CP神经网络在图像边缘检测中的应用.doc

葿蚆羈节薁羁袄芁蚃螄膃芀莃薇聿艿蒅螂羅荿薇薅袁莈芇螁螇莇荿薃膅莆薂蝿肁莅蚄蚂羇莄莄袇袃莃蒆蚀膂莃薈袆肈蒂蚁蚈羄蒁莀袄袀肇蒃蚇螆肆蚅羂膄肆莅螅肀肅蒇羀羆肄蕿螃袂肃蚁薆膁膂莁螂肇膁蒃薄羃膀薆螀罿膀莅薃袅腿蒈袈膄膈薀蚁肀膇蚂袆羆膆莂虿袂芅蒄袅螈芅薇蚈肆芄芆袃肂芃葿蚆羈节薁羁袄芁蚃螄膃芀莃薇聿艿蒅螂羅荿薇薅袁莈芇螁螇莇荿薃膅莆薂蝿肁莅蚄蚂羇莄莄袇袃莃蒆蚀膂莃薈袆肈蒂蚁蚈羄蒁莀袄袀肇蒃蚇螆肆蚅羂膄肆莅螅肀肅蒇羀羆肄蕿螃袂肃蚁薆膁膂莁螂肇膁蒃薄羃膀薆螀罿膀莅薃袅腿蒈袈膄膈薀蚁肀膇蚂袆羆膆莂虿袂芅蒄袅螈芅薇蚈肆芄芆袃肂芃葿蚆羈节薁羁袄芁蚃螄膃芀莃薇聿艿蒅螂羅荿薇薅袁莈芇螁螇莇荿薃膅莆薂蝿肁莅蚄蚂羇莄莄袇袃莃蒆蚀膂莃薈袆肈蒂蚁蚈羄蒁莀袄袀肇蒃蚇螆肆蚅羂膄肆莅螅肀肅蒇羀羆肄蕿螃袂肃蚁薆膁膂莁螂肇膁蒃薄羃膀薆螀罿膀莅薃袅腿蒈袈膄膈薀蚁肀膇蚂袆羆膆莂虿袂芅蒄袅螈芅薇蚈肆芄芆袃肂芃葿蚆羈节薁羁袄芁蚃螄膃芀莃薇聿艿蒅螂羅荿薇薅袁莈芇螁螇莇荿薃膅莆薂蝿肁 CP神经网络在图像边缘检测中的应用* 本文承蒙四川省科技厅重点项目基金的资助。甘玲 李涛* 甘玲，研究生。李涛，教授，博士生导师，研究方向：人工智能，网络安全技术及应用。* 赵辉 肖康（四川大学计算机学院，四川 成都 610065） 【摘要】本文利用CP神经网络分别实现了对二值图像和灰度图像的边缘检测。利用神经网络提取二值黑白图像的边缘，对于灰度级为256的灰度图（灰度值在8个位面上分别为0或1），采用已学习好的二值神经网络在8个面上分别进行边缘检测，然后综合各个面的检测结果，解决了直接用灰度图学习造成的训练样本数量过大而难以收敛的问题。试验结果表明，该方法得到的边缘图像边界连续性较好，边界封闭性好，而且对于任何256级灰度图的检测都可以得到很好的效果。【关键字】CP神经网络，图像边缘提取，sobel算子，CP算法中图分类号：TP391An Application of CP Neural Network to Image Edge DetectionGan Ling, Li TaoComputer Department, Sichuan University, Chengdu 610065,ChinaAbstract: A method of edge detection of binary images and gray-scale images using CP neural network is proposed. CP neural network is implemented to detect the binary images. A gray-scale image with it is pixel value arranged from 0 to 255 can be divided into 8 binary planes. The edge of gray-scale images then can be detected through synthesizing the edge of each binary plane using the trained neural network. This method avoids the difficult convergence of overabundance samples if gray-scale images are directly used to train the neural network. Experiment proves that the continuity of edge gotten use this method is better and the edge closed well, and that good result can be obtained when any 256-level image is tested.Keyword: CP Neural Network, Image Edge Detection, Sobel Operator, CP algorithm 引言边缘是图像中局部区域像素灰度值的突变，它是图像的基本特征，包含着图像绝大多数的有用信息。数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的基础，图像理解和分析的第一步往往就是边缘检测，目前它已成为机器视觉研究领域最活跃的课题之一。经典的边缘提取方法是通过考查图像的每个像素领域内灰度的变化，即利用边缘邻近的一阶或二阶方向导数变化规律来检测边缘。如：Sobel算子是基于一阶方向导数在边缘处取最大值这一变化规律来提取边缘的，而Laplacian算子则是基于二阶导数在边缘处过零的特点来提取边缘。近年来用神经网络提取图像边缘又成为一个新的研究热点。本文采用神经网络完成了对二值图像和256级灰度图的边缘提取，由于灰度图的每一个像素值变化范围为0255，因此如果直接将此灰度图像及其利用Sobel算子得到的边缘图像作为训练样本，则造成样本训练集过大，学习效果不好。本文提出首先使用二值图像及其边缘图对神经网络进行训练，完成神经网络对二值图像的边缘检测；然后对于256级灰度图，其灰度值在8个位面上分别为0或1，采用已学习好的二值神经网络在8个面上分别进行边缘检测，然后综合各个面的检测结果2。试验证明，这是一个行之有效的方法。二 神经网络结构基本的对向传播（CounterPropagation，简称CP）网络是Kohomen的SOM网络和Grossberg的外星（Outstar）结构的组合，网络由输入、竞争、输出三层组成。输入层到竞争层按自组织特征映射网络（SOM）学习规则产生竞争层获胜神经元，并按该规则调整相应的输入层到竞争层的连接权；竞争层到输出层按基本竞争型网络学习规则得到各输出神经元的实际输出值，并按有教师示教的误差校正方法，调整竞争层到输出层的连接权。经过反复学习，将任意输入模式映射为输出模式1。本文中对神经网络的训练只涉及到二值图像，检测窗口的幅度同sobel检测器的检测域保持一致，采用33窗口4。因此，CP网络的输入层为9个单元，竞争层设为18个，输出层只有一个单元，如果输出值大于0.9则表示为边缘点，输出值小于0.1则为非边缘点。图1是CP网络结构图，图2是33窗口的像素值： 图1 网络拓扑结构 图2 33窗口像素值 Figure 1 The topology of CP neural network Figure 2 Pixel values of 33 window三 神经网络对二值图像的学习和回想在本文中，CP网络的学习使用监督式学习方式。如果直接使用灰度图像及其边缘图像作为训练样本，神经网络的输入模式为一个33区域中各点的灰度值，而由于每点的灰度值为0255，造成学习样本数巨大，学习效果不好。本文首先使用二值图像（只有黑白二色）及其使用sobel算子得到的边缘图作为训练样本，神经网络的检测域使用同sobel一致的33检测域。学习中，直接将黑色（像素值为0）对应为0，白色（像素值为255）对应为1，因此学习样本的输入模式变成一个个9维的0，1序列；对于输出模式，直接将边缘点对应1，非边缘点为0。33检测域按扫描方式移动，对应的网络希望输出由sobel检测器的输出产生。当扫描完整个图像后，即完成一次学习周期。CP网络的输入层有9个单元，对应于33检测域的每一个已经0，1化的像素值，竞争层单元数为18个，竞争层的获胜者只有一个。输入模式为Ak（a1k，a2k，a9k），期望输出为C，实际输出为C；输入层到竞争层的连接权WJ(wJ1,wJ2,wJ8)以及竞争层到输出层的连接权VL随机赋予0，1区间的值（J0,1,18；L=0,1,18）。在学习中，调节输入层到竞争层的连接权的学习率是随学习次数变化的，即0.2*(1-t/10000),t为学习周期数；用于调节竞争层到输出层的连接权的学习率使用经验值0.6。CP网络的学习算法如下所示。（1）将输入模式进行归一化处理：（2）将第k个输入模式提供给网络的输入层；（3）将连接权向量WJ进行归一化处理：（4）求每一个竞争层神经元加权输入和：（5）求连接权向量WJ中与Ak距离最近的向量Wg：将神经元g的输出bg置为1，其余竞争层神经元的输出置为0；（6）将连接权向量Wg进行调整：为前面所说的学习率。然后将新的Wg连接权按（3）重新归一化；（7）调整由竞争层到输出层的连接向量Vg （由于Vg是一维的，所以实际输出C=Vg）：（8）返回（2），将所有输入模式提供给网络；（9）tt1，然后返回（2）继续学习，直到学习收敛为止，其中t为学习周期数。用于学习的黑白图像大小为256256，对于一个学习周期，其输入模式就有256256个，CP神经网络对训练图像学习了两个周期后，其误差已经达到0.0045。作者曾用BP神经网络进行试验，但其收敛速度比CP网络慢，学习了20个周期后误差值为0.1132，而且容易陷入局部最小值。实验显示CP网络在图像的边缘提取中有优势，神经网络学习结束后，按以下步骤进行网络回想：（1） 将输入模式A提供给网络的输入层；（2） 按下式求出竞争层的获胜神经元g：（3） 由于输出层只有一个单元，所以直接求出实际输出为Vg。如果Vg大于0.9，则对应的像素点为边缘点，Vg小于0.1则为非边缘点，图3为实验结果。 （a）原黑白图像 （b）sobel算子边缘提取 （c）CP网络检测结果 （d）BP网络检测结果图3 CP和BP神经网络对二值图像的边缘提取Figure 3 The edge detection of binary image using CP and BP neural networks 图3（a）是bmp格式的黑白图像，大小为256256，其像素值为255或者0。图3（b）是利用sobel算子得到的边缘图像，检测域为33。比较图3（c），图3（d）可以看出，CP网络对二值图像的边缘检测优于BP神经网络，其边缘检测的连续性较好，且CP网络提取的图像边缘相对于sobel算子提取的边缘要细很多。四 神经网络对灰度图像的边缘检测对于像素值为0255的灰度图来说，如果直接将33检测域的灰度值作为输入模式学习，则由于每个像素值的灰度值为0255，导致学习样本数量过大，学习难以收敛。如果使用固定阈值将灰度图转化成二值图进行学习，则由于阈值的选择的不同，神经网络的学习具有随机性，学习效果也不好。本文采取的方法是利用实现了对二值图像边缘检测的神经网络来完成对灰度图像的检测。用于学习的灰度图格式为bmp，其大小为2562568bits，每一个像素由一个字节组成，即图像中任一个像素值用二进制表示为A7A6A5A4A3A2A1A0（Ak0，1），可以表示0到255的灰度值，其中Ak表示灰度值大小为2k。灰度值的变化具体表现在Ak（k0，7）的变化上，高位的变化代表明显的灰度改变，低位的变化表示微弱的灰度改变。提取灰度图像边缘时，用已经学习收敛的二值检测神经网络从高位到低位分别对这8个位面提取边缘，然后再综合成灰度图像的边缘。由于从每个位面上检测出的边缘代表不同程度的灰度变化，所以合成时需考虑各位的权重2k。设f k（i，j）1表示检测出第（i，j）像素点的Ak位是边缘点，如果为0则表示是非边缘点，对于（i，j）像素点，利用下式综合其8个位面上的检测结果： 其中G（i，j）为（i，j）的检测结果， G（i，j）大于0，则为边缘点的灰度值，等于0则表示是非边缘点。灰度图像的边缘检测可由8个二值神经网络并行处理来完成，或者由一个二值神经网络逐位处理来完成。这样检测出来的边缘图像的边缘是有深浅之分的，称为灰度边缘图。利用固定阈值法将检测出来的灰度边缘图转化成二值边缘图像，其背景使用黑色，边缘为白色，图4为实验结果。 （a）原lena图 （b） sobel算子边缘提取 ( c ) CP网络提取的灰度边缘图 （d） （c）图二值化后的结果图4 CP神经网络对灰度图的边缘提取Figure 4 The edge detection of gray-scale image using CP neural network图4（a）是格式为bmp的lena图，大小为256256，由于它的各种边缘类型比较丰富，所以经常被用在图像边缘检测的例子中。图4（c）是使用二值神经网络检测出的lena图的灰度边缘图，用固定阈值法将其二值化后的得到图4（d）。从图中可以看出利用CP网络检测出来的lena图的边缘连续性较好。由于灰度图的检测使用的是二值神经网络，因此对于任何256级灰度图的检测都可以得到很好的效果，作者使用其他bmp格式的灰度图做过实验，其边缘检测结果都是令人满意的。实验证明该方法是完全可行的。五 总结 针对灰度图像素值变化范围大，直接输入神经网络学习会使学习样本数过大从而网络学习不收敛的特点，本文使用检测二值图像的神经网络来完成对灰度图的检测方案。训练样本的输入是直接将黑白图像转化为二值模式，而输出模式则采用sobel算子得到的边缘图像，学习方法是CP网络的监督式学习。CP网络收敛非常快，对二值图像的检测效果非常好。而对于256级灰度图像，灰度值在8个位面上分别为0或1，利用已学习好的二值神经网络在8个面上分别进行边缘检测，然后根据各位的权值综合各个面的检测结果。试验结果表明，该方法得到的边缘图像边界连续性较好，边界封闭性好，而且对于任何256级灰度图的检测都可以得到很好的效果。参 考 文