基于改进神经网络的图像边缘分割技术

卫洪春

摘 要： 采用梯度下降法进行图像边缘分割时受到噪声的干扰，训练过程中存在局部最佳解，从而导致图像边缘分割效果和泛化性能差。为此，提出基于改进神经网络的图像边缘分割方法，采集样本图像的中值特征量、基于梯度的特征量、Krisch算子方向特征量，融合三个特征向量塑造具备较强抗噪性能的样本图像特征向量，通过基于特征向量和BP神经网络的边缘检测算法，将样本图像特征向量输入四层BP神经网络，采用改进BP算法训练四层BP神经网络，采用训练后的改进神经网络完成图像边缘分割。实验结果表明，所提图像边缘分割方法细节保有性能强，分割精度和泛化能力强。

关键词： 改进神经网络； 图像边缘； 图像分割； 梯度特征； 中值特征； 改进BP算法

中图分类号： TN911.73?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2018）16?0112?04

Abstract： There exist noise interference when the gradient descent method is used for image edge segmentation and local optimal solution in its training process， resulting in poor image edge segmentation effect and generalization performance. Therefore， an image edge segmentation method based on improved neural network is proposed. The median feature quantity， gradient?based feature quantity， and Krisch operator direction feature quantity of sample images are collected. The three feature vectors are fused to shape the feature vector with strong anti?noise performance for the sample image. The feature vectors of sample images are input into the four?layer BP neural network by means of the edge detection algorithm based on the feature vector and BP neural network. The improved BP algorithm is used to train the four?layer BP neural network. The improved neural network is used to complete image edge segmentation. The experimental results show that the proposed image edge segmentation method has strong detail preservation performance， segmentation precision， and generalization capability.

Keywords： improved neural network； image edge； image segmentation； gradient feature； median feature； improved BP algorithm

圖像的关键特征是边缘，其广泛应用在计算机视觉、模式识别等领域。图像边缘检测是数字图像处理领域研究的重点[1]。寻求有效的图像边缘分割方法，对于医疗、军事、探测以及工业等领域具有重要的应用价值。以往BP神经网络方法大都采用梯度下降法实现图像边缘分割，其训练时会出现局部最佳值，导致图像分割精度大大降低，泛化性能差。图像边缘检测是一种分类过程，可通过BP神经网络进行有效分类，本文通过样本图像训练BP神经网络，通过训练好的神经网络检测图像边缘。神经网络训练过程中，采集的特征需要对噪声点同真实边缘间的差异进行充分分析，该方法抗噪性能强[2]。因此，本文提出基于改进神经网络的图像边缘分割方法，实现图像边缘的快速、准确分割。

1 基于改进神经网络的图像边缘分割技术

1.1 图像特征向量提取

在图像里产生灰度突变的点统称为图像的边缘，其在邻域里的灰度布局是有规律并有方向的。噪声点与其差异在于即使也有灰度突变[3]，但不存在方向性这一特征。建立3×3邻域像素灰度值来对恢复突变进行描述，由于边缘点与噪声点存在不同，通过建立适应各自的特征量来对二者的不同进行描述，可以提高图像边缘分割算法的抗噪性。

1.2 基于特征向量和BP神经网络的边缘检测算法

BP网络是一种具有代表性和广泛应用的多层前馈式误差反向传播的神经网络。BP网络操作流程是将输入信号[Xi]在中间节点（隐层点）进行非线性变换获得输出信号[Yk]。输出向量[Y]与期望输出量[t]是网络训练样本的基础量。想要让[Y和t]之间的误差顺梯度方向减小，那么就要改变输入节点和隐层节点的结合强度取值[Wi，j]，以及隐层节点和输出节点之间的结合强度[Tjk]和阈值。多次实践训练后，得出与最小误差符合的网络参数（权值和阈值）训练便可以完成。BP神经网络通过训练后可以对相似样本输入信号，自动对输出结果进行调整以保证得到最小误差[6]，最后输出通过非线性转换的信息。

基于特征向量和BP神经网络的边缘检测算法如图1所示，融合1.1节获取的三个特征向量塑造具备较强抗噪性能的样本图像特征向量，将该样本图像特征向量当作样本对四层BP网络进行训练[7]，得出BP网络直接进行图像边缘检测。输入层、隐含层、输出层是BP神经网络的基本层。本文所分析的BP网络为在基本层之后增加隐含层，是一种四层BP网络，这样可以使网络收敛速度得以提升[8]。选取3个输入节点，即中值特征量[Mi，j]、基于梯度的特征量[Gi，j]、Krisch算子方向特征量[Ki，j]；选取2个输出节点，用来代表边缘与背景。

在训练中，通过对选取的图像的各向同性Krisch算子获取图像的边缘，并对其进行过滤，除掉因噪声产生的虚假边缘获取合格的有效边缘，即图像信号采用边缘点编码（1，0），背景区域编码（0，1）来描述；利用改进后的BP算法训练四层神经网络对图像中各点提取边缘特征向量进行训练[9]。通过反复训练获取网络隐含层的节点数和学习步长以及动量因子。

基于特征向量和BP神经网络的边缘检测算法的详细步骤为：

1） 在所选的训练图像上，利用窗口滑动计算像素点的统计向量，获取BP网络训练样本。选择Lena为训练图像，见图2a）。

2） 计算出3个特征分量（中值特征量、基于梯度的特征量、Krisch算子方向特征量），同时再定义[Xi，j]作为一个新样本分量：

3） 训练BP网络。选取的BP网络由1个隐层、4个节点的输入层、1个节点的输出层组成。隐层的节点数尚未确定，通过经验公式对隐层节点数进行选取。设隐层节点数为[n1]，则有：

通过实验得出隐层节点数有3个。

4） 在BP网络训练后，对边缘进行检测。输入图像特征向量，BP网络训练完成后能够直接选取边缘点从而得出边缘图。所得图像是灰度图像，再对阈值进行设置得出二值图像。

2 实验分析

椒盐噪声与高斯噪声是数字图像中经常存在的噪声。所以本文实验所用图像为迭加椒盐噪声的血细胞图像、迭加高斯噪声的TM影像。图3a）为迭加椒盐噪声血细胞图像。利用本文方法取得所需特征向量，再利用改进后的BP算法进行网格训练。其中，网络隐含层节点数是6，8，学习步长是0.3，动量因子是0.4，进行1 014次迭代后收敛。通过Sobel方法与本文算法中已训练的BP网格对实验图像边缘进行检测，所得结果见图3b）、图3c）。

图4a）为迭加高斯噪声的TM影像。利用本文方法对网络进行训练。其中，网络隐含层节点数是7，8，学习步长是0.3，动量因子是0.5，进行1 086次迭代后收敛。通过Sobel方法与本文方法对该图像边缘进行检测，所得结果见图4b）、图4c）。

分析图3和图4可得，采用本文方法检测图像边缘，能够使噪声干扰降低，图像边缘分割效果远高于Sobel方法。

实验检测本文方法以及Sobel方法对彩色图片的边缘分割结果如图5所示。

分析图5可以看出，相对于Sobel方法，本文方法能够在细节处理方面得到提升，细节保有性能强，并且在检测弱边缘时能力有所增强，所得图像边缘更加明显，本文方法的分割精度高。

利用camera标准灰度图像对本文方法泛化能力进行检测，所选图像尺寸为256×256，见图6a）。将经过归一化处理的图像，输入经过训练的BP网络，所得结果见图6b）。本文方法能够有效地提取camera灰度图像边缘，即证明本文方法在图像边缘检测方面的泛化能力特别强。

图7为本文方法训练时的误差曲线。观察曲线走势可知，误差在训练至300次以前迅速下降，此时收敛的速度比较快；在训练经过300次以后，误差曲线较为平坦，比较接近训练所需结果，因此可以看出，训练的次数不宜过多，本文方法选取了1 000次训练；同时曲线没有明显的波动，所以证明了本文方法是一种高效率的图像边缘分割技术。

3 結 论

本文采用改进神经网络的图像分割方法，其基于采集的图像中值特征量、基于梯度的特征量、Krisch算子方向特征量，采用基于特征向量和BP神经网络的边缘检测算法实现图像边缘的高精度分割。

参考文献

[1] 易盟，隋立春.基于改进全卷积神经网络的航拍图像语义分类方法[J].计算机工程，2017，43（10）：216?221.

YI Meng， SUI Lichun. Aerial image semantic classification method based on improved full convolution neural network [J]. Computer engineering， 2017， 43（10）： 216?221.

[2] 靳淑祎.基于改进型脉冲耦合神经网络图像噪声滤波算法研究[J].激光杂志，2016，37（1）：142?144.

JIN Shuyi. Research on image noise filtering algorithm based on improved pulse coupled neural network [J]. Laser journal， 2016， 37（1）： 142?144.

[3] 廖晓磊，赵涓涓.基于改进自生成神经网络的肺部CT序列图像分割[J].计算机科学，2017，44（8）：296?300.

LIAO Xiaolei， ZHAO Juanjuan. Segmentation of lung CT image sequences based on improved self?generating neural networks [J]. Computer science， 2017， 44（8）： 296?300.

[4] 邹瑜，帅仁俊.基于改进的SOM神经网络的医学图像分割算法[J].计算机工程与设计，2016，37（9）：2533?2537.

ZOU Yu， SHUAI Renjun. Improved segmentation algorithm of medical images based on SOM neural network [J]. Computer engineering and design， 2016， 37（9）： 2533?2537.

[5] 黄卫，文坤梅.基于改进神经网络的4K超高清图像清晰化技术研究[J].现代电子技术，2017，40（14）：120?123.

HUANG Wei， WEN Kunmei. Research on 4K ultrahigh?definition image clearness technology based on improved neural network [J]. Modern electronics technique， 2017， 40（14）： 120?123.

[6] 彭晏飞，周娟，訾玲玲.于卫星地域遥感图像分割方法研究仿真[J].计算机仿真，2017，34（1）：332?335.

PENG Yanfei， ZHOU Juan， ZI Lingling. The simulation research on regional satellite remote sensing image segmentation method [J]. Computer simulation， 2017， 34（1）： 332?335.

[7] 吴曦，姚楠，许建刚.基于改进神经网络算法的变电站变压器裂纹图像识别[J].现代电子技术，2017，40（13）：66?69.

WU Xi， YAO Nan， XU Jiangang. Substation transformer crack image recognition based on improved neural network algorithm [J]. Modern electronics technique， 2017， 40（13）： 66?69.

[8] 周鹏飞，张月琴.基于模糊BP神经网络的图像分割方法研究[J].计算机工程与设计，2014（7）：2423?2426.

ZHOU Pengfei， ZHANG Yueqin. Study on image segmentation based on fuzzy BP neural network [J]. Computer engineering and design， 2014（7）： 2423?2426.

[9] BALAKUMAR B， RAVIRAJ P. Automatic morphology?based MRI brain segmentation in edge detection with neural?network optimization [J]. International journal of applied engineering research， 2015， 10（7）： 18221?18229.

[10] LI W， PENG D， WU J. Extraction of seedlings information based on improved edge segmentation algorithm [J]. Transactions of the Chinese Society for Agricultural Machinery， 2014， 45（4）： 259?263.