結(jié)合離散熵和自組織神經(jīng)網(wǎng)絡(luò)_SOM_的邊緣檢測方法

1、第29卷第5期2008年5月東北大學(xué)學(xué)報(自然科學(xué)版)JournalofNortheasternUniversity(NaturalScience)Vol 29,No.5May2008結(jié)合離散熵和自組織神經(jīng)網(wǎng)絡(luò)(SOM)的邊緣檢測方法王 坤,高立群,片兆宇,郭 麗(東北大學(xué)信息科學(xué)與工程學(xué)院,遼寧沈陽 110004)摘 要:提出了一種結(jié)合圖像離散熵和自組織神經(jīng)網(wǎng)絡(luò)的邊緣檢測方法 首先,用離散熵選定閾值來分割圖像的平滑區(qū)域和灰度變化劇烈的區(qū)域,用來減少計算量;其次將灰度圖像轉(zhuǎn)化為理想二值像素模式;定義了6個邊緣類型和6個原型向量 將這些邊緣向量作為神經(jīng)網(wǎng)絡(luò)的輸入,通過SOM對其進行邊緣分類從而獲

2、得邊緣圖像 最后將斑點邊緣從邊緣圖像中去除即得到理想的邊緣圖像 實驗結(jié)果表明,與其他的邊緣檢測方法相比獲得了較為理想的邊緣關(guān) 鍵 詞:邊緣檢測;離散熵;閾值;自組織神經(jīng)網(wǎng)絡(luò);斑點噪聲中圖分類號:TP391 文獻標(biāo)識碼:A 文章編號:1005 3026(2008)05 0641 04EdgeDetectionMethodCombingDiscreteInformationEntropywithSelf OrganizingMapWANGKun,GAOLi qun,PIANZhao yu,GUOLi(SchoolofInformationScience&Engineering,Northeaste

3、rnUniversity,Correspondent:WANGKun,E mail:yogo-w)Shenyang110004,China.Abstract:Anedgedetectionmethodisproposedcombiningimagediscreteinformationentropywithself organizingmap(SOM).Athresholdischosenfromsomedifferentinformationentropiestosegmentthesmoothregionfromtheregionwherethegraylevelabruptlychang

4、essoastoreducecomputation.Then,thegraylevelimagesaretransformedintotheidealbinarypatternofpixels.Sixtypesofedgeandsixprototypevectorsaredefined,amongthemthelatteraretakenasinputsintoSOMtoclassifytheedgetypesandthenobtainedgeimagesfromwhichthespecklededgesareremovedtoacquireidealedgeimages.Experiment

5、alresultsshowedthattheedgeimagesgainedbythemethodproposedarebetterthanthosebyotheredgedetectionmethods.Keywords:edgedetection;discreteinformationentropy;threshold;self organizingmap;specklenoise圖像的邊緣包含著豐富的信息,因此圖像的邊緣提取在計算機視覺系統(tǒng)的初級處理中起著關(guān)鍵的作用1 常用的一階微分邊緣檢測方法有Sobel算子、Prewitt算子和Robert算子,它們對噪聲很敏感,去噪能力差,在提取邊

6、緣的同時又會引入噪聲2;基于最優(yōu)化算法的Canny算子信噪比大,檢測精度高但也對噪聲非常敏感3根據(jù)山農(nóng)信息論原理,熵最大時信息量最多 文中首先計算圖像3 3鄰域的熵,然后在這些熵中選擇一個閾值,大于閾值的部分為灰度變化較劇烈區(qū)域,而小于閾值部分為灰度變化平緩區(qū)域 灰度變化較劇烈區(qū)域存在邊緣的可能性比較大,因此接下來對這些區(qū)域進行處理,采用3 3理想二值像素模式來決定邊緣梯度的大小和方向并進行分類 最后通過SOM訓(xùn)練來獲得所需要的理想邊緣 采用神經(jīng)網(wǎng)絡(luò)確定圖像邊緣具有較好的抗噪性能收稿日期:2007 04 12基金項目:國家自然科學(xué)基金資助項目(60274099):王(),;),男,東北大學(xué)教授

7、博士生導(dǎo)師642東北大學(xué)學(xué)報(自然科學(xué)版) 第29卷1 離散信息熵對于二維圖像而言就是熵最大時圖像最清晰 下面為關(guān)于圖像熵的定義:給定一個離散概率分布4:X,Px=xk,pkk=1,2,!,K (1)離散隨機變量X的信息熵定義為H(X)=-性越大,分布越均勻k=13鄰域及可能出現(xiàn)的4個邊緣方向 對方向1,2,3,4來說,中心像素p5與其鄰域間的雙向灰度差值和分別用d1,d2,d3,d4表示,計算公式如下:d1=d2=d3=(2)d4=p4-p5+p3-p5+p2-p5+p1-p5+p6-p5,p7-p5,p8-p5,p9-p5(3)Kpklbpk對于離散隨機變量,熵越大該區(qū)域的不確定對于圖像中

8、的每個像素在其鄰域的4個方向上定義了一個四維向量x=(d1,d2,d3,d4)2 邊緣分類利用像素的3 3理想二值模式來確定邊緣類 首先計算每個3 3鄰域的均值并作為閾值將其分為兩組,和中心像素屬于同一組的用1來代替,其他的用0來代替 這樣可以減少對圖像的平滑濾波和計算復(fù)雜度 圖1為處理過程的一個示例圖2 像素的3 3鄰域及其4個邊緣方向Fig.2 Pixelsandedgedirectionsin3 3neighborhood5根據(jù)這4個方向的二值灰度差值和大小可以將邊緣分為6種類型(4類邊緣、1類背景、1類斑點噪聲) 1類邊緣在1方向的二值灰度差值和為#0而在2,3,4方向上為#1 2類邊

9、緣在2方向的二值灰度差值為#0,而在1,3,4方向上為#1,同理可得到3類和4類邊緣 而背景類在4個方向的二值灰度差值均為#0,斑點噪聲類在4個方向的灰度差值均為#2給定任意一個像素的鄰域都有一個在4個方向上確定的特征向量,如圖3所示 因此對于6種類型的邊緣定義6個原型向量,如表1所示圖1 圖像3 3理想二值模式示例Fig.1 Exampleof3 3idealbinarypatternofpixels(a)原圖像;(b)理想二值模式得到3 3理想二值像素模式后接下來要確定邊緣的方向3,6圖2所示為中心像素p5的3圖3 4種典型邊緣位置Fig.3 Fourtypicaledgeposition

10、s表1 邊緣類型及其原型向量Table1 Edgetypesandtheirprototypevectors邊緣類型類型類型類型類型類型類型0(背景)1(邊緣)2(邊緣)3(邊緣)4(邊緣)5(斑點噪聲)Ci(i=0,1,!,5)C0=(11C1=(01C2=(10C3=(11C4=(11C5=(11101 1)1)1)1)0) )3 自組織特征神經(jīng)網(wǎng)絡(luò)(SOM)自組織特征映射網(wǎng)絡(luò)也稱為Kohonen網(wǎng)絡(luò),它是由芬蘭學(xué)者TeuvoKohonen于1981年提出的,是一種無導(dǎo)師聚類法 SOM將任意維輸入模式在輸出層映射成一維或二維離散圖形,SOM網(wǎng)絡(luò)的每個輸出神經(jīng)元都有一個拓?fù)溧徲?形狀一般為六

11、邊形或矩形,大小隨網(wǎng)絡(luò)迭代步數(shù)逐漸縮1,第5期 王 坤等:結(jié)合離散熵和自組織神經(jīng)網(wǎng)絡(luò)(SOM)的邊緣檢測方法織學(xué)習(xí),輸出層的神經(jīng)元彼此競爭,最后得到一個獲勝神經(jīng)元,以獲勝神經(jīng)元為中心的鄰域中所有神經(jīng)元的連接權(quán)值都會得到相應(yīng)大小的更新,這稱為#勝者為王原則7-8可以用下面的回歸方程(4)和(5)來描述網(wǎng)絡(luò)模式向量的尋找和組織情況 其中,t=1,2,3,!為步進指數(shù);x是一個觀測值;mi(t)是步驟t時第i個節(jié)點的模式向量;c是獲勝指數(shù),是更新函數(shù)的鄰域9-!i,x-mc(t)106433)計算歐氏距離dj,即輸入樣本與每個輸出神經(jīng)元j之間的距離:dj=X-Wj=xi(t)- ij(t)2 i=1

12、(6)并計算出一個具有最小距離的神經(jīng)元j*,即確定出某個單元k,使得對于任意的j,都有dk=min(dj) j4)給出一個周圍的鄰域Sk(t)5)按照式(7)修正輸出神經(jīng)元j及其#鄰接神經(jīng)元的權(quán)值:ij(t+1)= ij(t)+ (t)xi(t)- ij(t) (7)其中, 為一個增益項,并隨時間變化逐漸下降到零,一般取(t)=或 (t)=0 21-(8)t10000 6)計算輸出ok:X-Wjok=fminj(9)*%x-mi(t),(4)mi(t+1)=mi(t)+hc(x),i(x-mi(t) (5)SOM的輸入觀察向量x和網(wǎng)絡(luò)上所有的模式向量相比較,和輸入向量之間具有最小距離的向量被選

13、為獲勝神經(jīng)元,如式(4)所示SOM有9個輸入神經(jīng)元,表示每個像素的8鄰域,6個輸出層對應(yīng)著6個邊緣類型 SOM的簡化模型如圖4所示其中,f( )為0-1函數(shù)或其他非線性函數(shù) 7)提供新的學(xué)習(xí)樣本來重復(fù)上述學(xué)習(xí)過程 3.2 去斑點噪聲對于圖像中的每個像素,如果其為一個或兩個斑點,則將其設(shè)置為黑色背景圖4 簡化的SOM模型Fig.4 SimplifiedmodelofSOM4 仿真實驗結(jié)果本文采用#cameraman圖像來驗證所提出方法的可行性 通過手動調(diào)節(jié)Canny算子的閾值進行邊緣檢測,將得到的結(jié)果與本文方法所得到的結(jié)果相比較手動調(diào)節(jié)Canny算子的參數(shù)Sl,Sh,Sl為低閾值,Sh為高閾值

14、從圖5b圖5d可以看出,當(dāng)Sl,Sh為0.01,0.5時,原圖像中的許多細(xì)節(jié)均未檢測出,它的檢測結(jié)果較差,如圖5b所示;當(dāng)調(diào)節(jié)閾值在0.01,0.05時,得到的是最好的Canny算子邊緣檢測效果,如圖5c所示;本文所提出的方法與圖5c相比較具有更加清晰的邊緣3.1 SOM學(xué)習(xí)過程確定網(wǎng)絡(luò)的輸入和輸出之后,通過SOM來進行分類 SOM的學(xué)習(xí)過程如下:1)初始化 對N個輸入神經(jīng)元到輸出神經(jīng)元的連接權(quán)值賦予較小的權(quán)值 選取輸出神經(jīng)元j個#鄰接神經(jīng)元的集合Sj 其中,Sj(0)表示時刻t=0的神經(jīng)元j的#鄰接神經(jīng)元的集合,Sj(t)表示時刻t的#鄰接神經(jīng)元的集合 區(qū)域Sj(t)隨著時間的增長而不斷縮小

15、2)提供新的輸入模式X=x(t)圖5 無噪聲圖像邊緣檢測結(jié)果Fig.5 Imagedetectingresultswithoutnoisea);(b)Canny(5);(c)0.01,0.)(本文方法644東北大學(xué)學(xué)報(自然科學(xué)版) 第29卷和輪廓,如圖5d所示,可以看出本文方法檢測到了許多很有價值的邊緣(如塔和人臉),并且對較為復(fù)雜的場景沒有檢測出其他冗余的邊緣(如草地)圖6a為含有椒鹽噪聲的原圖像,采用不同參數(shù)的Canny檢測結(jié)果如圖6b,圖6c所示,圖6d為本文方法檢測結(jié)果 從這些圖中可以看出,在有噪聲存在的條件下,本文方法仍然可以得到較好的邊緣圖像 而Canny邊緣檢測方法得到的檢測結(jié)

16、果中存在許多由于噪聲而產(chǎn)生的偽邊緣,許多細(xì)節(jié)部分不能檢測到,并且對于復(fù)雜場景之外的輪廓很難識別出來圖6 含噪聲圖像邊緣檢測結(jié)果Fig.6 Imagedetectingresultswithnoise(a)原圖像;(b)Canny(0.01,0.02);(c)Canny(0.01,0.05);(d)本文方法5 結(jié) 語為了減少計算量,本文首先根據(jù)信息論中的離散圖像熵找到圖像灰度劇烈變化的區(qū)域,然后將灰度圖像轉(zhuǎn)化為像素的理想二值模式,定義6種類型的邊緣和6個原型向量,通過自組織神經(jīng)網(wǎng)絡(luò)(SOM)來對其進行分類以得到圖像邊緣,最后去除掉斑點噪聲邊緣 實驗結(jié)果表明本文提出的方法優(yōu)于不同參數(shù)下的Canny

17、邊緣檢測方法,在噪聲存在的條件下,本文方法取得了比Canny方法更好的檢測效果 參考文獻:123GoesE,JohnsonbaughR,JostS.Patternrecognitionand.imageanalysisM.NY:PrenticeHall,1996:271-282.LiangLR,LooneyCG.CompetitivefuzzyedgedetectionJ.AppliedSoftComputing,2003,36(10):123-137.CannyJ.AcomputationalapproachtoedgedetectionJ.IEEETrans,PatternAnalMach

18、Intell,1986,8(6):679-687.4ZuoJY,ZhaoCH,PanQ,etal.AnovelbinaryimagefilteringalgorithmbasedoninformationentropyC&Proceedingsofthe6thWorldCongressonIntelligentControlandAutomation.NY:IEEE,2006:10375-10379.5KimDS,LeeWH,KweonIS.Automaticedgedetectionusing3 3idealbinarypixelpatternsandfuzzy basededgethresholdingJ.PatternRecognitionLetters,2004,