人工神经网络在含噪图像边缘检测算法中的应用

马雪景，王文焕，刘国巍

(安徽理工大学 电气与信息工程学院，安徽 淮南 232001)

0 引 言

近年来，图像处理技术随着相关领域网络性、数据性的改进而变得越来越重要[1]。有效的检测结果能够保障图像的后期处理与分析的质量[2-3],而含噪图像边缘检测技术是图像处理程序中的重要环节。

文献[4]采用双边滤波代替高斯滤波过程，并增加2个方向上的图像梯度幅值，从而保留图像真实边缘，然后对图像做Curvelet变换，实现边缘信息检测；文献[5]设定了一个表示平坦区域的模板图像，并建立同时考虑图像梯度和图像窗口方差信息的隶属度函数，在此基础上，通过计算模糊直觉散度检测边缘信息。然而，上述2种算法下的含噪图像边缘表现度较差。文献[6]在改进全卷积神经网络的基础上，通过添加辅助输出层的方式初步提取图像多像素边缘，然后利用分水岭算法细化并提取边缘信息；文献[7]将二进小波变换与形态学算子相融合，对含噪图像边缘进行初步检测，然后设计多结构抗噪形态学算子抑制噪声，再利用Laplace算子得到边缘检测结果。然而上述2种算法的检测耗时较长、效率偏低。

人工神经网络可从信息处理的角度抽象模拟人脑神经元网络，具有较强的信息类别划分和识别能力，其在认识科学、神经生理学、信息科学等领域取得重大突破，将人类文明推进到一个崭新的高度。近年来，人工神经网络技术不断深入发展，在模式识别、智能控制、生物、医学、经济预测等领域已成功解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。为此，针对传统算法的不足，该研究应用人工神经网络设计了一种新的含噪图像边缘检测算法。

1 算法设计

1.1 图像边缘噪声分析

若想实现对含噪图像的边缘检测，需要将大量的数据作为基础，该研究在进行运算设计之前对含噪图像的边缘数据实施降噪处理，从根本上保障检测结果的有效性。应用建模技术将图像边缘数据规划为一套多维数据结构，再通过随机过程处理与人工神经网络中的反馈机制，将含噪图像划分为函数区域与非函数区域。通常来说，含噪图像中噪声数据的类型因其所处区域的不同而具有不同的表现形式，一般可以归纳为图像边缘的高斯噪声、瑞利噪声、指数分布噪声、伽马噪声和脉冲噪声等。

为了能够更加直观地表示不同形式的噪声对图像边缘的影响程度，本研究将相关噪声数据提取至原始图像边缘中，进行一定程度的噪声处理，再应用Matlab软件进行模型仿真处理，得到的不同类型含噪图像边缘检测处理结果如图1所示。

(a)图像1 (b)高斯噪声图

(c)瑞利噪声图 (d)伽马噪声图图 1 不同类型含噪图像边缘对比Fig.1 Edge comparison of different types of noisy images

图1中，在图像包含的各种噪声信息中，高斯噪声的占比更多，伽马噪声信息很少。因此，本研究主要针对高斯噪声和瑞利噪声加以详细描述。

图像边缘数据中形成的高斯噪声原因主要有数据传感器的不灵敏、噪声密度大等。高斯噪声的函数可表示为

(1)

式中：x为含噪边缘图像的灰度值；E为图像边缘噪声对灰度值的期望值；ρ为图像功率谱密度。

图像的生成过程中，边缘位置会收集环境中的其余信息，若环境信息较为复杂，则其易转化为瑞利噪声。瑞利噪声的函数可表示为

(2)

式中：a为含噪图像数据环境中存在的大概率复杂因数；b为含噪图像数据与图像边缘原始数据的相关性。

1.2 提取并去除图像边缘噪声信息

在上述分析图像边缘噪声类型的基础上，应用人工神经网络对含噪图像边缘信息中的噪声信息进行提取和去除，这一过程需要应用相关滤波技术。将得到的反馈对象作为人工神经网络的反馈输入数据[8-9]，滤波后的信息可表示为

(3)

式中：M、N分别为含噪图像边缘数据中不同类型的平均噪声。MN能够对图像中的噪声数据产生一定程度的防御作用，在不损失原始图像清晰度的同时，完成对图像边缘数据的细节处理与提取。

人工神经网络中的数据连接状态一直处于连续不断模式，导致阈值划分明显，容易使其他噪声因素对图像边缘进行重新细节塑造，进而降低原始图像的噪声系数[10]。而应用滤波技术对含噪图像中的相关噪声进行过滤分类后，会产生2部分的噪声系数，分别在图像边缘数据库中以不同频率的形式存在。在应用人工神经网络反馈噪声数据后，设定含噪图像边缘数据的自适应阈值，并对目前的边缘数据初始化。此外，基于人工神经网络的噪声信息提取过程还应用了图像边缘环境中的最大噪声值、不同噪声点之间的梯度型号来判断噪声的状态，再利用不同状态的特征对其展开提取。

结合上述分析过程，设计人工神经网络中的动态噪声信息检测流程，应用动态检测器识别含噪图像边缘的初次噪声类型，得到动态检测器对图像中非噪声最大值的反馈结果与梯度跨度检测，再结合图像边缘噪声中具有二进制资格的噪声数据，判断图像边缘的数据点，从而实现噪声集合类型匹配[11-12]。若匹配过程中发现二进制参数成功复制与噪声变异，需要在图像边缘数据库中进行检索，然后通过人工神经网络对变异噪声进行反馈与识别，从而获取全部的噪声数据。在此基础上，经过噪声显示和滤除过程实现对图像边缘噪声信息的去除处理。

1.3 含噪图像边缘检测

含噪图像边缘检测可以应用原始图像作为背景检测主体，这种具有本质噪声的图像边缘容易与噪声像素模块发生灰度变异，然后根据不同的噪声系数特点对含噪图像边缘信息进行划分。位于第一阶段的噪声导数极值能够在图像边缘中体现出噪声数据的骤增与骤减，方便对边缘信息进行识别与检测。部分含噪图像边缘由于噪声灰度值与噪声参数之间存在界线性的导数值，所以，当一阶导数中的系数通过界线导数时，能够较为明显地体现出边缘类型[13-15]。当含噪图像边缘中的灰度值突变后，容易对图像边缘的检测算法产生干扰，故文中在进行算法设计的过程中添加含噪图像边缘的数据集合。

应用人工神经网络的含噪图像边缘检测过程可以通过编码检测器进行含噪图像的处理与训练。在含噪图像的编码过程中，应用检测程序中的噪声特征作为图像边缘检测的最大梯度值与最大抗体，将图像边缘检测器作为噪声特征的神经元，少数抗体作为人工神经网络中的神经反馈[16-17]。同时，本研究在人工神经网络中设计抗体模型与神经元模型。抗体模型能够预防外来噪声对图像边缘数据造成复杂影响，神经元能够对图像边缘周围的噪声数据进行单一性采集与识别，建立一套具有免疫控制功能的人工神经元网络反馈控制算法。

结合上述分析可知，对图像边缘进行检测，首先，需要应用聚类算法对图像边缘检测点进行细化处理，得到图像边缘与非边缘的信息集合，然后，应用检测器对人工神经网络空间中的神经元进行相同数量的检测器训练。训练检测器首要目的是为了检测出图形边缘信息类型并有效显示，通过显示处理后的边缘信息能够在图像边缘后期处理过程中进行认定，从而确定图像边缘的具体内容与存在空间位置等信息。应注意的是，在人工神经网络算法的处理过程中，需要对图像边缘数据进行分层聚类处理，更详细地提出噪声数据的应用方式[18-20]。该研究主要应用神经网络的模式，在对含噪图像边缘信息中的噪声进行滤除的基础上，通过阈值划分的方式对图像边缘数据库中的神经元信息进行基础性检测，利用神经元与神经元之间的反馈联系，实现含噪图像边缘信息检测。

2 实验研究

为验证上述应用人工神经网络的含噪图像边缘检测算法的实际应用性能，在Matlab平台上设计如下仿真实验。为避免实验结果的单一性，将文献[5]的基于直觉模糊散度的噪声图像边缘检测算法(文献[5]算法)、文献[7]的基于二进小波与改进形态学融合的边缘检测算法(文献[7]算法)作为对比，与本文算法共同完成性能验证。

为进一步验证本文算法的有效性，首先采用初步滤除噪声的图像展开实验，对比不同算法下的含噪图像边缘表现度，实验结果如图2所示。

(a)图像2 (b)文献[5]算法

(c)文献[7]算法 (d)本文算法图 2 不同算法下经初步处理图像的边缘表现图Fig.2 Edge representation of preliminary processed images with different algorithms

从图2可知，经初步处理后的图像还存在一定程度的噪声，利用不同算法检测该图像的边缘信息后发现，本文算法检测得到的图像边缘信息较为完整，相对于传统算法来说其梯度值较小，说明本文算法能够对含噪图像边缘数据库中的杂乱数据进行统一化处理，从而提高了含噪图像边缘表现度。这是因为本文算法采用人工神经网络技术设定神经元，使其具有边缘识别能力，对图像中的边缘细节进行识别，从而使得边缘检测结果更加精细，提高了含噪图像边缘表现度。

在此基础上，利用不同算法对未经过处理的含噪图像的边缘信息展开检测，实验结果如图3所示。

(a)图像3 (b)文献[5]算法

(c)文献[7]算法 (d)本文算法图 3 不同算法下未经处理含噪图像的边缘表现图Fig.3 Edge representation of unprocessed noisy image with different algorithms

从图3可知，利用不同算法检测未经处理含噪图像的边缘信息后发现，文献[5]算法具有较好的抗噪声干扰能力，能够有效将噪声检测并排除，但是这种算法需要牺牲更多的图像边缘精准数据作为算法基础，在运算的过程中不考虑算法基础的应用；文献[7]算法可以对含噪图像进行精准定位，选择性保留噪声并尽量保证原始图像的完整性，导致这种算法下的图像边缘数据库中存在着大量的原始噪声数据；而本文算法能够应用人工神经网络中的抗体实现噪声排除，再应用相应的神经元与反馈线进行信息反馈，使算法检测结果不受原始噪声数据的干扰，从而达到更好的含噪图像边缘表现度。

为进一步验证本文算法的有效性，以边缘检测数量和检测耗时为指标设计实验。具体实验结果如表1所示。

表1 不同算法的边缘检测对比Tab.1 Comparison of edge detection of different algorithms

从表1可知，文献[5]算法、文献[7]算法、本文算法的边缘点平均检测数量分别为513.7个、530.0个、719.3个。文献[5]算法、文献[7]算法、本文算法的平均检测耗时分别为65.3 s、54.9 s、33.6 s。本文算法在边缘检测数量最多的情况下，平均检测耗时明显少于2种对比算法。由此可见，本文设计的基于人工神经网络的含噪图像边缘检测算法，在剔除图像噪声的基础上对图像边缘信息展开检测，具有更高的检测效率。

3 结 语

人工神经网络基本原理来源于神经网络在生物中的反应机制，将其应用于含噪图像边缘检测过程中能够使含噪图像边缘数据更具有规模化和完整化，相比传统的算法能够更加精准地检测出图像边缘噪声的复杂程度以及边缘信息，使人工神经网络从不同的神经元数据库中完成信息类型检索。在接下来的研究中，将以提高算法对定向信息的检测、提取能力为目标，对本文算法展开进一步优化。