摘要对于主动轮廓模型,我们提出了一种新奇的关于自组.docVIP

摘要：对于主动轮廓模型，我们提出了一种新奇的基于自组织神经网络的分支，叫做batch-SOM,试图结合SOM和snake模型来提取期望的轮廓。我们提取特征点，以一种edge-map（以标准的边缘检测获得）的形式来引导轮廓在局部区域随着梯度和灰度变化改变，并保证在弱的或断的边缘下不漏掉物体的边界。与snake模型不同的是，我们不用一个外在的能量函数（基于梯度或灰度）来控制轮廓的移动。 这个算法使用与SOM-based ACMs相同的结构，它使用的特征向量来自标准的边缘检测的边缘点。并且这个算法在局部区域使用（1）灰度变化（2）梯度信息来引导轮廓的移动。有两个重要的思想用于神经元权重的修正。第一，如果一个神经元邻近物体的边界，那它就要沿着轮廓的法线或相反于它的方向移动，这样在新的位置的梯度向量大于当前位置的。如果梯度向量减小则神经元不允许移动到新的位置，这样在即使弱边缘或断边缘也保证收敛。注：在这里不使用snake-based ACMs中的梯度能量。第二，如果神经元在一个相同的区域，它移向一个合适的特征点。并且，与TASOM＆MTASOM不同的是，这个算法使用神经元自身的权重作为新的控制点的位置，并加强轮廓。 A 描述 边缘检测的输出作为训练神经网络的特征点。让X={x1,x2,…xm}表示特征点序列，xk=(xk,yk)是第k个特征点的x与y坐标。在epoch n ，待变形的轮廓用一序列控制点P(n)=p1,p2,…pM(n)规范化,pj=(xj,yj)是第j个控制点的位置，M(n)是在第n epoch中控制点的数量。在这个算法中，神经元被放在一个拓扑链中，见图1(b).W(n)=w1,w2,…,wM(n)是神经元的权重序列，wi=(wix,wiy)是第i个神经元的权重。注：在神经元晶格中神经网络中的节点和控制点是相等的。 本文的算法如下：1）用最初的边缘控制点初始化神经网络的权重：; 2)将权重修正值全部初始化为0。 3）对每一个特征点找到获胜的神经元。 4）计算获胜神经元的更新和更新的有效性。 5）神经网络的权重更新是并行的，并更新控制点： 6)在网络中插入或删除神经元 7)更新学习率。 8）从第2步重复运算直到收敛法则满足。 在第一步，对初始轮廓一个神经网络的晶格被构造，并且神经元的权重被初始化为轮廓位置的初位位置。第二步神经元的权重修正值被设为0。第三步需要定义如下的函数和设置。对于每个特征点，存在一个神经元离它物理最近（欧式距离），并且我们把获胜的神经元作为第一层获胜者（FLW）。获胜神经元与特征向量xk联系如下： n(xk)=arg min d(xk,wj) (2) 这里d(x,w)是特征向量与权重的欧式距离。很多特征点在第一层获胜者中找到同样的神经元是可能的。对于每一个FLW i ，通过（2）式，我们有一系列点X(i)使神经元获胜，。换言之， .显然，X(i).并且对每一个神经元i，在所有的特征点X中存在一个特征点g(i)离它最近。，注 g(i)可能不属于X(i)。对每一个FLW i，从集合X(i)中我们可以找到一个特征点在物理意义上离它最近，我们定义这个特征点为f(i),由下式给出 f(i)=arg (3) 很显然，。在第三步中，对所有的特征点找到FLWs后，在第四步我们计算它们的修正值如下： （4） 其中 是学习率参数，p是衰减向量 （5） 修正（4）保证了第一层神经元i不仅朝着以它作为获胜神经元的特征点移动，并且通过（3）知离它自己是最近的。这个修正值的法则与传统的基于SOM的ACM是不同的。注意。衰减因子用来保证朝向物体边界的轮廓光滑。在修正之前，我们使计算的修正值对每一个神经元有效。这一步是至关重要的，它防止了轮廓来自尖锐的弱边缘或者断的边缘。单位向量e在神经元i的位置正切于轮廓，定义如下： . 垂直于上述向量的单位向量为。对于,如下点对 ； （6） Nr是决定区域边界的相邻点的数目，见图2。 令“sgn”代表正负号函数，I代表图像的强度函数，我们定义数值： (7) 如果一个神经元接近一个区域边界，对于所有的k，那么在点pa和pb点的图像灰度差符号应该相同（见图2），那么对于接近一个区域边界的神经元，（7）式定义的u必定为Nr或者-Nr.在我们的工作中，我们选择Nr=2. 注 如果Nr=1,那么u(i)将一直等于1。这样，Nr应该=2.更大的Nr适于被噪声污染的图像。更多的，为了增强算法对噪声和小灰度变化的鲁棒性，，如果对所有的k都有，我们将神经