[發明專利]基于PSO和綜合評價準則的PCNN圖分割方法及裝置

有效

• 申請號: 201711096399.8
• 申請日: 2017-11-09
• 公開（公告）號: CN108038859B
• 公開（公告）日: 2022-01-18
• 發明（設計）人: 張坤華;譚志恒;李斌
• 申請（專利權）人: 深圳大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/00;G06N3/08
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 王永文;劉文求

本發明提出了基于PSO和綜合評價準則的PCNN圖分割方法及裝置，在采用單調遞增閾值搜索策略PCNN改進模型的基礎上，提出以綜合評價準則作為PSO的適應度函數，準確搜索出PCNN目標參數。該綜合評價準則在利用最小交叉熵準則保證整體正確分割結果的同時，加入邊緣匹配度，控制神經元像素沿著邊緣紋理同步點火，保留更多細節，并使用噪點控制來保證分割圖像的區域平滑性，提高抗噪能力，最終得到兼顧目標整體輪廓及紋理細節的理想分割結果。分割圖像在綜合評價和通用綜合指標上均達到最優，客觀評價結果與視覺主觀評價相一致，算法具有較高的魯棒性。

技術領域

本發明涉及圖像處理技術領域，尤其涉及基于PSO和綜合評價準則的PCNN圖分割方法及裝置。

背景技術

1990年，Eckhorn等人通過研究貓的大腦皮層視覺區神經元的內部機理，提出了一種具有同步脈沖發放特性的脈沖耦合神經網絡(即Pulse Coupled Neural Network，簡記為PCNN)；此后，Johnson等人用電路的理論解釋了PCNN并將其改進成為適合于圖像處理的模型。由此PCNN模型廣泛應用于圖像處理領域，尤其是圖像分割領域。其中馬義德等通過信息熵準則確定PCNN循環迭代次數實現圖像分割，劉勍等對PCNN模型進一步簡化，通過最小交叉熵準則得到分割圖像，趙峙江等運用連通域計算的邊緣統計準則確定PCNN循環迭代次數進行圖像分割。

由于PCNN模型參數眾多，前述方法中多數參數都是通過經驗設定，對于不同的輸入圖像，需重新設定PCNN模型參數，然而僅憑經驗人工設定既低效又繁瑣。因此，眾多文獻開始研究PCNN模型的改進及參數的自適應設定，優化算法逐漸被引入。

鄭欣等利用圖像局部活躍度指標實現PCNN模型關鍵參數的自適應設定及圖像分割。Chen Yuli等利用簡化PCNN神經元動態特性和輸入圖像靜態屬性的直接聯系對PCNN參數進行自適應設定得到一種圖像自動分割方法。曲仕茹等將遺傳算法運用于PCNN圖像分割，實現參數的尋優設定。吳俊等提出了一種聯合蟻群算法與簡化PCNN結合的腦部核磁共振圖像分割方法。Tan Wengchun等將改進的PCNN模型與PSO算法結合，以互信息作為分割準則，實現精子圖像檢測分析。

相比于其他優化方法，PSO算法無需編碼，沒有交叉和變異操作，原理清晰，參數更少，能更快地收斂到最優解，更適合應用在高效的圖像分割操作。但現有這些運用優化算法進行PCNN參數自適應設定的圖像分割方法中，分割評價準則基本都是單一的，僅采用熵，類間差，或者互信息等。單一準則對于分割結果評價相對片面，不夠具體和完整，難以有效利用PCNN的有利特性。

因此，現有技術還有待于改進和發展。

發明內容

鑒于上述現有技術的不足之處，本發明的目的在于提供基于PSO和綜合評價準則的PCNN圖分割方法及裝置，旨在解決現有技術中運用優化算法進行PCNN參數自適應設定的圖像分割方法中，分割評價準則基本都是單一的，而單一準則對于分割結果評價相對片面，不夠具體和完整，難以有效利用PCNN的有利特性的問題。

為了達到上述目的，本發明采取了以下技術方案：

一種基于PSO和綜合評價準則的PCNN圖分割方法，其中，所述方法包括以下步驟：

S1、輸入初始待分割圖像，將初始待分割圖像經邊緣處理后進行粒子群初始化；

S2、獲取粒子群的當前位置參數，并根據預設的PCNN改進型模型獲取粒子群的每一粒子的綜合評價值，并根據每一粒子的綜合評價值獲取與每一粒子對應的個體最優位置、及整個粒子群最優位置；

S3、將粒子的個體最優位置、及整個粒子群最優位置帶入預設的PSO算法，得到每一粒子的下一代更新速度以及更新后的位置；