基于LVQ神经网络脑部CT边缘检测方法的研究

张喜红

(1.亳州职业技术学院，安徽亳州236800；2.山东大学控制科学与工程学院，山东济南250061)



基于LVQ神经网络脑部CT边缘检测方法的研究

张喜红1,2

(1.亳州职业技术学院，安徽亳州236800；2.山东大学控制科学与工程学院，山东济南250061)

摘要：研究运用LVQ神经网络进行脑部CT图像边缘检测的方法，以提高边缘检测的准确度。使用传统的Sobel算法对脑部CT图像进行边缘检测，作为网络学习的教师信号，并将脑部CT图像的中值特征量、方向性信息特征量、Krisch算子方向特征量3项特征量作为LVQ神经网络的输入信号，进行网络训练后，再将训练好的网络进行边缘检测。在Matlab 2010平台下进行仿真对比，结果显示改进算法边缘检测结果与实际相符，比传统Sobel算法更具优越性。

关键词：神经网络；边缘检测；脑部CT图像

面对医疗资源紧缺的现状，运用计算机技术辅助医学图像诊断，降低医师工作强度，提高诊断工作效率及诊断准确率，进而提高医疗服务水平具有现实的意义。任何领域基于计算机技术的图像识别系统，首要工作就是提取、分割有用的图像区域[1]。基于图像边缘进行图像分割的方法是一种经典的方法，此类方法在实际应用过程中，就是提取图像感兴趣区域的边缘，边缘检测是否准确与后续处理结果的好坏息息相关。

目前为止，常用的边缘检测算法大多是基于梯度算子实现，如Roberts、Sobel、Prewitt等算法[2-4]。虽然这些算法在某些领域的应用具有较好的效果，但大多存在噪声抑制能力较弱的情况，使边缘检测结果存在缺陷。就脑部CT图像疾病辅助诊断系统而言，因与其关联的对象是人类，对诊断结果的准确性提出了更高的要求，况且脑部CT图像在实际拍摄过程中干扰较为严重，因此探索一种优秀的边缘检测算法意义重大。基于上述背景，根据LVQ神经网络的诸多优点，本文以脑部CT图像为研究对象，运用LVQ神经网络理论，提出一种边缘检测的新方法。

1LVQ神经网络简介

LVQ神经网络[5]属于前向神经网络类型。它与BP神经网络相比，具有更强的线性分类能力，且具有无需对样本集进行归一化，能以较小的计算量处理大量数据量的优点，特别适合应用于图像处理领域。

LVQ神经网络模型如图1所示，是典型的3层网络结构，即由前端的输入层、中间的竞争层、后端的输出层级联而成。输入层的每个神经元与竞争层的每个神经元之间都有连接，竞争层神经元数目多于输出层的数目，且2层之间是部分连接。

图1　LVQ神经网络模型

图中：P代表网络的输入向量；R、S1、S2分别对应各层所包含的神经元数目；w1是输入层与竞争层之间的连接权值矩阵；n1、a1、n2、a2分别是各级作用后的输出值。

传统LVQ1网络的执行过程为：

①设定权值矩阵w1与学习率η(η>0)的初值；

②按式(1)计算输入向量P=[P1,P2,…,PR]T与竞争层对应权值间的欧氏距离负值，构成竞争层的纯输入列向量n1。

(1)

③通过compet()查找最大值函数，找出竞争层纯输入列向量n1中的最大值所在位置，并将其置“1”取代，其余位置全部置“0”，也就是说权值与输入值若相近则竞争胜利，反之竞争失败。即竞争层的输出结果a1=compet(n1)。

④将竞争层神经元的输出结果a1与线性输出层神经元对应的权值w2相乘，求得线性输出神经元的状态a2，即a2=w2a1，其中w2中的元素恒为1。

⑤假定输入向量P已知的教师类别标记结果属于tx类，若a2=tx，则竞争胜出的神经元权值w1v按式(2)进行调节，即向输入量靠拢；如果a2≠tx，则按式(3)进行调整。式中η是学习率，经验取值范围为0.7～0.9。竞争失败的神经元对应的权值保持原值。直到实际输出值小于等于期望输出时才进入第②步执行下一样本的训练。

(2)

(3)

针对LVQ1存在仅对1个神经元的权值进行修正的不足之处，为了进一步减小分类的错误率，Kohonen专家对其进行了适当改进，将改进的算法称之为LVQ2神经网络算法。改进算法的执行进程与原算法的执行过程基本相同，主要区别在于改变了仅对单一胜出神经元调节权值的做法，引入了对次胜出神经元权值调节的过程。

2脑部CT图像边缘检测方法

2.1边缘特征向量的构建

要想通过神经网络学习训练输出较为精准的边缘检测分类结果，前提必须要有能够较好区分边缘像素特征的输入样本向量。噪声的存在会严重影响边缘检测的结果，因此寻求一些既能表征真实边缘像素点特性，又能极大程度上去除噪声点干扰的特征向量相当关键。由文献[6-8]可知，中值特征量、方向性信息特征量、Kirsch算子方向特征量3种边缘特征表示方法能够极大程度地抑制噪声的影响。鉴于这3个特征量的计算简单，噪声剔除能力较强，本文采用这3项特征量作为LVQ神经网络的三维输入向量进行边缘检测。这3项特征量的求解方法及定义分别介绍如下。

1)中值特征量。假设1幅图像中某像素点的位置用(i,j)表示，i、j表示图像的行、列值，其灰度是I(i,j)，则其对应的中值特征量用Mi,j=Med{I(m,n),(m,n)∈C}来表示；若窗口的大小为3×3，用C表示以(i,j)像素点为中心所得到的3×3大小邻域。(m,n)为C邻域中9个像素点的坐标，I(m,n)代表这9个像素点对应的灰度值。Med表示将这9个点的灰度值I(m,n)从小到达进行排列，取出其中间值便得到此像素点的中值特征量Mi,j。

2)方向性信息特征量。假设1幅大小为i×j的图像，i、j表示图像的行、列值。在以其中一像素点(i,j)为中心，用特定大小的窗口，所得到的邻域为R，以1条通过此像素点坐标且水平夹角为θ(通常θ取0、π/4、π/2、3π/4)的直线Lθ，把邻域一分为二，分别记为Sθ1和Sθ2。通过式(4)、(5)分别求出Sθ1与Sθ2中各像素点的累加和，式中I(m,n)代表坐标位置为(m,n)像素的灰度值。然后通过式(6)求二者的差值绝对值dθ，并从中分别获得其最大dθmax与最小值dθmin，将dθmax与dθmin的差值定义为此点的方向性信息特征值。从整个求解过程可以看出：对于边缘点而言，因其存在方向特性，其方向性信息特征具有最大值；而非边缘点与噪声点，方向相关性不强，所以方向特性信息特征具有最小值。因此，最大程度地抑制了噪声点误断为边缘点的可能。

(4)

(5)

(6)

3)Kirsch算子方向特征量[9]。其定义为用图2所示的8个3×3窗口大小的模板，分别对图像中某像素点的3×3邻域像素点灰度值进行卷积处理，求得行向量{qk}，k为模板顺序号，k=0,1，…,7。通过式(7)求得此点的Kirsch算子方向特征量Ki,j。当前邻域中若存在边缘点，Ki,j为最大值；因非边缘像素点与噪声点无方向性，所以为较小值。由此可见，此算法特征也能很好地抑制噪声引起的边缘检测干扰。

(7)

55-350-3-3-3-3

5-3-350-35-3-3

-3-3-350-355-3

-3-3-3-305-355

-3-35-305-3-35

-355-30-3-3-3-3

图2Kirsch算子的8个模板

2.2边缘检测的实现步骤

在Matlab 2010平台下，按如下步骤编写相应代码实现脑部CT图像的边缘检测。

①图像读取与灰度变换处理。通过I=imread(′NAME.jpg′)语句读入要进行边缘检测的图像，因其为非灰度图像，所以需通过语句I=rgb2gray(I)将其转变为灰度格式。

②教师指导信息获取。LVQ神经网络有指导学习方式，因此首先要从1幅图像中获取教师边缘标注信息。这里通过Sobel算子实现，用BW=edge(I,′Sobel′)语句对灰度图像进行边缘检测得到后期训练的指导先验知识。

③构建网络训练边缘特征数据集。按照2.1节所述方法，计算整幅图像的中值特征量、方向性信息特征量、Kirsch算子方向特征量3项特征向量值，随机抽取一定数目的样本集，经人工剔除Sobel错标的边缘点后，作为训练样本集，与之对应Sobel的教师信号作为网络的期望输出。

④创建网络，并进行训练、检测边缘。通过net=newlvq(a,b,c,d,′learnlv1′)语句创建LVQ神经网络，其中learnv1代表采用LVQ1算法进行学习，若要采用改进的LVQ2，可将其设为learnlv2。首先，设置好步长、误差目标、学习率等相关训练参数后，采用net=train(net,P _train,T _train)语句进行训练；其次，通过T_sim=sim(net,P_test)进行检测边缘；最后，依据检测输出结果对图像进行边缘点标注。

3仿真结果及分析

从某医院的影像中心，选取300多幅不同层的脑部CT图像，随机抽取200幅图。在进行格式转换及包含最多感兴区域裁剪处理后，在Matlab2010平台上，按照2.2节所述的训练样本集收集方法，完成训练样本集的数据整理。

通过2.2节所述的网络训练方法，经多次参数试凑实验，最终在学习率为0.2，目标误差为0.01，训练步长为1 000步的参数下，所构建的3-10-2结构网络模型有较好的边缘检测适应能力。网络结构如图3所示，即输入特征量为3项，输入层有10个神经元，输出层有2个神经元。

图3　网络模型图

训练后各层的权重参数w1、w2分别如式(8)、(9)所示。

(8)

(9)选取未参加网络训练的100幅图像，对所构建的网络模型进行测试。图4、5为部分图像的实验结果，其他图像的检测效果均与其相似。由图可知：用传统Sobel边缘算法得到的结果多处存在伪边与漏检情况；从LVQ1神经网络算法输出结果看，边缘信息与原图像真实边缘基本相符，边缘相对连续、清晰，但在执行时间上远大于Sobel算法执行时间。用LVQ1与LVQ2 2种方法进行检测对比，发现LVQ2检测结果并无明显改善，且LVQ2算法的运行时间较长。

(a)原灰度图象

(b)中值特征量图像

(c)方向性信息特征图像

(d)Kirsch算子方向特征图像

(e)Sobel边缘检测输出图像

(f)LVQ神经网络检测输出图像

(a)原灰度图象

(b)中值特征量图像

(c)方向性信息特征图像

(d)Kirsch算子方向特征图像

(e)Sobel边缘检测输出图像

(f)LVQ神经网络检测输出图像

4结论

鉴于中值特征量、方向性信息特征量、Kirsch算子方向特征量3项边缘特征向量，既能有效表征图像的边缘特征，又能最大程度地抑制噪声点像素的影响，将它们作为LVQ神经网络的输入向量。在Matlab 2010平台下，以Sobel算子边缘检测结果为指导期望输出信息，将训练后的网络，对多幅脑部CT图像进行边缘检测仿真实验。实验结果表明：LVQ神经网络算法具有优越性；运行时间相对较长，仍需进一步优化执行过程。

[参考文献]

[1]曾希君，于博.基于改进BP神经网络图像边缘检测的研究[J].微电子学与计算机，2009，26(8)：215-218.

[2]SHEN J，CASTAN S.An optimal linear operator for step edge detection[J].CVGIP,1992,54(2):112-113.

[3]秦然.基于神经网络的CT 脑血管图像边缘检测算法[J].电子测量与仪器学报，2010，24(4)：346-351.

[4] 雷印胜,王明时,秦然.基于Gabor滤波器虚部的CT脑血管医学图像边缘特征提取方法[J].天津大学学报,2007(7)：833-838.

[5]杨杰，占君，张继传.MATLAB神经网络30例[M].北京：电子工业出版社，2014.

[6]王雅红.基于LVQ神经网络数字图像边缘检测算法的研究 [D].太原：太原理工大学，2005：29-32.

[7]FURUKAWA Y,PONCE J.Carved visual hulls for image-based modeling[J].International Journal of Computer Vision,2009,81(1):53-67.

[8]马学磊，商泽利.基于噪声点检测的中值滤波方法[J].现代电子技术，2008(1)：150-155.

[9]张琳.基于Kirsch算子的图像边缘检测[D].大庆：东北石油大学，2014：20-28.

责任编辑：陈亮

An Edge Detection Method for Brain CT Scan Images Based on LVQ Neural Network

ZHANG Xihong1,2

(1.Bozhou Vocational and Technical College,Bozhou 236800;2.School of Control Science and Engineering,Shandong University,Ji′nan 250061)

Abstract：An edge detection method for brain CT scan images using LVQ neural network is studied to enhance the accuracy of edge detection.First,the traditional Sobel algorithm is used to detect the edge of brain CT scan images as the teacher′s signal for network learning.Second,the value of the median,the direction of information characteristics,the direction of the characteristics of the Krisch operator of brain CT scan images are adopted as the input signal of the LVQ neural network to conduct network training.Finally,the trained neural network is used for edge detection.Comparison of computer simulations on Matlab 2010 shows that the improved method can achieve a credible result and has a better detection effect than the traditional Sobel algorithm.

Key words：neural network;edge detection;brain CT scan image

中图分类号：TP391

文献标志码：A

文章编号：1671- 0436(2016)01- 0015- 05

作者简介：张喜红(1983—)，男，硕士，技师，讲师。

基金项目：山东省科学技术厅科技重大专项(新兴产业)立项项目(2015ZDXX0801A01)；安徽省教育厅高等学校省级教学质量与教学改革工程项目(2011131)

收稿日期：2015-12- 07

doi:10.3969/j.issn.1671-0436.2016.01.004