基于最小交叉熵的改进PCNN杨梅图像分割算法

徐黎明,吕继东

(1．常州大学信息科学与工程学院，江苏常州 213164；2．江苏城乡建设职业学院建筑设备系，江苏常州 213147)



基于最小交叉熵的改进PCNN杨梅图像分割算法

徐黎明1,2,吕继东1*

(1．常州大学信息科学与工程学院，江苏常州 213164；2．江苏城乡建设职业学院建筑设备系，江苏常州 213147)

针对传统脉冲耦合神经网络(Pulse coupled neural network,PCNN)模型复杂、迭代次数需要人工试验调整等缺点，对PCNN模型进行改进，提出了一种基于色差分量R-G和改进PCNN模型的杨梅图像分割方法.首先用杨梅图像的R-G色差分量作为输入；然后选用最小交叉熵准则，自适应生成PCNN的迭代次数；最后通过PCNN迭代实现杨梅图像的自动分割.实验结果表明，此方法与传统方法相比，能够有效避免背景干扰，提升了图像分割质量，分割结果更符合杨梅果实的特征.

脉冲耦合神经网络；颜色特征；最小交叉熵；图像分割

以往杨梅采摘主要靠人手工完成，不仅效率低下，而且因为采摘不及时，导致果实腐烂在树上，从而影响产量，造成损失[1].如果对杨梅实行自动采摘，就可以有效降低成本，提高采摘效率.杨梅采摘机器人研究的关键就是进行果实的识别和定位，而识别和定位的准确性往往取决于图像分割的结果.

果实图像分割常用的方法主要有基于阈值的分割法、基于边缘检测的分割法、基于聚类的分割法、基于区域的分割法和基于神经网络等特定理论的分割方法.如崔永杰等[2]提出综合应用果实颜色和形状特征，选用R-G色差分量，用Otsu方法对猕猴桃果实图像进行阈值分割；罗陆锋等[3]根据葡萄彩色图像的颜色特征，提出了用改进的人工蜂群优化模糊聚类算法对葡萄图像进行分割的方法；郑向阳等[4]提出使用基于贝叶斯决策分类模型的分割方法对橘子果实图像进行分割；宋怀波等[5]提出使用K-means 聚类分割算法结合凸壳理论进行苹果图像的分割与重建；彭红星等[6]提出使用基于蜂王交配结合精英选择、截断选择分阶段的改进演化算法对水果图像进行分割.由于自然环境的复杂性、不同果实的不同特性，针对特定水果的图像分割算法有一定的局限性和应用范围，而目前对杨梅果实的图像分割则鲜有相关研究.

传统的PCNN模型过于复杂，其迭代次数应自行设定，相应分割结果依赖性较强，而采摘机器人工作过程中需自适应完成图像分割，为此，文中在借鉴上述文献的基础上，对PCNN算法进行改进，使得迭代次数自适应生成，而后用于杨梅图像的分割.

1 改进的PCNN算法

脉冲神经网络(PCNN)是一种基于高级哺乳动物视觉特性仿生技术的人工神经网络，由多个基本神经元组合而成，其中每个神经元对应于图像的一个像素点.神经网络由接收域、调制部分和脉冲发生器 3部分组成，当一个神经元被激发时，相邻区域中与它相似的神经元也被同步激发，这被称为PCNN 网络的捕获特性，在边缘检测、细化、图像分割、识别等方面有很多应用[7].用PCNN模型进行图像分割，不用预先选择需要处理的空间范围，而是利用图像的灰度与结构这两个自然属性，通过调节神经元的联接强度，对图像进行相应的分割，因此分割效果更好.但传统的PCNN模型参数的选择靠经验设定，需要对每一幅图像反复实验才能得到适合的数值，致使人机交互工作量大，无法实现自动化.因此，有很多研究对PCNN模型进行改进[8-13].文中采用简化的PCNN模型，基于最小交叉熵准则，自动生成PCNN的迭代次数,从而改进PCNN图像分割算法.

1.1 简化的PCNN模型

应用简化的PCNN模型处理二维图像时，将每个像素的灰度值Iij作为神经元的外部激励,其描述为[14]250

(1)

(2)

(3)

(4)

(5)

其中，n为迭代次数；Iij[n]为输入刺激信号；Fij[n]为神经元(i,j)的第n次迭代反馈输入；Wijkl为神经元之间的连接权值；α为时间衰减系数；β为连接强度系数;Lij[n]为第n次迭代连接项；Uij[n]为第n次迭代内部活动项；θij[n]为第n次迭代动态门限；Yij[n]为第n次迭代所对应的脉冲耦合神经元(i,j)的输出值[15].

1.2 最小交叉熵

最小交叉熵描述的是分割前后图像信息量的差异，除对图像中目标和背景没有比例要求之外，对图像还具有一定的平滑能力，可以有效抑制噪声[16].具体计算公式为[17]166

(6)

(7)

(8)

(9)

(10)

(11)

其中，L为灰度级，一般L=256；(S*,T*)T为最小交叉熵对应的最佳阈值向量；D(S,T)为对应的二维交叉熵函数；uP(S,T)和uQ(S,T)分别为分割后的目标和背景的灰度；P(S,T)和Q(S,T)分别为目标和背景两类区域的先验概率；p(i,j)为二元组(i,j)在图像和其邻域平滑图像中出现的概率.记r(i,j)为图像中灰度级为i邻域平均灰度级为j的像素点个数，则p(i,j)和r(i,j)满足

(12)

1.3 最小交叉熵准则生成迭代次数

在用改进的PCNN模型进行图像分割时，每次迭代后输出的序列Y[n]为一个二值图像，而这个二值图像就是输出分割图像.传统的PCNN分割算法，往往需要根据多次试验人工调整设置迭代的次数，从而使分割的结果带有随机性.因此，如何选择最佳的迭代次数，得到最佳分割结果，是改进PCNN分割算法的关键.

文中结合最小交叉熵作为迭代控制准则，把求取最小交叉熵的过程，作为求取PCNN的迭代次数n的过程.在迭代过程中，计算每次迭代后输出的二值图像与分割前原图像的交叉熵是否达到最小，使得分割前后图像信息量差异最小，而获得的最小交叉熵时的迭代次数Nmax，就是所需的PCNN迭代次数，对应的输出序列构成的二值图像Y[n]，即为自动分割的理想结果.

2 基于改进PCNN模型的杨梅图像分割算法

2.1 颜色空间和颜色特征的选取

在进行采摘机器人果实识别研究时，除了常用的RGB颜色空间之外，还采用CMY，HSV，XYZ，Lab，HIS等颜色空间.采用RGB颜色空间对一些由复杂颜色组成的图像进行颜色分离，虽然有时会造成误分离，但由于它是图像处理中最基础、最常见的一种颜色模式，直接采用了与硬件相同的颜色系统，而自然界的光色又都是由红(R)、绿(G)、蓝(B)这三基色加权混合而成，因此采集的图像数据无需经过颜色模式的转换，可直接应用，增加了实时性[18].

在自然场景下，由于光线明暗不一，成像条件多变，造成场景的多样化，而且杨梅图像要去除的背景往往有树枝、树叶、未成熟的杨梅和天空等.再者RGB颜色空间受光照的影响较大，如果将RGB三个分量交织在一起，将无法直接分割.通过实验发现，成熟杨梅与其背景R-G颜色特征有明显的差异，将R-G作为PCNN 网络分割输入量，用一维代替原有图像的三维，能够提高分割效率.

2.2 基于改进PCNN模型的杨梅图像分割算法

1)对杨梅图像用R-G颜色特征进行处理，将R-G作为分割前的输入.

2)进行参数初始化.令α=0.1,β=0.1,W=[0.707 1 0.707;1 0 1;0.707 1 0.707].

3)自适应求取最小交叉熵所对应的迭代次数.

4)启动耦合连接PCNN网络，进行图像分割的迭代，直到达到迭代次数，停止网络的迭代，此时得到的图像分割效果最为理想.

3 实验结果与分析

为了验证文中提出的基于改进PCNN模型的杨梅果实图像分割算法的效果，以不同光照下的成熟杨梅图像为例(试验图像从江苏省马山杨梅种植区自然环境下拍摄，数码相机的型号为Canon Digital Ixus 200 IS；分辨率统一调整为640×480.所拍品种为乌梅种，目标为成熟期果实.拍摄角度多样，拍摄距离依采摘机器人视觉传感器的工作距离而定.)，采用Matlab 8.0编程仿真，进行杨梅果实图像的分割实验.

图1 原始图像Fig 1The original images

图2 直接进行PCNN分割的结果Fig 2The results of PCNN segmentation directly

图3 R-G预处理图像Fig 3The images after preprocessing

图1是拍摄的杨梅图像，图2是没有R-G预处理进行PCNN图像分割的结果.由于没有进行R-G预处理，图像中除了杨梅之外，还含有树枝、树叶、天空等背景，不能清晰地分割出杨梅图像，因此分割的效果很不理想.

图3是进行了R-G预处理后的结果.

为了验证文中方法的有效性，分别用传统的PCNN算法和文中算法对杨梅图像进行分割.

图4是进行R-G预处理后，用原始PCNN模型进行分割的结果，在分割前要分别设定所有参数，如幅度常数、链接系数、衰减系数和迭代参数等，实验结果充满了随机性，而且分割时间较长.

图5是进行R-G预处理后，用文中算法进行分割的结果.可以看出，分割结果符合杨梅果实的特征，分割效果好.

图4 基于R-G用传统PCNN算法进行分割的结果Fig 4 The segmentation results with traditional PCNN algorithm based on the R-G

图5 基于R-G用改进的PCNN算法进行分割的结果Fig 5 The segmentation results with improved PCNN algorithm based on the R-G

[1] 刘淑珍，张玉宝．杨梅采摘机械手研究展望[J].农机化研究，2009，12(12)：225．

[2] 崔永杰，苏帅，王霞霞，等．基于机器视觉的自然环境中猕猴桃识别与特征提取[J].农业机械学报，2013，44(5)：247．

[3] 罗陆锋，邹湘军，熊俊涛，等．自然环境下葡萄采摘机器人采摘点的自动定位[J].农业工程学报，2015，31(2)：14．

[4] 郑向阳，何倩．基于信息熵原理的水果定位检测方法[J].计算机仿真，2012，29(4)：279．

[5] 宋怀波，张传栋，潘景朋，等．基于凸壳的重叠苹果目标分割与重建算法[J].农业工程学报，2013，29(3)：163．[6] 彭红星，邹湘军，陈琰，等．基于演化算法的水果图像分割[J].农业工程学报，2014，30(18)：294．

[7] ECKHORN R，REITBOECK H J，ARNDT M，et al．Feature linking via synchronization among distributed assemblies:simulations of results from cat visual cortex[J].NeuralComputation，1990，2(3)：293．

[8] 邓翔宇，马义德．基于PCNN的自动图像分割[J].兰州工业学院学报，2014，21(3)：1．

[9] 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．

[10] 周东国，高潮，郭永彩．一种参数自适应的简化 PCNN 图像分割方法[J].自动化学报，2014，40(6)：1191．

[11] 马海荣，程新文．基于灰度相关性的改进PCNN图像自动分割算法[J].微电子学与计算机，2014，31(11)：10．

[12] 王博，万磊，李晔，等．基于自适应脉冲耦合神经网络的水平激光图像分割方法[J].光学学报，2015，35(4)：1．

[13] 聂仁灿，周冬明，赵东风．基于Unit-Linking PCNN和图像熵的图像分割新方法[J].系统仿真学报，2008，20(1)：222.

[14] 姚畅，陈后金，荆涛，等．一种基于改进的PCNN的视网膜血管树提取方法[J].光电子激光，2011，22(11)：1745．

[15] YANG Na，CHEN Hou-jin，LI Yan-feng，et al．Coupled parameter optimization of PCNN model and vehicle image segmentation[J].JTranspnSysEng&IT，2012，12(1)：48.

[16] 刘勍，马义德，钱志柏．一种基于交叉熵的改进型PCNN图像自动分割新方法[J].中国图象图形学报，2005，10(5)：579．

[17] 陈世文，刘越畅．一种基于最小交叉熵的canny边缘检测算法[J].电视技术，2013，37(1)：165．

[18] 崔淑娟，李健．基于色差信息的成熟苹果识别[J].西北大学学报(自然科学版)，2011，41(6)：993．

(责任编辑 惠松骐)

Improved PCNN bayberry image segmentation algorithm based on minimum cross entropy

XU Li-ming1,2，LÜ Ji-dong1

(1.School of Information Science and Engineering，Changzhou University,Changzhou 213164,Jiangsu,China;2.Department of Construction Equipment,Jiangsu Urban and Rural Construction College，Changzhou 213147,Jiangsu,China)

For the shortcomings of traditional pulse coupled neural net,such as model complexity,the number of iterations need to be manually adjusted,in this paper,PCNN model is improved,and a segmentation method based on R-G color component and improved PCNN model is put forward.Firstly,R-G color component of the bayberry image is used as input based on a simplified PCNN model.Then,the minimum cross entropy criterion is used to generate the iterations of PCNN.Finally,the bayberry image segmentation is achieved automatic with PCNN iteration.The results show that this method could effectively avoid background noise and enhance the quality of image segmentation compared with the traditional PCNN model algorithms,and make the results of the segmentation more in line with the characteristics of bayberry fruit.

PCNN;color feature;minimum cross entropy;image segmentation

10.16783/j.cnki.nwnuz.2016.01.010

2015-04-13;修改稿收到日期:2015-07-10

江苏省自然科学青年基金资助项目(BK20140266);江苏省高校自然科学研究面上项目(14KJB210001);江苏省高等职业院校国内高级访问学者计划资助项目(2014FX031);常州大学科研启动费资助项目(ZMF13020019)

徐黎明(1974— )，女，江苏南通人，副教授，硕士.主要研究方向为图像处理．

E-mail:892188160@qq.com

TP 391.41

A

1001-988Ⅹ(2016)01-0043-04

*通讯联系人，男，讲师，博士.主要研究方向为机器人视觉测量与控制.E-mail:vveaglevv@163.com.