外图像分析、细胞图像处理、工业无损检测等邻域中得到广泛应用的是基于图像灰度特征的阈值分割方法。它是根据某种算法确定待分割图像的阈值并作为分割的界限，然后根据像素的灰度级将图像分割为背景和目标。为了得到图像最优的分割阈值，研究者采用不同的图像信息构造分割准则，提出了大量成熟有效的图像阈值分割方法。由于一些图像目标亮度分布不均匀，阈值分割就可能产生图像欠分割的现象。因此，根据图像分割阈值如何合理有效地提取出目标是一大问题。
脉冲耦合神经网络模型（PCNN）能够很好地解决目标内部有较小的灰度变化或空间不连贯的问题，同时也具有很好的抗噪特性。由于PCNN模型参数较多，很多学者[1-2]提出了简化的PCNN模型应用于图像分割，其中大部分算法多是先利用PCNN模型进行迭代分割，然后选取评价准则[ 1-2]等来作为图像分割的终止条件。这些方法能够取得比较好的分割效果，但面临算法复杂度高和需要与阈值分割算法结合的问题。因此，PCNN模型在实际图像分割应用中就面临着局限性。
考虑以上问题，本文提出图像分割阈值结合简化PCNN模型图像分割方法。首先通过阈值分割算法得到图像最优分割阈值，将目标像素点设定为点火状态；再利用PCNN模型对与已点火神经元空间邻近、灰度相似的神经元同步发放脉冲来完成图像的自动分割。这个方法能够有效地提取出图像亮度分布不均的目标，对阈值分割方法是比较好的补充。
2 脉冲耦合神经网络模型（PCNN）及原理
PCNN神经元模型是一种新型神经网络，它是在1990年Eckhorn提出的链接模型[3]基础上得到的构成的。PCNN网络模型是由很多神经元组成的局部链接模型，标准模型如图1所示。PCNN神经元模型主要由三部分构成：接受部分、调制部分和脉冲发生部分。
PCNN神经元模型中接受部分接受临近神经元的和外部的输入，然后将其通过两条通道传输：F通道和L通道，其中F通道一般是外部输入信号，L通道一般是临近神经元的链接输入信号。调制部分对来自F通道的信号和L通道的信息进行相乘调制得到内部活动状态项。脉冲发生部分则是根据神经元的阈值与内部活动状态项进行对比，当神经元的阈值低于状态项时神经元就会输出脉冲（即点火）。
图像分割过程中，将每个像素点看成一个神经元，图像就是由很多个相互链接的神经元组成的神经元矩阵。由于神经元的链接特性，处于点火状态的神经元会激励其邻域内任何一个未点火的而且像素灰度级相似的神经元同步点火并且逐步向外传播。通过调节神经元的链接强度可以完成对图像不同层次的分割，因此，PCNN模型在图像分割中能够解决目标内部灰度不均匀的问题，这也是使分割后的图像保持完整的原因。
3 简化PCNN分割模型
为了便于PCNN分割图像，本文将对原始PCNN如下简化：
1、F通道的输入值设定为对应像素点的亮度值；
2、L通道的输入值即邻域点火情况，若单位邻域内出现神经元点火情况其信号值为1，若无神经元点火情况则为0；
3、采用单位链接模型，即只考虑像素点邻域内8个点的链接情况，只接受邻域的神经元点火信息。
本文简化PCNN模型连接参数的确定采用的是Kuntimad[4]提出的一种方法，而动态阈值的确定则取决于邻域内的平均灰度值。
4 实验结果与分析
为了检验本文算法对亮度分布不均的目标提取的有效性，实验以显微细胞图像为例。图2为原始细胞图像，可以明显观察到细胞内部亮度分布不均的特点。图3为采用基于过渡区域阈值分割方法[5]的结果，可以看到很多细胞都出现了缺失和不完整的现象。图4为采用简化的PCNN神经模型对图3的基础上进行实验，分割的目标大多完整，细胞连续性也较好，但仍然极小部分细胞存在分割得不完整的现象。
5 结论
本文提出了一种基于简化的PCNN模型改进的阈值图像分割方法，该方法可以很好地改善阈值分割中易出现分割不完整的问题。在本文图像分割思路中，首先需要针对图像类型选定好的阈值分割方法，这样才能保证图像分割的结果；其次，PCNN模型中如何确定合理的参数也是需要考虑的问题。因此，应用过程中需要从求取准确的阈值和PCNN模型参数选取两方面进行完善，同时也需要考虑噪声的影响。
参考文献
[1] 顾晓东，张立明，余道衡.用无需选取参数的Unit-liking PCNN进行自动图像分割[J].电路与系统学报， 2007，12（6）.
[2] 周东国，高潮，郭永彩.一种参数自适应的简化PCNN图像分割方法[J].自动化学报，2014，40（6）.
[3] R Eckhorn， H J Reitborck. Feature linking via synchronization among distributed assemblies： Simulation of results from cat cortex[J].Neural Computation，1990，2（3）：293-307.
[4] Kuntimad G， Ranganath H S. Perfect image segmentation using pulse coupled neural network[J].IEEE Transactions on Neural Networks，1999，10（3）：591-598.
[5] 冯涛.基于局部复杂度的图像过渡区处理研究[J].中国图像图形学报，2008，13（10）.