基于图像信息测度和极限学习机的图像边缘检测

夏伟， 王萍， 马佳艳， 王晓敏(河海大学 物联网工程学院， 常州 213022)

基于图像信息测度和极限学习机的图像边缘检测

夏伟， 王萍， 马佳艳， 王晓敏
(河海大学 物联网工程学院， 常州 213022)

针对传统图像边缘检测速度慢和连续性差的缺点，通过构造图像信息测度特征属性，提出一种基于图像信息测度和ELM的图像边缘检测方法，采用度量F作为图像边缘检测的评价指标。研究结果表明，ELM图像边缘边缘检测效果优于LVQ、BP和Sobel算子，图像边缘更加清晰、纹理性较强、连续性好，并且具有较好地抗噪声性能。

信息测度； 极限学习机； 神经网络； 边缘检测

0 引言

图像边缘检测是计算机视觉和图像处理领域中重要的研究内容，其一直备受研究人员和学者的关注。传统的Sobel、Canny等算子边缘检测没有解决尺度自适应选择的问题[1]，在此基础上，信息测度理论被引入最佳尺度的自适应选择，实验效果较好。本文在图像信息测度的基础上，结合极限学习机[2](Extreme Learning Machine，ELM)快速学习和收敛速度快的优点，提出一种基于图像信息测度和ELM的图像边缘检测方法。为评价图像边缘检测效果的优劣，将度量F指标[3]用来评价图像边缘检测效果，实验结果表明，本文方法边缘检测效果优于LVQ[4]、BP[5]和Sobel算子[6]，图像边缘更加清晰、纹理性较强、连续性好，并且具有较好地抗噪声性能。

1 图像信息测度

图像信息测度[7]是衡量在一个小区域σ内图像复杂程度的量，一般σ为直径3～10个像素点的圆形。若在σ区域内图像无变化，则信息测度值等于0；反之，若在σ内存在边缘，则信息测度值较大。由此可知，图像信息测度是衡量图像边缘特性的重要指标参数。

若图像为f(x,y)，以像素点(x0,y0)为中心的邻域为σ，σ={(x,y)||x-x0|≤ρ,|y-y0|≤ρ}，其中ρ表示邻域半径，如图1所示。

图1 σ区域

l表示经过点(x0,y0)，并且角度为θ(0°～180°)的一条直线，它将σ区域划分为σ1和σ2两个部分。

为了度量σ区域内的图像边缘信息，将图像信息测度参数定义如下：

1.1 邻域一致性测度

(x0,y0)点的邻域一致性测度R(x0,y0)定义如式(1)[8]。

(1)

(2)

(3)

其中，fσ1k、fσ2k分别表示σ1k和σ2k区域内所有像素点灰度值的和。

R(x0,y0)能够有效地反映图像边缘点在邻域内的灰度分布情况，在边缘区，R(x0,y0)较大；反之，若在图像平滑区，则R(x0,y0)值较小。

1.2 方向性信息测度

(x0,y0)点的方向性信息测度O(x0,y0)定义如式(4)。

(4)

若在图像边缘区，则O(x0,y0)值较大；反之，若在图像平滑区，则O(x0,y0)值较小。

1.3 结构性信息测度

(x0,y0)点的结构性信息测度C(x0,y0)定义如式(5)。

(5)

其中，点(x,y)∈lk，g(x,y)表示点(x,y)处的梯度幅值，如式(6)。

(6)

由于C(x0,y0)具有平均作用，故能够降低噪声对边缘的影响。

2 极限学习机

极限学习机是一种新型的单隐含层前馈神经网络[9](single-hidden layer feed-forward neural networks，SLFNs)，其是在Moore-Penrose矩阵理论基础上所提出的快速学习算法，其结果示意图，如图2所示。

图2 ELM结构示意图

(7)

其中，ai=[ai1,ai2,…,ain]T表示第i个隐含层神经元的输入权值；βi=[βi1,βi2,…,βim]T表示第i个隐含层神经元的输出权值；ai·xj表示ai和xj的内积；bi表示第i个隐含层神经元的偏置，可由矩阵表示为式(8)、式(9)。

Ηβ=T

(8)

其中

求解该问题就是寻找最优的权值W=(a,b,β)，使代价函数E(W)最小，其数学模型可表示为[7-9]为式(10)、(11)。

(10)

(11)

3 基于图像信息测度和ELM的边缘检测

通过前面定义的3个图像信息测度指标邻域一致性信息测度R(x0,y0)、方向性信息测度O(x0,y0)和结构性信息测度C(x0,y0)构成图像边缘检测的3个特征分量，则图像边缘检测的特征向量I(i,j)可表示为式(12)。

I(i,j)={R(i,j),O(i,j),C(i,j)}

(12)

图像信息测度和ELM的图像边缘检测的流程如下：

(1)通过Sobel算子获得样本图像的图像边缘，将其作为ELM的目标样本；

(2)利用人工筛选方法去除噪声影响产生的图像虚假边缘；

(3) 对图像边缘点和非边缘点编码，其中边缘点编码为[1，0]T，非边缘点编码为[0,1]T；

(4)随机抽取相同数量的边缘点和非边缘进行ELM训练，训练完成后可计算获得图像边缘的特征向量I(i,j)；

(5)将训练完成的ELM模型提取图像边缘。

4 实证分析

4.1 评价指标

为了验证图像边缘检测方法的优劣，选择Abdou和Pratt提出的度量F评价图像边缘检测结果的好坏。度量F的表达式，如式(13)。

(13)

其中，IA,II分别表示实际边缘点数量和实际检测出来的边缘点数量；d(i)表示标准边缘点和实际检测出来的边缘点之间的距离；α表示调节因子。

4.2 实验结果

为验证本文算法的有效性和可靠性，选择Lena和Cameraman两幅标准测试图像[10-11]为研究对象，二者如图3所示，将本文算法和BP、LVQ和Sobel算法进行对比，对比结果如图3～4所示。

(a)Lena

(b)Cameraman

图3 标准测试图像

(a)Sobel

(b)BP

(c)LVQ

(d)ELM

图4 Lena边缘检测结果

由图4和图5可知，ELM和LVQ、BP、Sobel算子均能够实现原始图像边缘的刻画和描述，但ELM检测出的边缘图像比LVQ、BP、Sobel检测的边缘图像边缘更加清晰、纹理性较强、连续性非常好，如图6所示。

由图6(a)和图6(b)可知，ELM图像边缘边缘检测效果优于LVQ、BP和Sobel算子，效果较好，并且具有较好地抗噪声性能，从而证明本文方法的有效性和可靠性。

(a)Sobel

(b)BP

(c)LVQ

(d)ELM

图5 Cameraman边缘检测结果

(a)Lena

(b)Cameraman

图6 度量F随信噪比SNR变化图

5 总结

本文在图像信息测度的基础上，提出一种基于图像信息测度和ELM的图像边缘检测方法。采用度量F作为图像边缘检测的评价指标，研究结果表明，ELM图像边缘边缘检测效果优于LVQ、BP和Sobel算子，具有较好地抗噪声性能，图像边缘更加清晰、纹理性较强、连续性好。

[1] 吉玲, 杨亚, 付珊珊,等. 一种改进的Canny边缘检测算法[J]. 微处理机, 2015(1):40-43.

[2] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1-3):489-501.

[3] Abdou I E, Pratt W. Quantitative design and evaluation of enhancement/thresholding edge detectors[J]. Proceedings of the IEEE, 1979, 67(5):753-763.

[4] 熊联欢, 胡汉平, 李德华,等. 用BP网络进行彩色图像分割和边缘检测[J]. 华中科技大学学报自然科学版, 1999, 27(2):87-89.

[5] 沈德海, 鄂旭, 张龙昌. 基于Sobel算子的医学图像边缘检测研究[J]. 电子设计工程, 2015, 23(7):141-144.

[6] 夏清, 胡振琪, 许立江,等. 一种改进Sobel算子的热红外影像边缘检测方法[J]. 红外技术, 2015(6):462-466.

[7] 李琳琳, 王纪奎, 宋艳芳,等. 基于蚁群优化算法的图像边缘检测[J]. 计算技术与自动化, 2015(3):96-99.

[8] 杨萍, 张玉杰, 李秦君. 基于LS-SVM的contourletHMT变换的孔型测量图像边缘检测[J]. 计算机测量与控制, 2015, 23(10):3281-3282.

[9] Huang G B, Zhou H, Ding X, et al. Extreme learning machine for regression and multiclass classification.[J]. IEEE Transactions on Systems Man amp; Cybernetics (Part B), 2012, 42(2):513.

[10] 郑美珠, 赵景秀. 基于区域一致性测度的彩色图像边缘检测[J]. 计算机应用, 2011, 31(9):2485-2488.

[11] 余瑞艳. 基于方向信息测度的图像边缘检测[J]. 数学研究, 2011, 44(2):214-218.

ImageEdgeDetectionBasedonImageInformationMeasureandExtremeLearningMachine

Xia Wei, Wang Ping, Ma Jiayan,Wang Xiaomin
(College of Internet of Things Engineering，Hohai Unicersity, Changzhou 213022)

In order to overcome the disadvantages of the traditional image edge detection, such as slow speed and poor continuity, a new image edge detection method based on image information measure and ELM is proposed.Fmeasurement is used as the evaluation index of image edge detection, the results show that the edge of ELM image edge detection effect is better than those of LVQ, BP and Sobel operator, image edge is more clear and strong texture, good continuity, and has better anti noise performance.

Information measure; Extreme learning machine; Neural network; Edge detection

夏伟(1991-)，男，江苏兴化人，硕士研究生，研究方向：智能信息处理理论与技术。

王萍(1963)，女，江苏常州人，副教授，研究方向：智能信息处理理论与技术。

马佳艳(1993)，女，江苏苏州人，硕士研究生，研究方向：智能信息处理理论与技术。

王晓敏(1993)，女，安徽天长人，硕士研究生，研究方向：智能信息处理理论与技术。

1007-757X(2017)11-0074-05

TP311

A

2017.10.28)