基于BP神经网络的彩色图像边缘检测方法研究

2013-09-13郑蕊蕊吴艳军徐宝翠吴宝春

电子测试 2013年19期

柳赟，郑蕊蕊，吴艳军，徐宝翠，吴宝春

（大连民族学院信息与通信工程学院，116600)

0 引言

图像边缘检测是数字图像处理的主要研究内容，BP人工神经网络具有学习功能强大和良好的容错性能。采用BP人工神经网络进行彩色图像的边缘检测，通过对选取的图像样本的训练，不断调整网络的权值和阈值，完成函数的逼近，使得对于输入的图像样本处理结果能够达到预期的效果。本文主要研究基于改进学习算法的BP神经网络在彩色图片的边缘检测中的应用。

1 图像的预处理

1.1 二值化

为了增加图像的对比度，使得图像的边缘更加清晰，首先需要对图像做二值化处理。二值化图像的方法如下:假设一幅图的像素值为,阈值为。则：

即当像素值大于阈值时灰度级为1，当像素值小于阈值时灰度级为0。图1为此次用于训练BP神经网络的原灰度图像、教师图像和灰度图的二值化图像。

1.2 图像块划分

在网络训练中，把整幅图像作为样本，会使样本集比较庞大，增大训练的迭代次数，使得训练时间变长，算法也不易收敛。因此在将图像矩阵数据输入网络前必须进行图像的分块操作。先将图像调整为300*300，然后划分为10000个3*3的小块，将每个小块合并为一个列向量。在输入输出端对原始图像和教师图像进行分块操作，将输入输出对应的列向量输入网络，开始进行网络的训练。如果模板过大，网络训练所要处理的数据量过大，使得网络的整体误差增大，3*3模板是经过多次实验后比较适合本次研究的。图2为图像块划分流程图。

图1 训练样本的选取和二值化处理

图2 图像块划分流程图

2 BP神经网络的建立和训练

2.1 网络参数的确定

BP神经网络结构参数的选取影响边缘检测的精度。原则上，包含一个中间隐含层的3层BP神经网络能够逼近任何的非线性映射，因此本文采用3层BP神经网络来提取灰度图像的边缘。

由于算法输入的数据是分割后的1*9列向量，所以输入层与输出层的节点数应为9。目前，学术界对于隐含层节点数的选择并没有确定的准则，所以隐含层节点数的选择只能参照经验公式：

其中N为隐含层神经元个数，m为输入神经元个数，n为神经元个数，为1～10之间的一个整数。进过多次实验N取15时，可以很好的完成网络的训练，且效果最佳。

2.2 训练BP神经网络

由于标准BP神经网络算法存在的一些缺陷，为了避免算法陷入局部极小值。研究采用有动量的梯度下降法作为神经网络的训练函数。动量法能够有效的降低网络对于误差细节的敏感性。通过加入动量因子，相当于加入了阻尼项，减小了训练曲线局部的阻尼震荡，从而使算法更易于收敛。动量梯度下降法的训练的过程如图3所示，当训练次数达到400次左右时，曲线已经趋于平缓。

图3 训练过程图

2.3 彩色图像边缘检测

对于输入的彩色图片，要将其转化为灰度图，然后灰度图尺寸调整成300*300，以便于后续图像的分块操作。分块操作将图像分割成为9*10000的矩阵，输入训练好的BP神经网络。在输出端使用逆分割函数恢复出处理完成的图像。处理过程如图4所示。

图4 BP神经网络的图像边缘检测图

图5(a)是一幅待检测的彩色花瓶图像，图像背景颜色是比较复杂的渐变色，花瓶的颜色与背景颜色较接近。首先采用传统的边缘检测方法，再使用本文研究的BP人工神经网络来检测图像边缘，边缘提取效果下图所示。可以看出，采用sobel和prewitt算法提取的边缘类型有限，检测出的边缘容易发生断裂。而采用BP人工神经网络提取的边缘则较为完整。