基于细胞神经网络图像阈值化方法.docVIP

基于细胞神经网络图像阈值化方法 　　摘 要:图像阈值化是一种经典、简单而又非常有效的图像分割方法,并已得到了广泛的研究。在分析灰度图像直方图分布的基础上提出了一种基于细胞神经网络(CNN)结合直方图分析的图像阈值化方法,并给出了阈值化CNN所需阈值的自动搜索算法。实验结果表明,相对于其他两种经典的阈值化方法,该方法的阈值化分割结果较好。 　　关键词:图像阈值化; 细胞神经网络; 直方图; 模板参数 　　中图分类号:TP391.4文献标志码:A 　　文章编号:1001-3695(2010)07-2780-03 　　doi:10.3969/j.issn.1001-3695.2010.07.108 　　 　　Image thresholding approach based on CNN 　　 　　KANG Jia-yin????1a,2, ZHANG Wen-juan????1b 　　 　　(1.a.School of Electronics Engineering, b.School of Computer Engineering, Huaihai Institute of Technology, Lianyungang Jiangsu 222005, China; 2. School of Communication Control Engineering, Jiangnan University, Wuxi Jiangsu 214122, China) 　　 　　Abstract:Image thresholding is one of the classical, simple, and very effective techniques for image segmentation, and has been widely studied. This paper proposed an approach for image thresholding based on cellular neural network (CNN) associated with histogram analysis, and gave an automatic searching algorithm of threshold needed by threshold CNN. Experimental results show that the proposed approach obtains better segmenting results than other two classical methods. 　　Key words:image thresholding; cellular neural network; histogram; template parameters 　　 　　0 引言 　　图像分割是图像分析和模式识别的首要问题,也是图像处理的经典难题之一,它是图像分析和模式识别系统的重要组成部分,并决定图像的最终分析质量和模式识别的判别结果[1]。所谓图像分割是指将图像中具有特殊意义的不同区域分开来,并使这些区域相互不相交,且每个区域应满足特定区域的一致性条件。图像阈值化是一种重要的图像分割方法,该方法基于这样一种假设,即目标可以利用其灰度值从背景中分割和提取出来[2]。图像阈值化操作的结果是一幅二值图像,其中灰度值为0的像素(黑色像素)代表目标,灰度值为255的像素(白色像素)代表背景,或者相反。 　　在图像阈值化过程中,阈值的选择方法可分为两类,即全局阈值法和局部阈值法。全局阈值化方法用一个阈值分割整幅图像,分割所需的阈值通过图像的灰度直方图获得;局部阈值化方法将一幅给定的图像分割成许多子图像,相应地为每一幅子图像确定一个阈值。全局化方法易于实现、计算量小,因此在许多实际的图像处理应用中该方法优于局部化方法;全局阈值化方法中阈值的选择有好多种,其中Otsu[3]和Kapur[4]是两种常用的全局阈值化方法。 　　通常情况下,当图像中目标和背景像素的灰度级差别比较明显时,上述传统的一维直方图阈值化方法能够有效地将目标从背景中提取出来。然而,所有这些基于一维灰度直方图的阈值化方法在进行图像分割的过程中没有将像素的灰度信息与空间信息结合起来,因而会导致严重的误分割,主要是因为图像中邻域的像素是空间相关的。 　　细胞神经网络(CNN)[5]与全连通的Hopfield神经网络不同,是一种局部连通的神经网络,即顾及了邻域中像素间的空间相关性。CNN自提出以来,已经在图像处理、机器和生物视觉、高级脑功能等邻域得到了广泛的研究和应用[6]。 　　Chua阐述了许多重要而又有趣的CNN模板,