基于脉冲耦合神经网络的乳鼠心肌细胞图像增强

陈 洁，雷 萌

（1. 西藏民族大学 信息工程学院，陕西 咸阳 712082；2. 西藏自治区光信息处理与可视化技术重点实验室，陕西 咸阳 712082）

0 引言

图像处理技术是细胞显微图像分析的重要手段，通过对细胞显微图像的去噪、增强、平滑、轮廓检测、目标分割等操作，可以对细胞进行识别、特征提取、特征统计等，从而为医学、药理学研究分析提供帮助[1-2]。

脉冲耦合神经网络PCNN（Pulse Coupled Neural Network）是一种较新的神经网络模型，模拟哺乳动物视觉皮层神经元对视觉信号的反应。其特点是无需通过大量训练，且处理过程符合人类视觉特征，因此在图像处理领域有其独特的应用优势和前景。本文研究了图像增强技术[3-5][8-10]，选择基于脉冲耦合神经网络（PCNN）的方法对乳鼠心肌细胞图像进行增强处理。

1 PCNN模型

脉冲耦合神经元由接收输入域、非线性连接调制域和脉冲产生域三部分组成[6]。接收输入域由线性连接输入L和反馈输入F两部分组成。线性连接输入部分接收邻域神经元突触的输入信号，反馈输入除了接收邻域神经元的反馈信号外，还接收来自外界的刺激信息输入。两个输入通道的信号经过调制域形成内部活动项U，当U大于动态阈值E时，神经元点火，发出脉冲信号。同时，脉冲信号被反馈回阈值调整模块，动态阈值 E被提升到 VE（VE>U），神经元不再发出脉冲。接着，动态阈值E根据衰减时间常数αE发生衰减，直到U>E，再次发出脉冲信号。现阶段图像处理领域较流行的简化的PCNN模型[8]如图1所示，该简化模型从反馈输入F中去掉了邻域神经元的反馈信号，只接收外界信息输入（在图像处理中一般以该像素灰度值S作为F输入）。图1所示的简化PCNN模型的数学公式如式（1）到式（5）。

图1 简化PCNN神经元示意图Fig.1 Simplified PCNN neuron diagram

以上公式中，n是脉冲点火迭代次数，Fij为外部输入信号，等于该像素灰度值Sij。Lij为邻域神经元连接输入，VL为连接输入的固有电势，Wijkl为内部连接矩阵，存储对邻域神经元连接的加权系数。Uij为内部活动项，β为连接强度系数。Eij为动态阈值，VE为阈值调整部分的固有电势，e-αE为动态阈值E的时间衰减常数。Yij为PCNN的脉冲输出函数。

2 PCNN图像增强

图像增强的目的是根据图像的具体使用场景，突出感兴趣目标的轮廓，增加前背景对比度，提高目标特征的可识别性，改进图像的质量，以满足特定应用场景下的分析需要。人眼的主观亮度变化感知和物理亮度变化符合韦伯-费希纳定律，即人眼对亮度变化的感知跟实际亮度变化不成正比，而是类似对数关系。石美红、张军英等根据人眼对图像亮度感知机制，用改进的PCNN方法对图像增强[9-10]。文献[9]使用式（6）的输出结果替代原PCNN输出，增加目标亮度。并结合拉普拉斯算子修改神经元动态阈值初始值，用以模拟人眼的马赫带效应，使图像边缘处的神经元更容易点火，目标边缘像素对比度更强。

式（6）中，EnhIij表示神经元(i,j)点火后的输出信号，Bri是图像中最大亮度值，αE是 PCNN动态阈值时间衰减常数，k是神经元(i,j)的点火时间顺序，Yij是PCNN点火脉冲信号。此方法被证明可以提升图像亮度，增强图像边缘，使轮纹理细节更突出。因此本文采用该方法处理乳鼠心肌细胞图像，使细胞肌纤维纹理更清晰，可辨识度更高，为进一步研究分析提供有力依据。

3 实验结果分析

实验使用 Matlab7.0，分别采用本文第 3节PCNN图像增强和形态学图像重建方法[15-16]，对乳鼠心肌细胞图像进行增强处理。图3是用形态学重建方法对原图进行了增强。图4是PCNN增强图像，图5是PCNN增强后进行了直方图均衡化处理的图像。可以看出，图5比图3细胞肌纹理更清晰，亮度更均匀，目标边缘轮廓保持更完整。实验表明，PCNN图像增强方法对于处理细节性较强的图像，既能提高图像亮度，增强前背景对比度，又能较好地保留细微纹理及轮廓。

图2 原图像Fig.2 The original image

图3 形态学重建图像Fig.3 The image processed by morphological reconstruction

4 结论

本文采用的基于PCNN的图像增强方法较适合像心肌细胞显微图像这类前景背景分明、需要突出细节的图像。本文采用的方法基于原图像最大灰度值对数，对整体亮度较暗的图像有一定增强作用，但处理后的图像灰度范围仍较窄，进行图像均衡化处理后，获得了更好的效果。

图4 PCNN增强图像Fig.4 The image enhanced by PCNN

图5 进行直方图均衡化Fig.5 Processed by histogram equalization

[1] 盛有明, 张正国, 张坚, 修瑞娟. 基于数字图像处理的离体培养心肌细胞搏动行为的动态分析技术[J]. 生物医学工程研究, 2011, 30(01): 9-14.SHENG Y M, ZHANG Z G, ZHANG J, et al. Image Processing based on Dynamic Analysis for Pulsatile Behavior of Cultured Cardiomyocytes[J]. Journal of Biomedical Engineering Research, 2011, 30(1): 9-14. (in Chinese)

[2] 唐思源, 柳原, 崔媛. 利用支持向量机对癌细胞的识别[J].软件, 2014, 35(3): 170-171.TANG S Y, LIU Y, CUI Y. SVM Identification of Cancer[J].computer engineering & Software, 2014, 35(3): 170-171. (in Chinese)

[3] 孙英慧, 孙英娟. 基于统计的三均衡的图像增强研究[J].软件, 2016, 37(12): 188-191.SUN Y H, SUN Y J. Image Enhancement Based on Tri-Histogram Equalization Using Statistics[J]. computer engineering & Software, 2016, 37(12): 188-191.(in Chinese)

[4] 屈卫锋, 徐越, 牛磊磊, 张海辉, 宋怀波. 光照不均QR二维码图像的高效处理方法研究[J]. 软件, 2015, 36(6):47-52.QU W F, XU Y, NIU L L, et al. A Study of an Efficient Method for the Processing of Uneven Illumination QR Code Images[J]. computer engineering & Software, 2015, 36(6):47-52.(in Chinese)

[5] 张璐, 谢刚. 基于粗糙集和属性直方图的医学图像增强[J].软件, 2012, 33(02): 99-101.ZHANG L, XIE G. Medical image enhancement using rough sets and bound histogram[J]. computer engineering & Software, 2012, 33(02): 99-101.(in Chinese)

[6] 陈昱莅. 基于参数自动设置的简化PCNN模型(SPCNN)的图像分割及其在目标识别上的应用[D]. 兰州大学, 2011.CHEN Y L. Image Segmentation by a Simplified PCNN with Automatic Parameter Setting Method and Its Application to Object Recognition[D]. Lanzhou University, 2011. (in Chinese)

[7] 何水明. PCNN在图像处理中的若干问题研究[D]. 中国地质大学, 2014.HE S M. Research on Several Issues about Image Processing Based on Pulse Coupled Neural Networks[D]. China University of Geosciences, 2014. (in Chinese)

[8] 张红娟. 基于PCNN的图像去噪和图像增强方法研究[D].兰州大学, 2011.ZHANG H J. Study Of Image Noise Reduction And Image Enhancement Based On PCNN[D]. Lanzhou University, 2011.(in Chinese)

[9] 石美红, 张军英, 李永刚, 吴戴明. 一种新的低对比度图像增强的方法[J]. 计算机应用研究, 2005(1): 235-238.SHI M H, ZHANG J Y, LI Y G, et al. A New Method of Low Contrast Image Enhancement[J]. Application Research of Computers, 2005(1): 235-238. (in Chinese)

[10] 张军英, 卢涛. 通过脉冲耦合神经网络来增强图像[J]. 计算机工程与应用, 2003(19): 93-95+127.ZHANG J Y, LU T. Enhanced of Image by PCNN[J]. Computer Engineering and Applications, 2003(19): 93-95+127.(in Chinese)

[11] 张军英, 樊秀菊, 董继扬, 石美红. 一种改进型脉冲耦合神经网络及其图像分割[J]. 电子学报, 2004(7): 1223-1226.ZHANG J Y, FAN X J, DONG J Y, et al. Image Segmentation Based on a Modified Pulse-Coupled Neural Network[J].ACTA ELECTRONICA SINICA, 2004(7): 1223-1226. (in Chinese)

[12] 沈艳, 张晓明, 韩凯歌, 姜劲. PCNN图像分割技术研究[J].现代电子技术, 2014, 37(2): 38-41.SHEN Y, ZHANG X M, HAN J G, et al. Research of image segmentation technology based on PCNN[J]. Modern Electronics Technique, 2014, 37(2): 38-41. (in Chinese)

[13] 张小琴, 余列, 李懿. 基于PCNN模型的生物细胞图像分割[J]. 吉首大学学报(自然科学版), 2014, 35(1): 46-49.ZHANG X Q, YU L, LI Y. Biological Cell Image Segmentation Based on PCNN[J]. Journal of Jishou University (Natural Science Edition) 2014, 35(1): 46-49.(in Chinese)

[14] 余成波, 孔庆达, 田桐. 基于CLAHE与同态滤波的细胞图像增强新方法[J]. 微型机与应用, 2017, 36(4): 51-52+62.YU C B, KONG Q D, TIAN T. New approach to the cell image enhancement based on adaptive histogram equalization and homomorphic filtering[J]. MICROCOMPUTER ITS APPLICATIONS, 2017, 36(4): 51-52+62. (in Chinese)

[15] 陈洁, 胡永, 刘泽国. 基于标记的分水岭图像分割算法研究[J]. 软件, 2012, 33(9): 115-117.CHEN J, HU Y, LIU Z G. Research on Image Segmentation Based on Marked-Watershed[J]. computer engineering &Software2012, 33(9): 115-117. (in Chinese)

[16] 刘燕妮, 张贵仓, 安静. 基于数学形态学的双直方图均衡化图像增强算法[J]. 计算机工程, 2016, 42(1): 215-219.LIU Y N, ZHANG G C, AN J. Double Histogram Equalization Image Enhancement Algorithm Based on Mathematical Morphology[J]. Computer Engineering, 2016, 42(1): 215-219. (in Chinese)