基于SOFM融合的亮度不均图像分割方法*

杨 睿 张荣文 付 军

(91550部队93分队 大连 116023)



基于SOFM融合的亮度不均图像分割方法*

杨 睿 张荣文 付 军

(91550部队93分队 大连 116023)

提出了一种新的基于SOFM融合的亮度不均图像分割方法。首先利用基于SOFM网络求取最佳曝光值,然后在此曝光值附近选取两个曝光值获取两幅图片;再对各图片进行基于双向加权序贯平滑的二值化;最后将二值化后的图像进行基于SOFM的融合,这样就完成了亮度不均图像的分割。此方法分割能够很好地保持目标图像原有形态,噪声小,为亮度不均图像的分割提出了一种新的思路。

SOFM; 融合; 亮度不均; 图像分割

Class Number TP391.41

1 引言

在光学图像判读中,图像的细节有时对试验结论的判定起决定性作用。但由于受客观条件的限制不能保证图像亮度均匀,给后续图像处理中带来极大的不便。图像处理时不增大曝光量,能够保证较亮区域清晰成像,但是处于较暗区域的细节就无法看清,造成丢失原始信息;如果增大曝光量,处于较暗区域的细节能够得以识别,但是会使得本身处于较亮区域的图像无法识别[1～2]。对这样的图像的分割若采用常规的分割方法不会获取良好的效果,对后续的图像识别等造成了严重的影响[3],所以这里提出了一种基于SOFM融合的分割方法来分隔亮度不均图像。为阐述问题方便,选取粘胶长丝的纤维断面的图像处理进行说明。

SOMF神经网络[4]是一种无监督地进行自组织学习的神经网络模型。该网络模型认为网络在接收外界输入时,将对不同的模式产生不同的敏感区。当外界输入不同的样本时,通过在输出层的竞争,形成了一些神经元,分别代表各类输入样本,反映输入样本特征,从而使无规则的输入在输出层自动排序。

基于SOFM融合的分割方法为:

1) 利用SOFM神经网络获取图像的最佳曝光值,在这个曝光值领域选取两个曝光值,用每个曝光值分别获取一幅图片;

2) 将所有获取图像进行基于双向加权序贯平滑的二值化;

3) 对获取源图像进行基于Shannon熵准则进行融合;

4) 融合后依据SOFM神经网络所求取的阈值对二值图像进行融合。

2 基于SOFM神经网络的曝光控制

SOFM神经网络模型如图1所示。

图1 SOFM网络模型

设输入层神经元数为p,竞争层由n×n个神经元组成且构成一个二维平面阵列。输入层与竞争层之间为全连接,有时竞争层各神经元之间还实行侧抑制连接。网络中有两种连接权值,一种是神经元对外部输入反应的连接权值,另一种是神经元之间的连接权值,它的大小控制着神经元之间的交互作用的大小[5]。设输入矢量X为

X=[X1,X2,…,Xp]T

(1)

输入层与输出层神经元j相应的权值矢量Wj记为

Wj=[wj1,wj2,…,wjp]T,j=1,2,…,N

(2)

确定获胜输出层神经元,相当于选择权值矢量Wj与输入矢量X最为匹配的输出层神经元。也就是选取权值矢量距离输入矢量有最小欧氏范数值的输出层神经元作为获胜神经元。

曝光时间的控制对获取高质量纤维图片有着很重要的意义。曝光量太小,处于边缘的纤维将无法成像;曝光量太大,纤维切片中心部分出现大面积粘结。为了控制最佳的曝光量,这里设计了一个SOFM神经网络。在训练时,首先将图像划分为8个区域。为了消除背景的影响,可以通过寻找纤维切片的边界,定位出纤维切片的中心。此中心点的坐标为

(3)

其中:x和y分别为中心点x轴和y轴坐标,M为边界点数目,xi和yi分别为第i个边界点x轴和y轴坐标。以此中心点为中心分别以相隔45°角将图像分为八个部分,将图像每个区域的平均亮度值、亮度偏差、亮度最小值以及亮度最大值作为神经网络的输入单元;输出神经元的个数取决于训练神经网络所得到的曝光值,这里神经网络的输出元个数选10;隐含层神经元个数选20。

在训练时,若总均方误差MSE最小,则结束。总均方误差MSE可以表示为[6]

(4)

其中,Q表示表示事例个数,M为输出向量的个数,yj是第j维神经元的输出量。

网络训练完毕后,采集图像并进行分块,分块后将各特征量输入网络求取曝光值。将所获得的曝光值作为中心值,在其邻域另选取两个值,用这两个曝光值分别曝光获取两幅图像。图2是在较大曝光量和较小曝光量下获取的两幅图像。

图2 获取的纤维断面图像

3 基于双向加权序贯平滑的二值化方法

图像分割是区分物体与背景、不同物体、物体的不同表面、具有不同特性区域的基本手段。对于亮暗不均匀图像的分割不能整体使用某一固定阈值分割,在这里首先对获取图像进行双向加权序贯平滑[7～8],平滑算法可以表示为

g(x,y)=ag(x-1,y)+(1-a)g(x,y);

x从0到xmax

(5)

g(x,y)=ag(x+1,y)+(1-a)g(x,y);

x从xmax-1到0

(6)

g(x,y)=ag(x,y-1)+(1-a)g(x,y);

y从0到ymax

(7)

g(x,y)=ag(x,y+1)+(1-a)g(x,y);

y从ymax-1到0

(8)

其中,xmax和ymax分别为两坐标的最大值,a为平滑因子,取值范围为0～1。依次按照式(5)～式(8)对源图像进行平滑,设平滑后图像为g1(x,y)。

将平滑后的的图像g1(x,y)的每一点灰度值作为源图像在此点的动态阈值,以此阈值对源图像进行分割。此阈值分割方法算法简单,计算速度很快,同时分割效果很好。当平滑因子a的值较小时能够获得很完整的纤维截面形态图像,但是会带来很多噪声点;增大a的值,有滤波的效果,可以减小噪声,但是同时使得纤维断面间出现粘结现象,经试验我们选取a=0.75为最佳值。用此方法将获取的图像分别进行二值化,接着采用以下方法对二值图像进行融合。

4 基于SOFM神经网络的阈值求取

在求取阈值中,重新设计一个SOFM神经网络,假设有一幅M×N数字图像,在进行图像灰度值分类时,首先把图像分成k=l×l尺寸的子图像,按行或按列转换为l2×1维列矢量,这样就构成了分类器的输入矢量空间X;然后按失真度最小原则把灰度值分成G类,构成分类器的类空间Y。每个类是k维矢量,在得到类yi后,分别把其分量相加求其平均值,即:

(9)

其中yij表示类yi的第j维分量。统计出类yi在输入矢量空间X中的个数numi,然后计算第一阈值T1:

(10)

求得第一阈值T1后,再采用循环迭代方法求第二阈值T2。两次迭代后获取误差小于一定值时,结束迭代计算,T2即为所求。

5 基于融合技术的图像分割方法

阈值求取后,按照Shannon熵准则对源图像进行融合。Shannon熵[9]是美国数学家Shannon提出的灰度信息量的方法,可以表示为

(11)

其中,P(i)为像素值为i的像素出现的频率,N是像素的最大值。若E(x,y)的第x行中有边缘点,则对各源图像在第x行的边缘点间每一段分别求熵,选择熵值最大的图像的像素段作为融合图像的像素值;若E(x,y)的第x行中无边缘点,则对第x行整行求熵,选择熵值最大图像的一行像素作为融合图像的像素值。

设融合后图像为h(x,y),将融合后图像作为SOFM神经网络的输入来求取阈值T2。假设较小曝光量下获取图像二值化后为f1(x,y),较大曝光量下获取图像二值花后为f2(x,y)融合后二值图像为f(x,y)则二值化图像融合方法为

(12)

按照式(12)融合后将会得到最后的分割图像。

6 结果分析

为了验证本方案的效果,对以上获取的粘胶长丝断面图像进行了基于SOFM融合的分割,分割效果为图3(a),同时采用最大类间方差法见图3(b),文献[10]和文献[11]的方法对源图像进行分割,分割效果为图3(b)～图3(d)。

从图3(a)中可以看出,基于SOFM融合的分割方法效果很好,能够较准确的对图像进行分割,同时边缘纤维图像完整;而采用其他的分割方法,对图像进行分割后,图像信息丢失严重。此方法可以作为纤维计数的前处理方法,能够准确地构建纤维信息,从而能够准确地对纤维进行计数等,同时此方法也为明暗不均图像的分割提供了一种思路。

7 结语

图像的亮度不均对图像的判读有很大的影响,会影响到试验数据的获取,甚至影响试验结果的判定,许多研究人员在该领域进行研究,并提出了解决方法。文中提出的基于SOFM网络求取最佳曝光值,然后对各图片进行基于双向加权序贯平滑的二值化,最后将二值化后的图像进行基于SOFM的融合分割方法,能够很好地保持被处理图像的原有形态,噪声较小,可以在很大程度上解决该类图像的处理问题,在该领域内有较高的应用价值。

[1] 李星华,王伟霞.对单丝不足粘胶长丝的排查方法[J].人造纤维,2007,37(5):34.

[2] 张立强.红外图像增强技术研究[J].舰船电子工程,2013,33(3):17-19.

[3] 盛元平.红外图像处理系统的方案设计[J].舰船电子工程,2014,34(5):100-105.

[4] MARNIF, ZUPAN J, ANTONOL. Magri Class-modeling using Kohonen artificial neural networks[J]. Analytica Chimica Acta,2005,544(1):2.

[5] 潘梅森,荣秋生.基于SOFM神经网络的图像融合二值化方法[J].光学精密工程.2007,15(3):401-406.

[6] Nikos C S, Grorge S, George K K. New results for the shannon channel capacity in generalized fading channels[C]//IEEE Communication Letters,2005:97-99.

[7] 陈燏,张新荣,朱轶伟,等.多层次分割实现微小尺寸实时测量[J].光电工程,2005,32(2):64-66.

[8] 罗三定.基于机器视觉的分钢关键技术研究及其应用[D].长沙:中南大学,2006.

[9] Goshtasby A A. Fusion of multi-exposure images[J]. Image and Vision Com-putting,2005(23):611-618.

[10] 蒋加伏,赵嘉,胡益红.一种基于支持向量聚类的图像分割方法[J].计算机工程与应用,2009,45(30):165-167.

[11] 殷春芳,李正明,孙俊.一种混合遗传算法在图像分割中的应用[J].计算机仿真,2004,21(8):158-160.

Segmentation of Ununiformity Brightness Image Based on SOFM Network Fusion

YANG Rui ZHANG Rongwen FU Jun

(Unit 93, No. 91550 Troop of PLA, Dalian 116023)

A method of ununiformity brightness image segmentation based on SOFM network fusion is proposed. Firstly, the best exposure value is got and two exposure values near the best exposure value are chosen to get two images using SOFM network. Then, the binarization method based on two-way weighting Sequential smooth is used to segment the two images which are obtained in different light intensity. Lastly, the two binary images based on SOFM fusion. After that, the final segmentation image is obtained. Using this method can record the information of objects accurately. The experimental results show that this method is much better and provides a way to segment the ununiformity brightness images.

SOFM, fusion, ununiformity brightness, image segmentation

2015年6月3日,

2015年7月20日

杨睿,男,硕士,工程师,研究方向:光电检测和图像处理。张荣文,男,硕士研究生,工程师,研究方向:通信工程。付军,男,工程师,研究方向:光学测量。

TP391.41

10.3969/j.issn.1672-9730.2015.12.039