基于简化PCNN图像边缘检测方法.pdfVIP

基于简化PCNN的图像边缘检测方法1 马义德, 张北斗, 齐春亮 兰州大学信息科学与工程学院 兰州 730000 E-mail: ydma@ 摘 要： 脉冲耦合神经网络(PCNN) 直接来自于哺乳动物视觉特性的研究成果, 其同步脉冲 激发现象在图像分割、去噪等方面获得了广泛的应用。本文提出了基于 PCNN 简化模型的 边缘检测算法, 在图像被分割成不同区域的同时，将各不规则区域的边缘像素检测出来，这 样便得到了该灰度图像的边缘。对于有噪声图像, 先用PCNN 等方法滤除噪声, 然后再进行 边缘检测。控制 PCNN 模型的各项参数，调节分割块的数目及大小，便可获得不同的边缘 检测效果。 关键词：边缘检测, 噪声, 图像分割, 脉冲耦合神经网络 1. 引 言 边缘作为图像的基本特征，广泛地存在于物体与物体、物体与背景之间，它反映了目标 的重要特征，是进行图像分割的基本依据。边缘检测是图像处理的重要内容，可使图像后续 处理的数据量大大减少。人们常常利用边缘特征将图像分解为一系列有意义的目标或区域， 进而依据各种特征对其中的物体进行自动识别和理解。在一幅图像中，边缘有方向和幅度两 个特性。沿边缘走向的灰度变化平缓，而垂直于边缘走向的灰度变化剧烈，这种变化可能是 阶跃型或斜坡形。因此，经典的边缘检测方法是考察图像各个像素的特定邻域内灰度的变化， 根据相应的一阶或二阶方向导数变化规律对边缘进行检测，利用梯度最大值或二阶导数过零 点提取边界点。经典的边缘检测方法，如 3×3 窗口的 Roberts 算子，Sobel 算子，Laplace 微 分算子等，大都依据这种特征。 鉴于边缘点和噪声点具有相似性, 传统的微分算子在对含噪图像进行边缘检测时很难 区分这两者, 造成检测的效果不佳。神经网络由于具有收敛、自组织、自适应的特性, 因此 具有很强的识别能力。经过学习、训练后, 神经网络对特定目标的边缘鉴别能力加强, 尤其 [1,2,3,4,5,6] 对于具有模糊边缘的图像, 其检测效果明显优于传统算法 。 尽管如此, 传统神经网络需要全局的精确训练, 一些算法过于复杂, 降低了实用性。自 20 世纪 90 年代发展起来的脉冲耦合神经网络, 具有良好的脉冲传播特性、参数可控性，在 图像处理、模式识别等领域获得了广泛应用[7, 8]，利用 PCNN 进行边缘检测具有明显的优 [9, 10] 势 。 1 基金项目: 国家自然科学基金资助项目, 985 特色项目计划基金资助项目(LZ985-231-58262) - 1 - 2. 图像边缘的类型 在灰度图像处理中，边缘可以分为阶跃状边缘和屋顶状边缘[11] 。阶跃状边缘两边的像 素灰度有明显的不同，即从阶跃状边缘的一边到另一边存在从低灰度到高灰度(或从高灰度 到低灰度) 的突变，边缘像素的灰度与其中某一边的灰度相同；屋顶状边缘两边的像素灰度 值差别不大，但边缘像素的灰度与两边像素灰度有着明显的不同，即从屋顶状边缘的两边到 边缘存在着灰度从低到高(或从高灰度到低灰度) 的突变，由于两次灰度突变的方向相反，屋 顶状边缘两侧的像素灰度不存在明显不同。如图 1 所示，其中(a)为阶跃状边缘，(b)为屋顶 状边缘，x0为边缘像素，Δ为灰度突变幅度。可见，任何边缘处至少存在一次灰度的突变。 y