[發明專利]基于簡化型脈沖耦合神經網絡的邊緣提取方法

無效

• 申請號: 200910050360.1
• 申請日: 2009-04-30
• 公開（公告）號: CN101546430A
• 公開（公告）日: 2009-09-30
• 發明（設計）人: 肖至恒;施俊;常謙
• 申請（專利權）人: 上海大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/063
• 代理公司: 上海上大專利事務所(普通合伙)
• 代理人: 何文欣

技術領域

本發明涉及一種基于簡化型脈沖耦合神經網絡(SPCNN—Simplified?Pulse?CoupledNeural?Network)的圖像分割方法。

背景技術

脈沖耦合神經網絡(PCNN—Pulse?Coupled?Neural?Network)是一種不同于傳統人工神經網絡的新型神經網絡。它有著生物學的背景，是依據貓、猴等動物的大腦視覺皮層上的同步脈沖發放現象提出的數學模型，它應用于圖像分割能較好的處理分割圖像目標和背景受噪聲污染的情況。

圖像分割技術是計算機視覺中重要的研究內容，分割效果的好壞直接影響圖像的后續分析。由于超聲束散射回波相互干擾產生的Speckle噪聲影響了超聲圖像的細節顯示能力，以及超聲圖像對比度和紋理特性等問題，使得準確有效的進行超聲圖像分割存在一定的困難，難以獲得滿意的效果。臨床應用中的超聲成像系統廣泛使用的分割方式是基于醫生的手動分割方法。但是繁重的工作量和冗長的時間往往使得醫生和病人都難以接受，同時容易導致誤診。

傳統的超聲圖像分割方法分為基于邊緣檢測的方法和基于區域生長的方法。基于邊緣檢測的分割方法是通過檢測相鄰像素的突變性來獲得不同區域之間的邊緣。邊緣點的判定是基于所檢測點的本身和它的一些鄰點，主要包括局部微分算子，如Roberts算子、Sobel算子和Canny算子等。邊緣檢測方法獲得的邊緣信息往往會因這些信息突出而產生間隙，不能形成包圍物體的封閉曲線，同時對噪聲較大的圖像會產生較多的偽邊緣。基于區域生長的方法是依據區域內部的均勻性實現圖像的分割。區域生長需要先確定一個種子點，根據圖像的紋理特征以及種子點的特征向量空間識別同質區域，方法對圖像的質量，特別是同一物體內部的灰度均勻性要求較高。主動輪廓模型(ACM)能夠用一組偏微分方程的形式表達連續的分割對象邊界，它是一類面向自動化分割的圖像分割方法，成為目前圖像分割研究的主流方法之一。其主要分為參數主動輪廓模型(PACM)和幾何主動輪廓模型(GACM)。參數活動輪廓模型PACM的研究又稱為snake模型，通過使用適當的內部能量函數和外部能量函數來控制輪廓曲線的運動，以達到分割圖像的目的。其優點是保證所檢測邊緣的連續性和閉合性，缺點是初始化點數較多且需要在實際目標邊緣的附近進行初始化，易陷入局部極值和能量函數較難給出等問題。水平集是幾何形變模型在圖像應用中的一種模型，其在圖像分割中得到了廣泛的應用，但是由于超聲圖像噪聲太大等原因，模型運行速度難以設定，而且終止條件難以給定。目前出現許多的研究PCNN改進與簡化的算法，但本質上沒有改變模型的迭代原理，對處理噪聲干擾的圖像依然存在著模型抗噪性能不佳和的運行速度慢等問題。

PCNN有生物學依據，是對高級哺乳動物的視覺仿生，在圖像處理方面有廣泛的應用。從圖像處理的角度來看，PCNN傳統模型存在一些實際應用上的局限性，如神經元相互間存在大量的反饋連接、網絡系數難以確定、運行速度慢等問題，使對神經網絡的具體運作進行數學分析變的比較困難。而且醫學超聲噪聲受斑點噪聲的影響嚴重，即使使用了濾波預處理，得到的處理圖像不能完全去除斑點噪聲。因此，如何簡化模型參數，加快運行速度，同時使模型具有抗噪性能是需要研究的問題。

發明內容

本發明的目的在于針對現有超聲圖像分割技術存在的不足，提供一種基于簡化型脈沖耦合神經網絡的邊緣提取方法。該方法能提高圖像感興趣區域的邊緣提取質量、加快邊緣提取速度，達到較理想的處理效果。

為達到上述目的，本發明的構思是：

本發明對具有神經生理學背景的PCNN進行簡化改進，利用改進后SPCNN進行分割策略設計。由于超聲圖像受強噪聲干擾和紋理特征的影響，利用SPCNN的脈沖傳播特性分割出感興趣區域，最后經過數學形態學處理提取區域邊緣。

根據上述發明構思，本發明采用下述技術方案：

一種簡化型脈沖耦合神經網絡的邊緣提取方法，其特征在于操作步驟為：

(1)對讀取的灰度圖像采用SPCNN的分割策略進行分割，得到一幅二值分割圖像。

(2)采用數學形態學策略提取區域邊緣。

上述的基于簡化型脈沖耦合神經網絡的邊緣提取方法，其特征在于所述的基于SPCNN模型的分割策略是根據單次迭代后神經元網絡產生脈沖點火圖的選取。在SPCNN模型的基礎上，若干個SPCNN神經元相互連接成SPCNN網絡，圖像中每個像素點與神經元一一對應，單次迭代后像素點即可標定為點火或不點火。

上述的基于SPCNN的分割策略主要包括如下步驟：