基于PCNN和最大灰度熵图像分量的彩色图像分割*

李建兵， 李　立

(西南交通大学 机械工程学院，四川 成都 610031)



基于PCNN和最大灰度熵图像分量的彩色图像分割*

李建兵， 李立

(西南交通大学 机械工程学院，四川 成都 610031)

为提高彩色图像的分割效果，提出了一种最大灰度熵图像分量和脉冲耦合神经网络(PCNN)相结合的彩色图像分割方法。将彩色图像转换到符合人眼视觉特征的色调饱和度亮度(HSV)颜色空间中，选取灰度熵值最大的分量图像,用PCNN增强以增大感兴趣区域对比度，对增强后的分量图像运用PCNN进行循环分割，当二维Renyi熵值不再大于前一次的值时，终止PCNN的循环分割，获得最佳分割结果。运用多种评价指标对所分割的结果进行评价，评价结果表明：提出的算法能够有效实现对彩色图像的分割，尤其在图像细节方面，比传统的彩色图像分割方法表述得更为清晰。

彩色图像分割； 脉冲耦合神经网络； 灰度熵； 色调饱和度亮度颜色空间

0　引　言

图像分割就是将图像分割成若干个具有特定性质的区域以及提取出感兴趣区域的技术过程，图像分割质量的好坏直接影响图像处理的后续过程。

彩色图像的传统分割方法通常可以分为两类[1]:一类是将彩色图像转换为灰度图像然后利用灰度图像的分割方法进行分割，这种方法简单易于实现、效率也比较高，但彩色图像灰度化容易丢失信息。如，文献[2]中用数学形态学的方法对彩色图像的边缘进行检测来得到其灰度梯度图，再使用迭代的最佳阈值对图像进行分割。另一类方法即是对彩色图像的各分量信息都进行处理，最后再按照一定的准则进行组合，以此获取最终的分割结果。如文献[3]中对红色绿色蓝色(RGB)各分量进行滤波转换到LAB(L为像素亮度，A为红色到绿色范围，B为黄色到蓝色范围)彩色空间，用分水岭方法获取封闭区域及质心，再利用模糊C均值(fuzzy C means,FCM)聚类进行分割。文献[4]中获取三个颜色通道，将图像分割成若干块，进行高斯混合模型运算得到分割结果。虽然这种方法的准确度有所提高，但是操作过程比较繁琐、运算效率低，而最终的结果也不一定很好。

脉冲耦合神经网络(pulse coupled neural network,PCNN)是在20世纪90年代由德国科学家Eckhorn R等人通过研究猫的大脑视觉皮层的神经激励所提出的一种全新的神经网络模型[5],并由Johnson J L在此基础上做了进一步的研究，使之最终更加符合生物的神经特性[6]，已经在图像分割[7～10]、图像增强[11]、图像识别[12]中显示出良好的应用潜力。如文献[8，9]利用PCNN实现对灰度图像的分割。文献[10]中对彩色图像各分量分别进行PCNN分割,然后再进行合并来实现彩色图像的分割，但是操作仍较为繁琐。

为了克服上述缺点，本文提出将最大灰度熵值分量图像与PCNN模型相结合的彩色图像分割方法，以简便地分割图像，突出图像细节和纹理信息。

1　PCNN简化模型及其图像处理原理

1.1PCNN的简化模型

Eckhorn R[5]提出的PCNN模型,以其参数过多、公式描述复杂,往往不直接用于图像处理，因此,本文使用其简化模型，该模型的数学描述如式(1)～式(5)所示

Fj(n)=Sj(n)

(1)

(2)

Uj(n)=Fj(n)×(1+β×Lj(n))

(3)

θj(n)=e-αθ×θj(n-1)+Vθ×Yj(n-1)

(4)

(5)

式中F(n)为神经单元的反馈输入，S(n)为神经单元的激励输入信号，L(n)为神经单元的链接输入，β为神经单元联接强度系数，U(n)为内部活动项，θ(n)为动态阈值,Y(n)为神经单元的输出脉冲,αθ为衰减系数,Vθ为Y(n)的固有系数，j为神经元标号，n为循环迭代次数。

1.2PCNN图像分割原理

PCNN分割图像[8]时，像素灰度值对应相应位置神经元的外部激励输入S(n)，开始所有神经元初始状态为0，第一次迭代后，内部活动项U(n)等于外部激励输入S(n)，所有神经元阈值θ(n)从初值开始衰减，当某神经元内部活动项U(n)大于阈值θ(n)时，其激发输出发一个脉冲1，同时该神经元阈值θ(n)开始急剧增大，停止输出脉冲，θ(n)再次开始衰减，当其小于内部活动项U(n)时，再次产生脉冲，如此循环，神经元产生一个包含图像信息的脉冲输出序列Y[n]，该序列构成的图像就是PCNN分割图像。

1.3 PCNN图像增强原理

PCNN图像增强[9]的数学描述模型如

Fj(n)=Sj(n)

(6)

Lj(n)=e-αLLj(n-1)+VL∑WjYj(n-1)

(7)

Uj(n)=Fj(n)×(1+β×Lj(n))

(8)

θj(n)=e-αθ×θj(n-1)+Vθ×Yj(n-1)

(9)

(10)

Y0(n)=[ln(Bri)-(n-1)αθ]×Yj(n-1)

(11)

式中Bri为灰度图像中亮度最大的灰度值，Y0为脉冲耦合神经网络的图像增强输出脉冲，也就是增强后输出的二值图像。为了增强图像的特征，先对Sj进行滤波，同时使Vθ的取值大一些，这样阈值就衰减的比较慢，从而相邻灰度级通过不同的时间被激发区别开来。

2　图像灰度熵

在信息论中，熵用来衡量概率分布的不确定性，反映了该事件的信息量。而图像中像素值反映了图像信息的空间分布，参考信息论中熵的概念，推导出图像灰度熵[13]，用来衡量图像信息的量。对于一幅大小为M×N的图像，其最大灰度级为L，设其灰度值为i的像素个数为ni其概率为Pi，则图像灰度熵H的计算如下

(12)

式中Pi=n/(M×N),灰度熵表示图像信息的空间分布，是图像的一种统计特征，灰度熵值越大，说明图像内的灰度分布越均匀，图像所包含的信息量越丰富。

3　结合灰度熵值和PCNN的彩色图像分割

3.1颜色空间的选取

目前常用的颜色空间有RGB，色调饱和度亮度(HSV)等。RGB颜色空间使用物理学中对三种颜色R(红色)、G(绿色)、B(蓝色)的不同叠加来产生任意颜色。HSV颜色空间类似于一个倒立的圆锥，H表示色调，是颜色的相位角，其取值范围决定颜色的种类；S表示饱和度，即该颜色被稀释的程度；V表示亮度，即颜色的明亮程度。为了选取颜色空间，下面比较彩色图像在这两种颜色间中的分布，如图1所示。

图1　彩色图像的RGB和HSV颜色空间分布Fig 1　RGB and HSV color space distribution of color image

从图1看出：RGB颜色空间中，图像信息近似分布于一个长方体的区域，在某一分量上的信息比较多；在HSV颜色空中，图像信息呈曲面形状分布，分布比较均匀；所以,本文选取在HSV空间进行图像的分割。

3.2彩色图像分割算法

本文提出的具体算法流程如下：

1) 将彩色图像转换到HSV空间，在此空间中计算各分量的灰度熵值，选取灰度熵值最大的分量图像；

2) 将所选取的灰度熵值最大的分量图像运用公式(6)～式(11)对其进行增强；

3) 对增强后的图像运用式(1)～(5)进行循环分割，循环步长设为1，获得输出脉冲；

4) 计算每次循环分割图像的二维Renyi熵值[14]，并且与前一次分割图像的二维Renyi熵值比较，若其值大于前一次的值，则转入步骤(3)；否则，停止循环分割，输出分割的图像。

4　计算机仿真结果与分析

为了证明算法的有效性，利用Matlab做仿真实验，对大量的彩色图像进行仿真实验；PCNN神经网络的相关参数设置为[9]：αθ=0.1，β=0.1，Vθ=20；为了便于比较，将图像大小统一设置为512×512。

将本文提出的分割算法与传统彩色图像分割的两种主要方法进行比了较，部分仿真结果如图2所示。其中，传统方法一：彩色图像转化为灰度图像后运用常用的OSTU法进行分割。传统方法二：对彩色图像的各分量信息进行Meanshift聚类后再将各分量进行合并来分割彩色图像。

图2　彩色图像分割结果Fig 2　Color image segmentation results

从实验结果可以看到，基于本文算法的分割结果中，目标的轮廓连续、清楚，凸显图像的细节、纹理特征；而传统方法一的分割结果目标轮廓不连续，受本身灰度图分布的影响大；传统方法二的结果轮廓比较模糊。可见，从人的主观视觉出发，本文分割算法优于传统的分割算法。

为了定量客观的评价所得图像分割结果,根据图像分割的基本要求，本文选用下列评价准则[8]：最小交叉熵(CE)、区域对比度(CM)、平均梯度(AG)，对前述各种分割方法进行评价，评价结果如表1所示。

表1　图像分割结果评价

从表1可以看出:本文分割结果在最小交叉熵与平均梯度方面均明显优于传统分割方法，在平均梯度方面尤为明显，从客观上表明了本文算法的有效性。

5　结　论

本文提出了一种基于灰度熵值最大图像分量的用二维Renyi熵判定PCNN循环分割迭代次数的彩色图像分割方法。该方法既能避免彩色图像灰度化所导致的信息丢失，又能够克服处理彩色图像各分量信息最后再按某种策略合并的操作繁杂。仿真实验验证了所提方法对彩色图像分割的有效性。与传统的方法相比，运用本方法，分割所得图像的轮廓完整、清楚，突出了分割图像的细节和纹理信息，更加符合人类视觉的认知特征。

[1]马义德,王兆滨,张新国,等.一种生物彩色图像自动分割方案[J].哈尔滨工业大学学报,2009,41(9):173-175.

[2]张鑫,李道亮,杨文柱,等.高分辨率棉花异性纤维彩色图像的快速分割方法[J].农业机械学报,2011,42(1):159-164.

[3]朱征宇,王丽敏.彩色图像分割的FCM初始化方法[J].计算机应用研究,2015,32(4):1257-1260.

[4]田杰,韩冬,胡秋霞,等.基于PCA和高斯混合模型小麦病害彩色图像分割[J].农业机械学报,2014,45(7):265-271.

[5]Eckhorn R,Reditboeck H J,Arndt M,et al.Feature linking via synchronization among distributed assemblies: Simulation of results from cat cortex[J].Neural Computution,1990,2(3):293-307.

[6]Johnson J L,Padgett M L.PCNN models and application[J].IEEE Trans on Neural Networks,1999,10(3):480-498.

[7]Chen Yuli，Park SungKee,Ma Yide,et al.A new automatic parameter setting method of a simplified PCNN for image segmentation[J].IEEE Transactions on Neural Networks,2011,22(6):880-892.

[8]马义德,苏茂君,陈锐.基于PCNN的图像二值化及分割评价方法[J].华南理工大学学报:自然科学版,2009,37(5):49-53.

[9]辛国江,邹北骥,李建锋,等.结合最大方差比准则和PCNN模型的图像分割[J].中国图像图形学报,2011,16(7):1310-1316.

[10] 谭颖芳,周冬明,赵东风,等.Unit-LinkingPCNN和图像熵的彩色图像分割与边缘检测[J].计算机工程与应用,2009,45(12):174-177.

[11] 何胜宗,刘英杰,马义德,等.基于PCNN图像因子分解的X线医学图像增强[J].中国图象图形学报,2011,16(1): 21-26.

[12] 常莎,邓红霞,李海芳.基于强度PCNN的静态图像人脸识别[J].太原理工大学学报,2015,46(1):89-93.

[13] 刘勍,许录平.结合灰度熵变换的PCNN小目标图像检测新方法[J].北京理工大学学报,2009,29(12):1085-1090.

[14] 龚劬,王菲菲,倪麟.基于分解二维Renyi灰度熵的图像阈值分割[J].计算机工程与应用,2013,49(12):181-185.

Color image segmentation based on PCNN and the maximum gray entropy image component*

LI Jian-bing， LI Li

(School of Mechanical Engineering, Southwest Jiaotong University,Chengdu 610031,China)

In order to improve effect of color image segmentation,a color image segmentation method based on pulse coupled neural network(PCNN)combined with the maximum gray entropy image component is proposed.In the presented method,the color image is converted to HSV color space which is consistent with visual features of human eyes; the component with the largest image entropy is selected for image enhance by PCNN to increase the contrast of the region of interest; the enhanced component of the image is used to be segmented by PCNN,and the loop of PCNN is terminated when the two dimensional Renyi entropy value for the segmented image is not larger than the previous one,terminate cyclic segmentation to get the optimal segmentation result.The segmentation results are evaluated by using several commonly used evaluation criteria,and show that the segmentation of color image can be realized efficiently by the proposed algorithm with more clear details of the image than by the traditional color image segmentation method.

color image segmentation; pulse coupled neural network(PCNN); gray entropy; HSV color space

2015—11—09

四川省科技支撑计划资助项目(2012GZ0102)

TP 391

A

1000—9787(2016)08—0127—03

李建兵(1990-),男，河南濮阳人，硕士研究生，研究方向为机器视觉与图像处理。

DOI:10.13873/J.1000—9787(2016)08—0127—03