基于PCNN的面粉麸星检测方法

陈天飞 吴 翔 刘楠嶓 李秀娟

(河南工业大学电气工程学院1，郑州 450000)

(中国科学院沈阳自动化研究所2，沈阳 110016)

面粉麸星是指成品面粉中肉眼可见、颜色深于面粉的斑点，其主要成分是小麦加工过程中未分离出去的小麦麸皮等［1］。由于面粉麸星不但会影响到面粉的纯度和白度，也将关系面粉生产工艺过程中其他相关指标［2］。因此，面粉麸星的精确检测是面粉加工过程中的重要环节。

视觉检测可极大程度提高麸星的检测效率，从而实现在线检测，其核心技术在于对所采集的面粉图像准确分割出麸星的位置。目前，已提出很多图像分割方法，包括阈值方法［3］、基于边缘方法［4］和基于混合的边缘/区域方法［5］等。但是，因为面粉麸星在图像中是较小的目标，例如有些麸星在图像中甚至不超过10个像素，增大了图像处理的难度，导致现有方法难以得到较理想的效果，有的方法甚至失效。

本研究提出了一种基于PCNN的面粉麸星检测方法。该方法首先对面粉图像进行灰度熵变换并映射成熵值图像，将麸星在熵值图像中进行加强。然后，利用PCNN对熵值图像进行迭代处理，通过最小交叉熵判定最优迭代次数，完成最终的目标分割。试验结果表明了本方法的有效性，检测灵敏度高。

1 麸星在线检测系统组成

传统的麸星检测方法是操作人员利用放大镜直接查找视野范围内能见的麸星并统计个数。该方式不仅检测效率极低，且易受疲劳、光线能见度变化等原因的影响。

采用摄像机图像处理系统取代人眼的视觉检测方式，将极大提高麸星的检测效率，可与面粉的加工过程同步，从而实现了在线检测。

图1即为麸星在线检测系统的组成。摄像机拍摄面粉图像，通过对采集图像处理，实现对麸星的准确检测。若达标将进行下一步加工，若不达标将收回进行再处理。

图1 麸星在线检测系统组成

2 图像处理算法

图像处理算法是该麸星检测系统的核心，合理的算法设计将提高麸星检测的准确率，最大程度避免出现漏检、误检等情况。

2.1 图像灰度熵变换

熵是信息论中事件出现概率的不确定性度量，它能有效反映事件包含的信息。而图像像素灰度反映图像能量的空域分布，把它与信息论中熵的概念结合并推广到图像处理领域，可得到图像灰度熵的概念［6］，并作为能量空域分布状态不确定性的量度。对于一副大小为 M×N的图像，设fij为图像中点(i，j)处的灰度值，图像灰度熵Sf定义为:

式中:pij为图像的灰度分布如果M×N是图像的局部窗口，则称Sf为图像的局部熵。图像灰度熵表征了图像能量分布的宏观统计特征，反映了窗口内像素灰度的差异程度。灰度熵值越大，表明该区域图像灰度相对比较均匀，而灰度熵值越小，图像灰度混乱程度越强，说明对应区域图像灰度变化较大。对于待检测的小目标图像而言，由于图像背景为均匀或缓慢变化，其灰度熵近似相等，而图像中小目标出现的地方，图像灰度有突变，则对应灰度熵也会发生突变。

另外，由式(1)可看出，图像灰度熵运算是一种非线性空域滤波。对一副大小为W×H的图像进行图像灰度熵变换，首先选定大小为w×h的领域窗口(一般设定w=h)，然后以当前像素为中心在领域窗口范围内逐像素计算图像灰度熵值，然后将各点的灰度熵值按照分布范围要求，比例映射到［0，255］图像灰度空间并进行反色处理，得到熵值的灰度图像。

2.2 简化PCNN模型及其参数设定

2.2.1 PCNN简化模型

PCNN为第3代人工神经网络，它是在生物视觉皮层模型的启发下产生的由若干个神经元互联而构成的反馈型网络［7］。传统PCNN模型中调节参数众多，故实际应用中多采用简化的PCNN模型［8］，如图2所示。

图2 简化的PCNN神经元模型

从图2中可以看出，构成PCNN的神经元是一个综合的动态非线性系统，它包括接受域、内部活动域(调制部分)和脉冲发生器3部分。在用于图像分割时，通常将每个像素对应成一个PCNN神经元，将这些神经元按一定方式连接，就得到了一个单层脉冲耦合神经网络。

当向网络输入一副图像时，若某一个像素对应的神经元发生脉冲，邻域内与其相似的神经元也将发生脉冲，从而产生的脉冲序列将构成了一个二值图像，包含了图像的区域、边缘、纹理等信息。其数学描述为:

式中:i，j为神经元的标号;n为迭代次数;Fij［n］为反馈输入，一般多直接置为归一化的像素灰度值。Lij［n］、Uij［n］、θij［n］分别为连接输入、内部活动项和动态阈值;ωijkl为连接权系数，反映中心神经元受周围神经元的影响大小;βij为连接强度系数，主要反映连接项Lij对内部活动项的贡献。当内部活动项Uij大于阈值θij时，神经元点火，输出脉冲1;否则神经元不点火，输出为0。在迭代过程中，阈值θij按照一定规律进行衰减。

本研究采用最小交叉熵［9］来判断最优迭代次数，并选择最终的分割结果。而最小交叉熵应用于图像分割中，一般是搜索分割前后图像信息量差异最小的阈值。定义图像和分割结果之间的交叉熵为:

式中:f为图像灰度值，h(f)为图像灰度统计直方图，G 为图像灰度上界，t∈［0，255］为假定的阈值，μ1(t)、μ2(t)分别为该阈值下目标和背景的平均灰度。

2.2.2 网络参数确定

在PCNN神经元模型结构确定后，网络参数的选取同样会影响到最终的分割结果。在简化的PCNN模型中，需要确定的网络参数包括:连接权值ωijkl、连接强度系数βij、阈值调整步长Δ以及迭代次数n。而最优迭代次数可根据最小交叉熵来确定，则剩余参数根据以下方法确定。

(1)连接权值ωijkl

连接权值表示相邻神经元的输出脉冲对该神经元的影响程度。若领域内的像素与其越相近，则相应的影响程度也就越大。可根据图像自身的灰度和空间特性进行设定，定义如下:

式中:dgrey(k，l)表示像素(i，j)和像素(i+k，j+l)的灰度绝对差;dspace(k，l)表示两像素的欧式距离。若两像素间灰度差异越大或空间距离越大，其影响程度越低。

(2)连接强度系数βij

该参数是控制Fij被提升的幅度，将其定义为:

式中:Vij、Mij分别表示像素(i，j)所在领域内像素灰度值的方差和均值。若领域内灰度分布不均匀，则β值越大，从而较大的灰度提升才能使领域内的神经元同步点火。若领域内灰度分布较为均匀，β值较小，则较小的灰度提升即能达到同步点火。

(3)阈值调整步长Δ

采用线性方式调整动态阈值的变化，为使阈值可以遍历所有的灰度色阶，因此可将其确定如下:

式中:nmax为最大的迭代次数设定。

2.3 具体算法流程

根据以上内容，面粉麸星检测算法的具体描述如下:

(1)输入待检测的面粉图像。

(2)对面粉图像进行灰度熵变换并进行比例映射，生成熵值灰度图。

(3)设置PCNN网络的连接权值ωijkl、连接强度系数βij、阈值调整步长Δ等参数。

(4)根据已设置的PCNN网络参数对面粉的熵值灰度图进行自动分割。

(5)根据最小交叉熵计算最佳迭代次数，并输出分割图像，并对分割结果进行分析，判断是否合格。

3 结果与分析

图3是摄像机实际采集的面粉，肉眼可以很直观的看出面粉当中存在一些深色麦麸斑点。目标是通过对图像进行处理准确定位面粉中的麸星。

图3 面粉实际采集图像

图4 对应的熵值图像

因麸星在图像上的面积较小，仅对图像采用简单灰度处理很难准确定位麸星位置。故对面粉图像进行局部灰度熵变换，得到对应的熵值图像。如图4所示。对比图3可以看出，麸星在对应熵值图像中得到了加强。

Otsu算法［10］是目前常用的图像分割算法。它通过搜索目标和背景的最大类间方差，确定最优分割阈值。分割结果如图5所示。图6为Otsu分割结果在原图上的标记效果。可以看出，Otsu算法分割结果明显存在漏检的情况。

图5 Otsu算法分割图

图6 Otsu算法分割结果标记

PCNN应用于图像分割，能较好地处理目标和背景灰度范围有重叠的情况，相邻灰度相近的像素可实现同步点火，忽略了区域内小的灰度差异。

图7 交叉熵与迭代次数关系

采用PCNN对熵值图像进行分割，通过最小交叉熵计算最优迭代次数。图7为交叉熵与迭代次数的曲线图，可看出该曲线为单峰曲线，便可唯一确定出最优迭代次数。而PCNN的网络参数可根据

2.2.2 内容进行设置。

图8为PCNN对熵值图像的分割结果，而图9是对其分割结果进行的标记。与图6进行对比，可以看出，PCNN分割具有较高的灵敏度，对熵值图像中亮度较为不明显的麸星位置同样可以准确分割，具有较高的灵敏度，从而避免了麸星漏检的情况，其麸星检测结果要优于Otsu算法。

图8 PCNN分割结果

图9 PCNN分割结果标记

在运行效率方法，在CPU主频为2.6 GHz、内存2 GB的笔记本电脑上，利用Matlab R2014a编写算法，运行时间为5.189 3s。若采用多CPU并行运算架构优化后，效率可进一步提升。而传统的人工离线检测方式，检测时间较长，且受人为因素的影响，容易出现漏检。

4 结论

提出了一种基于脉冲耦合神经网络图像处理算法的面粉麸星检测方法。因面粉麸星在图像中目标较小，且颜色相近，一般图像分割算法效果不佳甚至失效。本方法首先对图像进行灰度熵变换并映射成熵值图像，将麸星在熵值图像中进行了加强。然后利用PCNN对熵值图像进行迭代处理，根据图像灰度和空间特性设置PCNN网络参数，根据最小交叉熵判定最优迭代次数。对比试验结果表明了该方法的有效性，且具有较好的检测灵敏度，减少了漏检。

［1］刘兴信.关于我国小麦粉质量标准问题的探讨［J］.中国粮油学报，2002，5(1):1 －6

［2］李同强.面粉麸星的计算机检测［J］.中国粮油学报，2005，20(2):26 －29

［3］吴一全，吴加明，占必超.一种可有效分割小目标图像的阈值选取方法［J］.兵工学报，2011，32(4):469 －475

［4］Amit C，Lawrence HS，James SD.Deformable boundary finding in medical images by integrating gradient and region information［J］.IEEE Trans on Medical Imaging，1996，15(6):859－870

［5］Zugaj D，Lattuati V.A new approach of color images segmentation based on fusing region and edge segmentation output［J］.Pattern Recognition，1998，31(2):105 －113

［6］张永亮，汪洋，卢焕章.基于图像灰度熵的团块目标检测方法［J］.系统工程与电子技术，2008，30(2):201－204

［7］Eckhorn R，Reitboeck H J，Arndtetal M.Feature linking via synchronization among distributed assemblies:simulation of results from cat cortex［J］.Neural Computation，1990，2(3):293－307

［8］毕英伟，邱天爽.一种基于简化PCNN的自适应图像分割方法［J］.电子学报，2005，33(4):647－650

［9］Brink A D，Pendock N E.Minimum cross－ entropy threshold selection［J］.Pattern Recognition，1996，29(1):179 －188

［10］Otsu N.A threshold selection method from gray level histograms［J］.IEEE Trans on Systems Man ＆ Cybernetics，1979，9(1):62 －66.