基于脉冲耦合神经网络的图像分割研究-王爱文.pdf

《基于脉冲耦合神经网络的图像分割研究-王爱文.pdf》由会员分享，可在线阅读，更多相关《基于脉冲耦合神经网络的图像分割研究-王爱文.pdf（51页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、fY321芝_：；：兰”分类号 学号201404703011密级漠彳垮拨夫哮硕士学位论文基于脉冲耦合神经网络的图像分割研究学位申请人： 王爱文学科专业： 电路与系统指导教师： 宋玉阶答辩日期： 20170522万方数据A Dissertation Submitted in Partial Fulfillment of the Requirementsfor the Degree of Master in EngineeringResearch of Image S egmentation B ased onPulse Coupled Neural NetworkMaster Candidate

2、：Major：Supervisor：Aiwen WangCircuits and SystemsProfYujie SongWuhan University of Science and TechnologyWuhan，Hubei 43008 1，PRChinaMay 22th，2017万方数据武汉科技大学研究生学位论文创新性声明IIII llU ll U III Illlll IIII Ill IIlY321 9273本人郑重声明：所呈交的学位论文是本人在导师指导下，独立进行研究所取得的成果。除了文中已经注明引用的内容或属合作研究共同完成的工作外，本论文不包含任何其他个人或集体己经发表或撰写

3、过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。申请学位论文与资料若有不实之处，本人承担一切相关责任。论文作者签名：圣熏建 日期：墨翌!Z!碰：旦2研究生学位论文版权使用授权声明本论文的研究成果归武汉科技大学所有，其研究内容不得以其它单位的名义发表。本人完全了解武汉科技大学有关保留、使用学位论文的规定，同意学校保留并向有关部门(按照武汉科技大学关于研究生学位论文收录工作的规定执行)送交论文的复印件和电子版本，允许论文被查阅和借阅，同意学校将本论文的全部或部分内容编入学校认可的国家相关数据库进行检索和对外服务。论文作者签名：曼显建指导教师签名： 缢型堑：日 期：兰!

4、17：!堑：翌圣万方数据摘要脉冲耦合神经网络(Pulse Coupled Neural Network，PCNN)模型是根据哺乳动物大脑视觉皮层神经细胞受到外界刺激时产生同步脉冲振荡现象而提出的一种数学模型，是目前比较接近真实视觉神经元的一种人工神经网络模型。该模型能忽略图像中同一区域内像素间较小的灰度差异和弥补同一区域内的空间间隙，因而广泛应用于图像分割。本文针对传统脉冲耦合神经网络模型进行图像分割时分割效率低下和分割不准确的问题做了如下工作：首先，详细介绍了传统脉冲耦合神经网络的基本原理，简单阐述了该网络对应的数学模型的意义，并由实验结果分析该模型的图像分割效果，同时指出该模型存在的不足之

5、处，即模型中需要设置的参数数量过多，通过人工多次试验的方式设置每个参数的大小，分割效率低下。其次，针对传统脉冲耦合神经网络模型在分割图像时参数设置效率过低和分割不准确的问题对该模型进行简化，减少模型中参数的个数，且设置参数的大小自适应于图像灰度变化及灰度的空间分布，较大地提高了图像的分割效率。实验结果表明该简化模型提高了图像分割质量，分割结果中目标轮廓更加完整，图像纹理更加清晰准确。最后，针对简化的脉冲耦合神经网络模型在分割低对比度图像时存在纹理分割不准确的问题提出改进的脉冲耦合神经网络模型。在该模型中简化了图像分割阂值的设置方法，进一步提高了图像的分割效率：通过增加图像灰度对比度，提高了图像

6、的分割精度。实验结果中目标轮廓完整，纹理细节分割准确。与经典的Otsu法、基于图论的Random walk方法和基于能量泛函的Level set方法相比较，改进后的脉冲耦合神经网络模型方法分割效果明显更优。关键词：图像分割；脉冲耦合神经网络；自适应性；低灰度对比度万方数据AbstractPulse Coupled Neural Network(PCM叼model is a mathematical model which isbased on the phenomenon that the neural cells in the visual cortex of the brain gener

7、atesynchronous pulse oscillation when they are stimulated by external stimuli，and it is allartificial neural network model which is very close to the real visual neuron111e PCNNmodel can ignore the small gray difference between the pixels in the same region andmake up the gap in the image，SO it is w

8、idely applied in image segmentationAiming atthe problems of low efficiency and inaccurate in image segmentation based on thetraditional PCNN model，the following work has been done in this paper：Firstly,the basic principle of traditional PCNN is introduced in detail，and thesignificance of the corresp

9、onding mathematical model is briefly expoundedFrom theexperimental results，the image segmentation effect is analyzed，and the deficiencies arepointed out for the model，that is the number of parameters in the model needed to beset is too many,and the efficiency of segmentation is very low by setting p

10、arameters bymanual multiple tests，Secondl5 aiming at the problems that the low efficiency of setting parameters andinaccurate segmentation of traditional PCNN，the mode is simplified，the number ofmodel parameters is reduced，and the setting of the parameters is adaptive to the imagegrayscale change an

11、d its spatial distribution，SO the efficiency of image segmentation isimproved greatlyThe experimental results show that the simplified model Call improvethe quality of image segmentation，the outline of target is very complete，and the textureis clearFinally,aiming at the problem that the segmentation

12、 of texture in the low contrastimage is not accurate with the simplified PCNN model，all improved PCNN model WasproposedIn this improved model，the setting of threshold is simplified to improve theefficiency of image segmentation much further,and by increasing the contrast of theimage gray，the segment

13、ation accuracy is improvednle experimental results show thatthe contour of the target is complete，the texture detail is accurateCompared、i也theclassical Otsu method，Random walk method based on graph theory and Level setmethod based on energy function，the improved PCNN model method is more effectivein

14、 image segmentationII万方数据Keywords：image segmentation；pulse coupled neural network；adaptivity；low graycontrastIII万方数据目录摘要IAbstractII第1章绪论111课题研究背景及意义112国内外研究现状213本文的研究内容和章节安排4第2章脉冲耦合神经网络模型621图像分割622图像分割的基本方法6221阈值分割算法6222边缘检测方法7223基于区域分割算法7224基于聚类的图像分割算法7225基于图割的图像分割算法8226基于特定理论的图像分割方法823人工神经网络8231生物

15、神经元模型9232人工神经网络模型特点1024脉冲耦合神经网络模型10241 PCNN模型原理11242 PCNN模型中的参数设置1325基于PCNN模型的图像分割13251图像分割结果评价标准13252基于PCNN的图像分割及结果分析1426本章小结16第3章简化的脉冲耦合神经网络模型1731简化的PCNN模型1732基于简化PCNN模型的图像分割18lV万方数据321 PCNN模型中参数的设置18322图像分割算法步骤19323图像分割结果及分析2033本章小结22第4章改进的脉冲耦合神经网络模型2441改进的PCNN模型2442基于改进的PCNN模型的图像分割24421 PCNN模型中参

16、数的设置24422图像分割步骤27423图像分割结果及分析2743本章总结34第5章结论与展望3651论文总结3652未来展望36致谢38参考文献39附录1攻读硕士学位期间发表的论文43V万方数据武汉科技大学硕士学位论文第1章绪论11课题研究背景及意义在人们认识世界和改造世界的过程中，视觉信息是人们获取外部知识的主要渠道，而图像处理是视觉延续和信息加工处理的一种重要手段【11。20世纪20年代，人们开始了对图像的研究和处理。图像处理是指利用计算机技术或数字系统设备对图像进行一系列的转换和分析，以提高图像质量，满足视觉需要。数字图像处理的发展涉及众多学科理论，例如数学、生物学、人工智能、模式识别

17、、控制理论、计算机技术等，而图像分割是其中重要的一部分，并成为近年来研究热点之一。图像分割是指把图像划分成具有不同属性的区域，并将其中目标区域提取出来的过程幽，是进行后续目标识别、图像分析和理解的基础，是计算机视觉研究的重要处理步骤和关键技术。因此，准确的进行图像分割对后续的图像处理具有非常重要的意义。上个世纪中期，人们就对图像分割进行了研究，随着计算机的快速发展与应用范围的扩大，该技术也得到了较大的发展【3J。现在，图像分割已经深入到国民经济和人们的社会生活中，并成为不可或缺的一部分，对改善人们的生活条件提供了较大的便利，同时也促进了经济的发展。图像分割技术在人们的工业生产和社会生活中有着广

18、泛的应用，涉及工业、农业、通信、医学、航天航空、公共安全、智能交通等众多领域。在工业方面，人们通过图像分割实现生产的自动控制和实时监控，减少了人力的投入，提高了生产效率；在农业方面，图像分割技术用于天气变化的检测，对指导农业生产，自然病虫害的防治发挥了较大作用；在通讯方面，图像分割在电视会议、视频通话中得到广泛应用，给人们生活带来了巨大的便捷；在医学上，图像分割技术在CT检查、B超检查等项目中的应用促进了医学技术的发展，为人们的生命安全提供更多的保障；在航空航天方面，人们通过图像分割技术对太空中拍摄的图像进行分析研究以及通过卫星遥感实现矿藏等自然资源的勘探和城市规划；在公共安全及智能交通方面，

19、指纹识别、人脸识别、车牌识别等为预防盗窃、抓捕罪犯及交通安全提供了技术支持。由此可见，提高图像分割技术具有非常重要的现实意义。经过自然法则优胜劣汰，人类大脑拥有一种精准，高效，功能复杂的图像信息处理系统。人们将生物技术应用到计算机中，并对大脑视觉信息处理方式进行仿真实验，对眼睛处理图像信息的机理做了大量的工作和研究，希望找到一种分割准确、鲁棒性强、实时性高和可并行的图像分割方法【4】。经过几十年的发展，人们提出了许多不同的方法，但是目前还没有找到一种具有较强普适性，并得到理想分割效果的图像分割方法。另外，对于图像分割结果缺乏统一的客观和主观的完善的评价理论。因此，图像分割技术的研究任重而道远，

20、寻求复杂度更低、鲁万方数据武汉科技大学硕士学位论文棒性更强、适用范围更广的图像分割算法来满足实际生产和生活的需要是人们的迫切需求。脉冲耦合神经网络(Pulse Coupled Neural Network，PCNN)模型是人们通过研究生物大脑中的视觉处理系统来模拟生物神经元的工作机理，并通过模仿人类大脑的一些学习功能形成的一种计算结构。因此，该模型是一种自适应的非线性的系统模型。与实际的生物神经网络结构和功能相比，脉冲耦合神经网络模型的各个方面都做了较大的简化，在图像特征提取、边缘检测、目标分割和识别中得到广泛的应用。在实际生活中，脉冲耦合神经网络模型己应用于医疗、交通、军事、航空航天等众多领

21、域。因此开展对该模型的研究具有非常重要的实用价值。本课题研究PCNN模型在图像分割中的应用，通过大量实验结果，指出该模型存在的缺陷和不足，通过对该模型进行分析和改进，提出一种改进的PCNN模型和算法，并通过参数的自适应设置提高图像分割质量。12国内外研究现状随着图像分割技术在人们的社会生活和生产中的不断深入和广泛应用，人们对其做了大量的研究和实验。根据不同的研究原理和研究对象，人们提出了大量的相应分割算法。在众多的算法中，人们希望能找到一种通用的方法满足不同图像的需要，但是这些算法一般是针对具有特定特征的对象提出的，适用范围较窄，不具有通用性；并且在实际应用中，针对一幅图像进行分割时，也没有标

22、准的方法和理论来指导我们怎样去选择合适的算法对图像进行分割。因此寻找一种适用范围广和分割效率高的算法将是以后图像分割的一个研究和发展方向。上个世纪中期，许多国外研究人员开展了对图像分割的研究并提出一系列经典的分割算法。例如大律展之提出的全局阈值分割算法Otsu算法【5】是利用图像的灰度分布信息，以前景和背景区域的类间像素灰度方差为目标函数，当目标函数取得最大值时得到的阈值即为图像分割的最佳全局阈值。该算法计算简单，无需先验知识，也无需人工干预设置参数，时间复杂度低，因此得到广泛的应用。但是，该算法的抗噪性能较差【6】，当图像中的目标与背景图像较为复杂或光照分布不均匀时，分割效果较差，甚至出现严

23、重的错分割现象。局部阈值算法对光照分布不均匀的图像具有更好的适应性，常用算法有Bemsen算法【7】、Niblack算法【8】、Sauvola算法吲等。该算法是将待分割的图像依照某一原理划分成不相交的多个子区域，通过对每个子区域进行分割，得到整幅图像的分割结果。其中，子图像的分割阈值则是根据像素邻域的某些统计特征来实现，例如Niblack和Sauvola算法是根据像素邻域的灰度均值和方差来计算阈值，Bemsen算法则是由图像灰度对比度来决定阈值。局部阈值分割算法抗噪性能较好，分割效果良好，但是在实际操作中缺乏一定的理论或标准指导待分割图像如何分块，而人工参与分块，降低了图像分割效率；另外，对于

24、分块后的图像边缘，由2万方数据武汉科技大学硕士学位论文于不同子块的分割阈值不尽相同，往往会出现灰度值不连续的现象，影响分割效果。Kabolizade等人利用一种变形模型(Snake模型)检测物体轮廓【10-121，轮廓完整，抗噪性较强。Snake模型是一种定义在图像区域的曲线或者曲面，其变动受到曲线内力本身和图像的外部约束力的控制，以最小化能量函数的形式向边界运动，来获取相应的目标轮廓。其中参数变形模型以参数的显式形式表示曲线或者曲面，但是该模型不易处理在变形过程中发生变化的拓扑结构，且其能量函数依赖于曲线参数，忽略了物体的几何形状。Snake模型经过二十多年的发展，许多改进算法被提出，基于水

25、平集的活动轮廓模型能处理变形过程中发生的拓扑结构的变化，因此该模型也被称为水平集(Level set)方法。Fang等人提出了一种对多对象轮廓提取的算法【13】；Wang利用Snake模型算法提高了目标轮廓的精确度【14】；Clement等人利用Snake模型检测黄瓜【l 51，准确率达到99。变形模型的缺点是对初始位置的设置相对比较敏感，特别是对凹形边界的获取容易出现问题【l 61。Boykov等人提出了一种基于图割理论的分割算法【I。该方法首先在图像中选择某个区域作为目标或背景，然后构建出一个带权重的无向图，该图以相邻的像素点作为顶点，以构建出来的图中的最小分割为边界。Rother等人【l

26、 8】提出一种迭代的图割方法，该方法在交互方式上非常简洁，但是当用户提供的两个点不能将背景全部包围时，分割效果较差。Price等人【19】利用测地距离和边缘信息减少了用户交互，提高了分割精度。Das等人【20】提出一种降低种子点个数的方法，进一步降低了交互程度。该方法的优点是对具有复杂背景图像具有一定的适应性，缺点是算法不能以无监督的方式提取目标，且运行时间太长，不能满足实际生产应用的需求【211。国内图像分割技术发展起步较晚，随着人们的不断研究和实际生产生活的需要，该技术取得了一定的成就与发展。上个世纪80年代后期，随着一些理论工具的发展，人们将其与一些基本分割算法相结合进行图像分割，形成了

27、许多新的算法。例如一种二维Otsu分割算法【22】被提出，该算法结合像素灰度的空间分布，并采用模糊C均值聚类(FCM)算法获得像素点的隶属度进行图像分割，分割结果更加准确，但是算法耗时增加。万磊等人在此基础上提出了一种基于Otsu的最优阈值方法【23彩l，通过采用遗传算法缩短了计算时间。钱晓军等人提出一种结合二维Otsu的粒子群优化算法【26五81，提高了图像的抗噪性能和分割精度。龚劬等人提出一种基于分解的三维Otsu分割算法【29J，为了降低该算法的计算时间，又提出了一种基于Renyi熵的图像分割算法【30，减少了算法的迭代次数。冯林等人将分水岭算法与图论相结合提出一种新的图像分割方法【3l

28、-32】。该算法能够避免单独使用分水岭算法时容易产生过分割的现象，得到图像轮廓更加完整，但是该算法计算复杂，实时性较低，应用范围受到一定的局限。魏鸿磊等人运用支持向量机的理论提出了一种分割算法【33】，实验效果较好，缺点是该方法计3万方数据武汉科技大学硕士学位论文算复杂，只能针对特定的图像分割，使用范围有限，不满足实际生产的需要。刘仁金等人根据商空间粒度原理【34】，提出了对具有比较复杂纹理的图像进行分割的算法。该算法通过提取图像中纹理的特征，得到图像的不同粒度并合并，从而得到分割结果。该算法的优点是对纹理比较复杂的图像分割效果良好，但是计算复杂，因此也不适用于实际生产应用。20世纪50年代国

29、外开始了对生物的神经细胞的生理特性和功能的研究并提出了相应的模型人工神经网络(Artificial Neural Network，越州)模型。经过60多年的发展，该模型取得了很大的进步并已应用在实际工业生产和社会生活中。上个世纪80年代，蔡少棠等人提出了一种细胞神经网络模型。上个世纪90年代，Gray和Eekhom等人根据哺乳动物大脑皮层视觉区域神经细胞信号同步脉冲振荡现象，提出了脉冲耦合神经网络(PCNN)模型【3引。该模型能减小图像局部区域中像素间微小的灰度值差，弥补同一区域内的空间间隙，故而被应用于图像分割，并得到了广泛应用。曲仕茹等人将遗传算法应用于PCNN模型361，分割结果准确，具

30、有较好的适应性。安琦等人提出一种优化脉冲耦合神经网络模型【37】，但是其分割阈值仍需采用人工设定方法，分割效率较低。郑欣等人对传统的PCNN模型进行了改进【38枷】，该算法能自动、快速地确定模型参数，降低算法的时间复杂度。但是无论是结合各种准则函数，还是对PCNN模型的各种改进算法，甚至是将多种理论与PCNN模型相结合的图像分割方法，都不是一种通用的最优的图像分割算法14l】。因此，寻找到一种自适应性更强，适用范围更广，分割更高效的方法及模型，需要人们不断的研究和探索。13本文的研究内容和章节安排本文主要研究PCNN模型的改进算法和其在图像分割中应用。论文分为五个章节，主要研究内容概括如下：第

31、一章介绍了图像分割算法的研究背景，国内外发展状况和其在社会生活中的应用，并对其中的一些研究成果进行简要的介绍，同时分析了这些方法的适用环境和存在的不足，以及需要改进的方面，最后提出了本文的研究内容和工作。第二章详细介绍了传统PCNN的基本原理和其数学模型，在图像分割的应用中，详细介绍了模型中各个参数的意义，并对部分参数的设置方法进行定义。最后对实验结果进行了分析。第三章在第二章实验结果的基础上指出了传统的PCNN模型用于图像分割时存在的缺点和在实际应用中的困难。针对这些存在的问题对传统的PCNN模型进行简化，介绍了模型简化的原理，最后应用该模型进行图像分割，并对部分实验结果进行分析。第四章在第

32、三章实验结果的基础上指出了简化的PCNN模型用于图像分割时存在的不足，并针对不足之处作了改进，扩大了算法的应用范围。最后采用改进4万方数据武汉科技大学硕士学位论文的PCNN模型进行图像分割，并与经典的Otsu法，Random walk，Level set方法分割结果从多方面进行比较，体现改进算法的优越性。第五章对本文的研究工作进行总结，指出目前工作中仍然存在的问题，并对后续研究工作进行展望。万方数据武汉科技大学硕士学位论文第2章脉冲耦合神经网络模型21图像分割图像分割是指根据一定的准则将一幅图像划分成各具特点的、相互之间不重叠的子区域，同一子区域内像素具有一致的属性，不同子区域之间像素属性相差

33、较大。图像分割是图像处理过程中的关键步骤，对后续目标识别的准确性和正确的分析理解具有较大影响。随着图像分割技术的快速发展和其在社会生活和国民经济中的广泛应用，该技术已成为近年来图像处理领域的研究热点。图像分割技术经过50多年的发展，研究人员提出了大量的分割算法，但是这些算法大多是针对具有某些特定属性的对象提出的，只适用于其中满足各种算法特定条件的图像。在实际的应用中，由于拍摄环境、光源照射角度和目标对象形状、材质等的影响，得到的图像往往存在各种外界因素的干扰，像素灰度分布比较复杂，采用统一的分割算法很难得到较好的分割效果，因此，需要根据不同的图像特征的选择相应的算法。但是，目前并没有制定出相应

34、的准则或理论依据指导我们根据图像特征选择合适的分割算法，仅仅依靠人工判断和选择分割算法无法满足实际应用需求。22图像分割的基本方法图像分割算法种类繁多，目前主要有阈值分割方法、边缘检测方法、区域提取方法、基于聚类的方法和结合特定理论工具的分割方法。221阈值分割算法阈值分割算法是一种较为基础的分割算法，该算法计算简单，时间复杂度低，易于理解，且分割效果较好，因此得到了广泛的应用。其基本原理是根据图像中目标和背景在灰度分布上的差异，采用一定的准则或原理选择一个或者多个阈值将图像分为两个部分：目标和背景。阈值分割算法的关键是阈值的选取，并分为全局和局部阈值分割算法。全局阈值分割方法是指图像的像素灰

35、度采用统一的分割阈值，该方法适用于图像目标和背景灰度分布相差较大的图像【42】，分割效果较好，计算简单，实时性较高，因此得到广泛的应用：对于灰度分布较为复杂，目标和背景区域灰度范围交差严重，或者外界噪声干扰较大的图像，由于目标和背景灰度存在交叉现象，该方法很难将目标图像从背景中完整分离，有时甚至会出现严重的错分现象。常用的全局阈值分割算法有熵函数法【431、Otsu法、最小误差法【删等由于全局阈值分割算法只考虑像素的灰度本身，忽略了灰度的空间分布信息，因此该算法的抗噪性能较差。局部阈值法是指根据图像像素灰度的空间分布情况，将图像划分成几个不相交的子区域，然后对每个子区域采用不同的阈值进行分割，

36、即得到整幅图像万方数据武汉科技大学硕士学位论文的分割结果。因此，该算法具有一定的抗噪性能，对于光照分布不均匀以及目标和背景灰度交叉较大的图像，分割效果较好。但是由于没有成熟的理论来指导图像分块，无法自适应设置图像分块个数，且分块后的图像由于相邻子块分割时采用的阈值不同，导致子块边缘往往会出现灰度不连续的现象，该算法计算复杂，分块过程效率较低，对图像分割结果有较大影响。222边缘检测方法边缘检测是根据图像中各个区域边缘的灰度、颜色等属性变化率较大的特点对图像中的目标进行分割。边缘检测方法分为串行和并行的边缘检测方法，其中，串行边缘检测方法首先是寻找一个合适的边缘起点，然后根据像素的某一属性的一致

37、性寻找后续边缘点，最后得到连续的区域轮廓。但是不恰当的初始点的选取则会得到虚假边缘。并行边缘检测方法是将图像与空域算子卷积计算，该算法中常用的对图像区域边缘灰度变化敏感的算子有：Roberts算子、Laplace算子、Prewitt算子、Sobel算子、Rosonfe算子、Kitsch算子和Canny算子等。边缘像素提供了物体的轮廓信息，采用该算法分割图像时较好地保存了目标的轮廓信息，较大地减少了图像中需要处理的像素的个数，分割效率较高。但是边缘检测方法更适用于图像区域边缘灰度变化较大的情况，对于边缘复杂，或者单像素边缘，或者噪声较大的图像，该方法都不适用，抗噪性能较差。223基于区域分割算法

38、222节中的方法分割结果中的目标轮廓线往往不能保证得到的是封闭的曲线，而基于区域的图像分割方法能避免这一不足，得到较完整的图像轮廓。该方法分为区域生长法和区域分裂合并法。区域生长法中首先寻找合适的种子像素点作为区域生长的起点，再根据某一生长准则将种子像素点邻域内满足生长条件的像素合并到种子像素点所在区域，最后将这些新的像素重新作为种子点进行上述生长过程，以此类推，不断重复该过程，当达到一定的终止条件后该生长过程停止。该算法计算简单，保留的物体轮廓完整，纹理清晰，但是抗噪性能较差，由于需要人为确定种子点，且该算法为串行计算，分割效率较低。区域分裂合并法则是将一幅图像根据一定的准则不断划分成若干子

39、区域，再提取出其中的前景子区域进行合并，即为目标图像。该算法需要不断地迭代计算，每一次迭代都需要重新计算区域内像素的一致性特征，计算量较大。224基于聚类的图像分割算法聚类分割算法是将图像像素具有某一特征的数据组成的数据集合分成由具有不同相似像素特征的数据组成的若干类的过程，使同一类中的特征数据的某一属性更一致，类与类之问数据属性的区别更大。该算法的分割效果对算法中的初始聚类中心的选取和聚类数目有一定的依赖性，因此该算法通常与多种理论相结合，7万方数据武汉科技大学硕士学位论文例如与模糊理论相结合，与图论理论相结合【45】等。聚类算法分割图像的关键是对图像相似度的计算和提取m】，因此，具有自我学

40、习能力的聚类算法是其研究的一个重要方向。225基于图割的图像分割算法图割算法是指根据图像建立相应的加权无向图，图中的点与图像像素相对应，图中的边和权值与像素间的一致性程度相对应，然后确定一个能量函数，当求得能量函数的最小值时，就得到了图像的全局最优分割，因此该算法得到较大的发展。常用的基于图割的方法有：GraphCut、GrabCut、Random Walk。但是图割理论只适用于某一类能量函数，适用范围需要进一步扩展，该算法对小目标分割准确，对较大的图像分割则较为缓慢，需要进一步提高。226基于特定理论的图像分割方法1965年扎德首次提出了模糊集理论【47】，该理论的产生有助于图像中目标和背景

41、灰度变化缓慢导致边界模糊和不确定的情况的解决，能准确分割图像中目标的纹理细节。在模糊理论中，一个像素是划分为目标区域还是应该划分为背景区域，通常用隶属度表示，隶属度越大，则该像素被划分为相应区域的概率也越大。因此，隶属函数的确定对图像的分割结果有较大影响【48】。其中模糊C均值聚类算法(Fuzzy CMeans，FCM)【491应用广泛，对图像边缘分割较为准确阻511，分割效果较好，但是该算法忽略了像素的空间信息，抗噪性较差，需要进一步的改进。1973年Holland提出了一种遗传算法(Genetic Algorithms，GA)。该算法是模仿优胜劣汰的自然选择原理和遗传学中基因的选择原理的优

42、化搜索速度和质量的数学模型【52】，搜索时可以并行处理多个个体，并通过概率的变化来指导搜索方向。该算法收敛性好，具有快速地搜索能力，因而得到广泛的使用。不足之处是该算法适合于全局搜索，局部搜索效果欠缺，且初始种群的选择和搜索评价函数的设计对算法有较大影响53】，但是可以通过与其他算法相结合来弥补这一不足【54彤】。基于数学形态学【56】的分割方法主要研究图像的形态特征，并通过用具有特定形态的结构元素描述图像中像素之间或区域之间的关系来对图像进行分析识别。该算法的关键是选择合适的结构元素，其基本运算有：膨胀、腐蚀、开启和闭合。形态学方法通常与其它理论相结合，例如与区域分割方法相结合的分水岭(Wa

43、tershed)算法【57-58J等。除此之外，还有基于支持向量机(SupportVector Machine，SVM)理论的分割方法59】，基于粒度计算的图像分割方法，基于变形理论的图像分割方法以及基于免疫的图像分割算法等。23人工神经网络以上的图像分割的基本方法都存在各自的缺点和不足，不能满足实际的图像万方数据武汉科技大学硕士学位论文分割中准确、实时、高效、自适应能力强以及使用范围广的要求。例如阈值、边缘检测方法以及基于区域的分水岭算法的抗噪性能较差；另外，边缘检测方法中初始起点的选取、区域分割方法中种子点的选取以及遗传算法中初始种群的选择等对分割结果都有较大影响，自适应能力较差；基于区域

44、的分水岭算法较易出现过分割现象；基于图论的分割算法效果较好，但是计算复杂，实时性较低等。众所周知，人类的大脑是目前已知的世界上最精准，最高效，功能最复杂的图像信息处理系统，人们通过视觉感知，将外界的信息通过神经细胞传入大脑进行一系列处理，工作过程实时、高效，目标结果提取准确，是图像分割的理想处理工具，因此模拟人类大脑这一信息处理功能将成为今后图像处理的一个发展方向。随着医学和人工智能技术的不断发展，研究者在解剖学的基础上结合数学、物理学等理论提出了大量的人工神经网络模型，并将该技术应用到图像分割中。该模型的基本原理是采用大量的样本对模型进行多次训练，得到神经元节点之间的链接权值大小，然后将训练

45、好的人工神经网络模型用于图像分割。尽管该模型的功能与真实的神经元功能相距甚远，但由于该模型采用并行计算，效率较好，自学习能力强，以及易于硬件实现等特点而得到了较大的发展。常见的人工神经网络有Hopfield60J、Bp61J、Adline、Kohonen、PCNN、卷积神经网络(CNN)等，其中PCNN模型是近年来发展较为迅速的一种神经网络，在图像处理领域应用广泛。231生物神经元模型神经元是生物信息处理的基本单元，主要由树突、轴突和突触三部分组成。神经细胞是一多输入单输出的非线性处理单元，当树突接收到外部激励信号时，细胞膜上的电位将发生改变，当该激励信号足够大时，电位变化加大，神经细胞将会处

46、于兴奋状态，并通过轴突将这一电位变化传递到突触，最后由突触前膜将这一电信号转化为化学信号传递到与之相连接的其它神经细胞。信号在轴突中通常以电信号的形式传播，在轴突末梢通过化学递质转换成化学信号，最后在突触后膜又转化为电信号继续在下一神经细胞中传递下去。通常，一个神经元的轴突末梢与多个神经元的树突相连，因此，当该神经元产生脉冲信号输出时，该输出信号将会被传递到多个神经元中，并影响这些神经元中电位信号的变化，当这些相邻神经元中原始的电位信号较高时，一旦受到外界的较小的刺激就会马上处于兴奋状态从而发出脉冲信号形成脉冲簇；同样，一个神经元的树突也与多个神经元的轴突末梢相连，当相邻神经元有脉冲信号输出时，该神经元将接受这些脉冲信号并转换成相应的电信号，当该电信号形成的电位大于神经元的阈值电位时，该神经元将被激发，并将电位信号以脉冲的形式在轴突上传播并影响与之轴突末梢相连的其它神经元，众多的神经元交错链接周而9万方数据武汉科技大学硕士学位论文复始地完成了信号的处理与传输功能。人工神经网络就是模拟神经元的这一信息传递和处理功能而得到的数学模型。232人工神经网络模型特点众所周知，人类的大脑是最先进复杂和高效准确的视觉处理系统，人类的眼睛将感知到的外界视觉信息通过一系列神经元传递到大脑视觉皮层，经过神经元的处理和过滤最后得到人们感兴趣的结果。人工神经网络就是模仿生物