基于改进脉冲耦合神经网络的电路板红外图像分割

郝建新,王 力

(1.中国民航大学基础实验中心,天津 300300；2.中国民航大学职业技术学院,天津 300300)

1 引 言

近些年,红外技术被广泛地应用于非接触的电路板故障无损检测领域,通过获取电路板红外图像的温度信息判断元件的状态[1]。与传统诊断方法相比,基于红外的故障诊断技术检测速度快、通用性强、操作简便。但是,由于红外图像本身对比度较差、信噪比低,发热元件间辐射影响大,使得元件发热区域较为模糊。因此,要实现基于温度数据的电路板故障非接触式无损诊断,必须首先借助图像分割技术准确提芯片发热区。

PCNN网络最早由德国科学家Eckhorn[2]等提出,它将图像中每个像素视为可发放脉冲的神经元,利用神经元耦合将空间邻近相似像素组合一起。由于该网络可以较好地处理图像目标与背景区域重叠部分,忽略同一区域内像素间较小的灰度差异并弥补同一空间内的空间间隙[3],因此被广泛地用于图像分割领域。20世纪初期,Johnson[4]提出了基于PCNN的图像处理算法并详细讨论了实施细节；Kuntima和Ranganath[5]提出的基于PCNN的理想图像分割方法为分割参数设置问题提供了新的研究思路；马义德等利用最大熵值[6]、最小交叉熵[7]、超模糊熵[8]计算模型中的最佳迭代次数；王燕[9]等针对灰度不均匀图像提出了基于区域生长的局部脉冲耦合神经网络分割方法；文献[10]将阈值嵌入PCNN模型中并以此完成了对红外图像的分割；以此为基础,文献[11]将光谱残差信息融合进模型中,从而进一步提高了分割性能。文献[12]中Robert等人开发了一种基于区域生长准则的PCNN分割方法将图像分割成多个区域；利用简化的上述模型LU[13]完成了图像多级分割；文献[14]在PCNN迭代过程中采用决策树策略下的模糊集理论进行区域生长,提出分割性能更优的参数设置方法。

当前,PCNN研究所遇到最大挑战为:如何依据图像信息调整神经元链接系数与触发阈值来提高分割性能的同时,避免图像的过(欠)分割。例如,Ranganath[15]等人提出了计算整体图像全局参数或自适应局部参数的解决方案；文献[16]利用进化的方法设置PCNN参数以提高分割性能。但是PCNN模型固有的参数调整难题依然存在,在实际工程领域应用中表现尤为明显。

本文结合当前PCNN在图像分割中遇到的问题,调整传统PCNN模型结构,增加输入参数和边缘约束算法,改进链接系数设置方法和模型迭代终止条件。将改进后模型应用于机载电路板红外图像分割,实验结果表明,改进模型可以准确提取目标区域,提高了分割性能,改善了分割视觉效果。

2 PCNN模型改进与优化

2.1 传统PCNN模型

如图1所示为传统PCNN模型结构,包括反馈输入域、耦合链接域和脉冲发生域,可用式(1)～(5)所示数学方程描述。

图1 典型PCNN模型结构图

其中,Ix为输入图像像素位置原始灰度值；Fx与Lx分别为神经元反馈输入域通道和链接通道；M与W分别为输入域和链接域的链接系数,反应邻域神经元对当前神经元的影响程度。

(1)

(2)

Ux(n)=Fx(n)·[1+βLx(n)]

(3)

(4)

Ex(n)=e-αEEx(n-1)+VEYx(n)

(5)

其中,β表示链接强度,决定耦合链接通道权重大小；Ux为模型内部状态信号；Ex为神经元的动态阈值,VE为动态阈值放大系数,控制神经元激活后增加的门限阈值；αF、αL和αE分别决定了神经元输入通道、链接通道反馈项和动态阈值的衰减速度；Yx为当前神经元的脉冲输出,是内部活动项与动态阈值在脉冲发生器中进行比较后输出的响应结果。

2.2 PCNN模型优化

传统PCNN模型参数多、结构复杂,链接域固定,不适合直接应用于红外图像分割,因此需要对传统模型进行结构调整和参数优化,增强神经元发放脉冲能力,降低参数整合难度,提高图像分割性能。

2.2.1 模型结构调整

以传统PCNN模型为基础框架,调整后的PCNN模型如图2所示。

图2 PCNN模型优化结构图

首先,将图像梯度信息Gx作为输入信号添加到改进后的PCNN模型输入域,如式(6)所示:

(6)

式中,Gx,h和Gx,y分别为输入图像在水平方向h和垂直方向v的一阶导数；

其次,按照式(7)和式(8)所示简化传统模型的反馈输入域和链接域。

Fx(n)=Ix

(7)

(8)

式中,Ix为输入图像的像素值；Wx,y为权重矩阵,为中心神经元对应像素到邻域神经元对应像素的欧几里得距离平方的倒数,如式(9)所示：

(9)

最后,依据式(10),将边缘约束算法加入到模型的脉冲输出域,重新定义神经元动态激发阈值Ex,控制阶跃函数完成神经元的点火激发。

(10)

式中,Ω1和Ω2分别代表当前图像背景和激发两种状态；ΔTx为迭代过程中神经元动态激发阈值变化量,如式(11)所示:

(11)

2.2.2 模型链接系数优化

首先,如式(12)所示定义活动神经元集合X:

X={z|Lz(n)>0}∩{z|Yz(n-1)=0}

(12)

将活动神经元X分为激活状态X1和未激活状态X2两类,利用如式(13)所示数学准则对链接系数β进行评价。

(13)

式中,p为各分类的概率密度,其概率密度分布用如式(14)和式(15)所示的高斯函数描述:

(14)

Ωi={x|YX(n-1)=i-1},i=1,2

(15)

式中,mi(n)为Ωi内的像素均值；σi为第i组数据的标准差,本文中取σ1=σ2。利用最大似然估计法建立概率密度p(X==x|βn),通过取对数操作将βn分离出式(14),其表达式如式(16)所示:

(16)

(17)

先令βmin=0,依据式(17)计算得到链接系数的最大值βmax完成链接系数初始化。然后依据图3所示流程计算并求取本次迭代过程中的链接系数βn值。

图3 链接系数计算流程图

2.2.3 模型脉冲发生域优化

脉冲发生区域外邻域神经元受到已激发神经元影响而变得异常活跃,边缘神经元发生点火时,边界外的邻域神经元也随之被捕获而点火激发,致使图像过分割。参考文献[17],应用非极大值抑制法结合图像梯度信息,如式(18)所示将邻域神经元由激发状态转为抑制状态。

(18)

式中,x1和x2为目标神经元的邻域神经元。为提升神经元的分组性能,在迭代过程中使用改进非极大值抑制法进行边缘约束,依据式(19)定义边缘标准阈值。

th=η×max(Gx),x∈X

(19)

式中,η为常数,需要在实验中依据图像手动设置。当图像中的梯度值比th值大时,该点被设置为非激发状态0,否则设置为激发状态1,从而抑制了目标之外的神经元,提高了分割性能。

2.2.4 模型迭代终止条件优化

针对传统PCNN模型易出现欠(过)分割现象,引入评价红外图像信息量的Renyi熵,如式(20)所示。

(20)

式中,α是Renyi熵的阶数。由于利用红外图像直方图计算出的Renyi熵丢失了空间信息[18],熵值极易受到高噪声的影响而降低分割准确度。为此,使用二维Renyi熵信息度量法将红外图像的像素集划分为目标集O与背景集B,重新定义二维Renyi熵,如式(21)～(23)所示,

S=SO+SB

(21)

(22)

(23)

式中,SO和SB为目标集与背景集的二维Renyi熵；hO和hB为目标集与背景集的二维联合概率密度分布,且:

h(i,j)=P{f(x,y)=i,m(x,y)=j}

(24)

式中,f(x,y)和m(x,y)为图像像素的灰度值和链接输入区的灰度中值。

文献[5]认为,图像分割结果最优时具有最多的信息量,因此本文将二维Renyi熵作为衡量分割结果的标准,当熵最大时模型停止迭代并输出二值图像作为分割结果。

3 分割算法描述

按照图4所示算法流程,将优化改进后的PCNN模型应用于机载电路板红外图像分割实验。模型在迭代过程中计算每个神经元内部行为并与动态阈值进行比较,判断该神经元是否发生点火激发；所有神经元的输出形态组成二维点火矩阵,输出二值图像作为本次的分割结果；点火矩阵在下一次迭代开始时将作为链接输入反馈直接影响各神经元的内部行为。当输出图像的二维Renyi熵达到最大值时,迭代运行终止,保留分割结果并输出二值图像。

图4 改进PCNN的红外图像分割算法流程图

具体的算法步骤如下:

Step1:完成算法的初始化,依据式(9)对权值矩阵W赋值,将矩阵全局最大值赋予神经元初始阈值E。

Step2:依据式(16)、(7)、(8)、(3)(4)依次完成连接系数β、反馈输入F、连接输入L、神经元内部活动项U和脉冲输出Y的计算。

Step3:依据式(11)更新神经元阈值E、依据式(18)和式(19)更新神经元脉冲输出Y。依据式(21)～(23)计算更新后的图像二维Renyi熵。

Step4:判断Renyi熵是否为最大值,如果是最大值,停止迭代,并输出二值分割图像；否则,重复Step2～Step3。

4 实验结果分析

机载电路板故障区域多表现为芯片发热异常或发热量过大,因此本文旨在利用改进PCNN模型分割出红外图像中发热异常的感兴趣芯片区域,为进一步分析和研究基于红外的非接触式机载电路板故障诊断提供科学、有效的数据支撑。

利用德国InfraTec红外摄像仪获取四种类型机载电路板红外图像,基于Intel(R)Core(TM)3.2GHz i5 CPU RAM 64bit Windows平台,借助Matlab2014a软件完成目标图像的分割。如图5所示为四种类型机载电路板的红外图像伪彩图,确定4种类型机载电路板红外图像中的发热异常的感兴趣目标分割区域数量,分别为6、5、1、3。

图5 机载电路板红外伪彩图

本文分别采用Ostu算法、K-Means算法、传统PCNN和改进PCNN模型完成四种类型机载电路板红外图像的分割实验,通过对实验结果对比分析,说明改进PCNN模型的性能。

图6为基于Ostu法的红外图像分割结果。可以发现,类型1图像区域边界区分不清晰且区域之间相互连通,分割结果受芯片发热辐射的影响较大,未能准确将芯片的核心发热区域分割出来。其余三类图像分割结果中不同程度受到了背景辐射噪声的影响,出现了大量的不可接受的误分割与过分割。

图7为基于K-means法的红外图像分割结果。由于图像中明亮区域的聚类方差较小而其他区域的聚类方差较大,受目标区域芯片辐射影响,非目标区域也变得明亮,导致类型1、2的图像均出现了过分割。而类型3和类型4中由于目标区域间距离较远,虽未出现过分割,但是类型4左上的芯片区域被忽略,未被分割出来。

图6 基于Ostu的红外图像分割

图7 基于K-Means的红外图像分割

图8为基于传统PCNN的红外图像分割结果。与Ostu和K-means相比,目标芯片区域分割效果均有所改善,过分割程度减少,受辐射影响降低。但是,由于缺乏边缘约束,脉冲发生区域外邻域神经元受到已激发神经元影响而激发,分割结果中均出现了不同程度的过分割,类型3和4图像中还存在大量误分割,分割结果无法接受。

最后,本文采用改进的PCNN图像分割算法,依据第四节所描述的分割流程,完成机载电路板红外图像分割。实验中,针对四种不同类型的红外图像,手动设置的参数η,分别取0.4、0.3、0.4、0.2,实验结果如图9所示。

与传统的PCNN相比,由于改进后的PCNN结构中加入了动态链接系数、边缘约束算法以及二维Renyi熵迭代终止条件,使得不同红外图像的目标区域均被较完整的从背景中分割出来,邻域神经元误捕获程度大幅度减少,分割区域相互独立,分割边缘清晰；实验结果受背景噪声、辐射噪声及发热不明显芯片区域的影响较小,有效避免了过(欠)分割,分割性能得到较大提升,视觉分割效果明显优于本文中列举的其他分割算法。

图8 基于PCNN算法的红外图像分割

图9 基于改进的PCNN红外图像分割

除了视觉效果对比,本文引入区域一致性参数Ur与区域对比度参数Cr,对实验结果进行客观评价。区域一致性是指图像被分割成不同的区域后同一区域具有的属性的一致性,其数学表达如式(25)～(27)所示,Ur越大,图像分割效果越好。

(25)

(26)

(27)

式中,A为图像的像素总数；f(x,y)为图像在(x,y)处的像素灰度值,Bi为对应的分割区域内像素个数；由于分割结果为二值图像,因此i取2。不同分割方法所获得的红外图像分割结果区域一致性参数对比如表1所示。

表1 客观评价指标1—区域一致性

将图像分割为互不交叠的区域时,区域间属性的差别程度用式(28)所示的区域对比度参数来描述,Cr值越大,分割效果越好。

(28)

式中,μ1和μ2分别代表图像前景目标与背景区域的灰度期望值。不同分割方法所获得的红外图像分割结果的区域对比度参数如表2所示。

表2 客观评价指标2—区域对比度

通过对比表1和表2的评价指标可以发现,改进模型所获得的区域一致性和对比度两个指标均高于本文所列举的其他三种算法,从客观评价数据上说明了通过对模型结构调整和参数设置的改进优化,对不同类型的机载电路板红外图像均有较好的分割效果,不仅分割性能得到了进一步提高,而且表现出更好的模型泛化性能。

5 结 论

本文通过对传统PCNN结构的改进和优化,提出了一种改进PCNN的机载电路板红外图像分割模型。首先,在模型中增加原始图像梯度信息,降低模型对图像中弱边缘的敏感度；其次,使用动态链接系数,将邻域内具有空间邻近性和亮度相似性像素进一步整合；利用边缘约束算法避免点火区域外的神经元被误捕捉；最后,引入二维Renyi熵作为模型终止迭代条件,使模型快速收敛到最优分割效果的同时避免出现过(欠)分割。

以机载电路板红外图像作为实验对象,验证改进PCNN模型的图像分割性能。实验结果表明,改进后的PCNN模型对不同类型的机载电路板红外图像均具有较好的分割效果,目标区域分割清晰,有效避免了目标芯片发热核心区域的交叠与过(欠)分割,准确提取了感兴趣发热区域数据,分割性能明显优于其他三种方法。