一种基于PCNN的图像分割改进算法

史红亮

(昆明冶金高等专科学校电气与机械学院，云南 昆明 650033)

0 引 言

脉冲耦合神经网络(Pulse Coupled Neural Network ,PCNN)被誉为第三代人工神经网络，是Eckhorn通过观察和模拟猫的视觉皮层神经细胞活动而建立的简化模型，由于其在信息处理方面独特的生物学特性，已广泛应用于图像分割、模式识别等方面[1]。但因其模型参数设置复杂，迭代次数较多，降低了模型的通用性。本文提出了一种快速PCNN图像分割算法，无需人工设置参数，仅需一次迭代便可完成图像分割。

1 PCNN模型及改进

1.1 改进前PCNN基本模型

PCNN是由若干个神经元互连而构成的反馈型网络，每个神经元的工作原理主要由接收部分、调整部分和脉冲产生3部分组成，用离散数学迭代方程描述如下所示[2-3]：

(1)

式(1)中下标ij为神经元在神经网络中的位置标号；Sij、Fij、Lij、Uij、Eij、Yij分别表示神经元的外部刺激(这里为图像像素构成的矩阵中第ij像素的灰度值)、反馈输入、连接输入、内部活动项、动态阈值和每一次迭代结果；M和W为连接矩阵，通常情况下两者相等；VF、VL、VE分别为Fij、Lij、Eij的幅度常数；αF、αL、αE分别为Fij、Lij、Eij的衰减时间常数；β为连接系数。

1.2 PCNN模型的改进

一幅数字图像可以理解为一个同样大小的二维PCNN神经网络，像素的灰度值对应为每个神经元在相应位置的输入[4]。每个神经元的动态阈值随迭代次数的增加而逐渐衰减，当该神经元的内部活动项高于其动态阈值时，神经元点火，同时对邻近神经元产生一个外部激励。若未点火的邻近神经元在接受外部激励后内部活动项大于其动态阈值，则会被捕获点火；并且其所在邻域总体灰度值越高，越容易被捕获点火[5]。因此，本文将连接系数β由固定值改为式(2)：

(2)

(3)

S(i,j)为图像矩阵m×n中的像素位置坐标ij处的灰度值。简化后的离散数学迭代方程表达式如下：

(4)

图1 PCNN改进模型Fig.1 Improved model of PCNN

2 实验及分析

2.1 实验环境

将本文方法与大津法以及常规PCNN模型进行比较，经过大量实验，并选择图像为256×256的Lena图像和自然条件下的铁轨图像进行典型实验结果对比，处理器类型为Intel Xeon E3-1230 v3、8 GB RAM。

2.2 实验结果

图2中，(a)为Lena原图像，(b)、(c)、(d)分别为大津法、传统PCNN方法以及本文方法分割后的结果。由分割结果可知，利用大津法分割的图像面部特征丢失严重，存在明显过分割现象。与另外2种方法相比，传统PCNN法对细节过于敏感，不能够有效划分背景与目标，且存在欠分割现象。

图3中，(a)为铁轨原图像，(b)、(c)、(d)分别为大津法、传统PCNN方法以及本文方法分割后的结果。对比结果可知，传统PCNN法和本文方法分割效果优于大津法，但传统PCNN法存在欠分割现象导致左下部分铁轨目标与背景分割不完全。以上3种方法，并没有克服光照不均匀影响带来的缺陷。

图2 Lena图像分割结果对比Fig.2 Comparison of Lean image segmentation results

图3 自然环境下的铁轨图像分割结果对比Fig.3 Comparison of railway track image segmentation results in natural environment

2.3 实验指标及对比分析

为了客观地评价各种算法，本文采用区域内部均匀性准则UM和形状测度准则SM来评价分割结果的优劣。区域均匀性准则反映分割图像中各区域内部的均匀程度；形状测度准则是衡量目标轮廓光滑程度的一个指标。两者值越大，说明分割效果越好。

(5)

式(5)中，f(x,y)表示图像矩阵在位置坐标(x,y)处的灰度值;Ri表示图像中第i个区域;Ai表示其面积;A表示总面积;fN(x,y)为邻域N(x,y)的灰度值;t为灰度阀值;Δ(x,y)为广义梯度;C为归一化因子。

由表1计算得出的值可以看出，本文方法所得图像区域内部均匀性值和形状测度值都比较大，说明本文方法分割的图像各区域内部更加均匀，边缘更加光滑。本文方法在分割Lena图像时，形状测度值与大津法相比较小，是因为大津法在分割图像时由于过分割而丢失了部分信息。

算法时间复杂度是评价一种算法优劣的重要因素之一，如表2所示，对于图像矩阵m×n，k为连接矩阵W的宽度，s为算法的迭代次数。对比可知，随着迭代次数的增加，传统PCNN方法的时间复杂度呈指数增加，处理时间较长；而本文方法仅需一次迭代，时间复杂度低，处理速度快。

表1 不同算法性能比较

表2 两种算法的时间复杂度对比

3 结 语

本文提出了一种改进PCNN的快速图像分割算法，在确定PCNN模型的连接系数β与点火门限E时，采用动态确定β值和固定E值，并对模型其它参数进行简化。实验分析证明：本文提出的方法优于传统方法。但是，对于受光照不均匀影响严重的自然条件下的图像，本算法还有不足，因此，如何提高算法处理复杂自然环境下图像的能力，有待后续研究。