胡剛毅，秦明明，榮 劍

?

一種用于森林紅外圖像動(dòng)物邊緣檢測(cè)算法

胡剛毅，秦明明，榮 劍

（西南林業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院，云南 昆明 650224）

文中提出了一種基于遺傳算法并考慮空域距離關(guān)系來設(shè)計(jì)細(xì)胞神經(jīng)網(wǎng)絡(luò)模板參數(shù)并實(shí)現(xiàn)森林紅外圖像動(dòng)物邊緣檢測(cè)的算法。仿真結(jié)果表明，該算法與其他的森林紅外圖像邊緣檢測(cè)算法相比，能很好地抑制噪聲對(duì)邊緣檢測(cè)的干擾，保留邊緣信息，同時(shí)能較好地檢測(cè)出紅外圖像動(dòng)物的邊緣，檢測(cè)精度高，具有良好的應(yīng)用前景。

森林紅外圖像；動(dòng)物邊緣檢測(cè)；細(xì)胞神經(jīng)網(wǎng)絡(luò)；空域距離

0 引言

森林紅外圖像處理過程中，目標(biāo)邊緣的檢測(cè)顯得十分重要，它不僅攜帶了大部分的信息，也是后續(xù)生物數(shù)據(jù)采集、目標(biāo)識(shí)別的重要依據(jù)。而森林紅外圖像具有背景噪聲大、邊緣信息模糊及對(duì)比度低的特點(diǎn)。如何能夠精確地獲得森林紅外圖像中的動(dòng)物邊緣信息，已成為森林經(jīng)理學(xué)的研究重點(diǎn)。經(jīng)典的邊緣檢測(cè)的算法有Roberts、Laplace、Sobel、Prewitt和Canny等[1]。Roberts算法和Laplace算法定位精度較高，但對(duì)噪聲較為敏感。Sobel算法和Prewitt算法對(duì)噪聲具有較好的平滑作用，但同時(shí)也平滑了真正的邊緣，定位精度不高。而Canny算法的閾值需要人為設(shè)定，容易造成邊緣丟失或者檢測(cè)出假邊緣。國內(nèi)外已有學(xué)者提出了借助細(xì)胞神經(jīng)網(wǎng)絡(luò)對(duì)含噪圖像進(jìn)行邊緣檢測(cè)的算法，仿真實(shí)驗(yàn)說明該方法具有一定的實(shí)用性，但是在細(xì)胞神經(jīng)網(wǎng)絡(luò)的具體參數(shù)模板的求解上和邊緣檢測(cè)上有不穩(wěn)定等情況[2-5]。通過研究我們發(fā)現(xiàn)，結(jié)合遺傳算法來進(jìn)行設(shè)計(jì)CNN的模板[6]，并在求解模板的過程中，同時(shí)考慮窗口內(nèi)各個(gè)像素點(diǎn)與中心像素點(diǎn)的灰度差異和空域距離關(guān)系，能取得較好的效果。

1 細(xì)胞神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

細(xì)胞神經(jīng)網(wǎng)絡(luò)（Cellular Neural Network，CNN）是1998年由美國加州大學(xué)伯克利分校的L. O. Chua教授提出，它是一種非線性、局部連通的神經(jīng)網(wǎng)絡(luò)，具有并行性、運(yùn)算速度快等特點(diǎn)。

圖1是細(xì)胞神經(jīng)網(wǎng)絡(luò)的3×3局域互聯(lián)模型結(jié)構(gòu)，它的整個(gè)結(jié)構(gòu)由×細(xì)胞元組成，且第行第列的細(xì)胞元只會(huì)與鄰域內(nèi)的細(xì)胞元進(jìn)行連接，非直接相連的細(xì)胞元通過動(dòng)態(tài)的傳播進(jìn)行作用[7-8]。

領(lǐng)域N()被定義為：

N()＝{C|max(|－|,|－|)≤, 1≤≤, 1≤≤} (1)

式中：為細(xì)胞元C,j的領(lǐng)域半徑；C,b為細(xì)胞元C,j領(lǐng)域內(nèi)的細(xì)胞元。

圖1 細(xì)胞神經(jīng)網(wǎng)絡(luò)中細(xì)胞Ci,j模型結(jié)構(gòu)圖

在×局域互聯(lián)模型結(jié)構(gòu)中，任意細(xì)胞元C,j的電路模型都由線性元件與非線性電路組成，每個(gè)細(xì)胞元C,j都包括了輸入變量、輸出變量、閾值、狀態(tài)變量組成。用一階非線性微分方程來表示細(xì)胞元C,j的動(dòng)態(tài)方程為：

式中：1≤≤，1≤≤，x是狀態(tài)變量；y是輸出變量；u是輸入變量；I是閾值；是反饋系數(shù)；是控制系數(shù)。一般將、、稱為細(xì)胞神經(jīng)網(wǎng)絡(luò)的模板，不同的模板值決定了細(xì)胞神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)變化的功能，CNN正是通過對(duì)、、的設(shè)計(jì)來實(shí)現(xiàn)并行快速處理圖像的目的[9]。

目前通用的CNN邊緣提取的模板的格式如下式，文中主要將基于空域距離的遺傳算法用于該模板設(shè)計(jì)中[10]：

＝(3)

由上述模板的格式可知，只需要優(yōu)化1、1、2、3、這5個(gè)參數(shù)即可。

由于輸入圖像是多灰度等級(jí)的圖像，所以細(xì)胞神經(jīng)網(wǎng)絡(luò)在處理圖像的過程中不停的更新狀態(tài)，且最后必須達(dá)到一個(gè)穩(wěn)定態(tài)。細(xì)胞神經(jīng)網(wǎng)絡(luò)的能量函數(shù)Lyapunov函數(shù)被定義為：

可以證明，上式是收斂的，在進(jìn)行基于空域距離的遺傳算法的設(shè)計(jì)過程中，把上式(4)作為適應(yīng)度函數(shù)。

2 基于空域距離的CNN_SGA算法設(shè)置

本文采用遺傳算法與細(xì)胞神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的方法來進(jìn)行森林紅外圖像動(dòng)物目標(biāo)邊緣檢測(cè)，在利用遺傳算法訓(xùn)練細(xì)胞神經(jīng)網(wǎng)絡(luò)的模板時(shí)，考慮了對(duì)應(yīng)鄰域窗口內(nèi)各像素同中心像素間的相對(duì)距離，并利用遺傳算法良好的全局搜索能力和快速收斂特性，得到細(xì)胞神經(jīng)網(wǎng)絡(luò)的模板。

2.1 空域距離

由式(3)細(xì)胞神經(jīng)網(wǎng)絡(luò)的模板公式可知，1、1、2、3、這5個(gè)參數(shù)在用CNN進(jìn)行圖像邊緣檢測(cè)中發(fā)揮著重要的作用，如何準(zhǔn)確得到適用于森林紅外圖像的動(dòng)物邊緣提取的模板，已成為該算法的關(guān)鍵。

由CNN的邊緣提取原理知，CNN是對(duì)圖像的每個(gè)像素考察它的某個(gè)鄰域內(nèi)灰度的變化，利用邊緣鄰近一階或二階方向?qū)?shù)變化檢測(cè)到亮度值的不連續(xù)性，從而檢測(cè)出邊緣。這種方法很容易把一幅圖像中有些噪音或者其他的如石頭、樹枝等非動(dòng)物的邊緣檢測(cè)出來，進(jìn)而降低后續(xù)圖像處理對(duì)人體或動(dòng)物等需要的目標(biāo)的追蹤能力，主要原因是在模板計(jì)算中，沒有考慮各像素同中心像素間的相對(duì)距離。實(shí)際上，在模板計(jì)算中，對(duì)應(yīng)的鄰域窗口內(nèi)各像素同中心像素間除了在灰度值方面存在差異（灰度值差異越大，則相似性越?。?，在空域分布上也存在一定的關(guān)系，（距離中心像素越遠(yuǎn)，則相似性越?。诖?，本文提出了一種算法，即考慮所得邊緣點(diǎn)與中心像素之間的距離來判斷是否是偽邊緣，如果某點(diǎn)距離中心像素太遠(yuǎn)，就舍去。為此，對(duì)模板、、進(jìn)行如下約束[11]。

2.2 遺傳算法優(yōu)化CNN模板參數(shù)

1）選擇操作

選擇操作是從種群中選出適應(yīng)度高的個(gè)體。本文采用基于適應(yīng)度比例的選擇策略（即輪盤賭選擇法，適應(yīng)度越大的個(gè)體被選中的概率越大，這樣有利于遺傳算法朝后代最優(yōu)的方向進(jìn)化），對(duì)個(gè)體C,j進(jìn)行選擇操作，個(gè)體的選擇概率p計(jì)算公式為：

式中：F為個(gè)體C,j的適應(yīng)度值；為常數(shù)；f為中間變量。

2）交叉操作

以一定的交叉概率對(duì)兩個(gè)父?jìng)€(gè)體的染色體隨機(jī)搭配單點(diǎn)交叉成對(duì)，從而產(chǎn)生兩個(gè)新的子個(gè)體，為了防止過早出現(xiàn)局部收斂而損失最優(yōu)解的現(xiàn)象，交叉概率按照下式確定[12]：

式中：max是種群個(gè)體最大適應(yīng)度值；￠是交叉?zhèn)€體較大的適應(yīng)度值；avg是種群個(gè)體平均適應(yīng)度值。

3）變異操作

通過小概率對(duì)個(gè)體染色體進(jìn)行突變，從而提高改進(jìn)遺傳算法的局部隨機(jī)搜索能力及確保種群個(gè)體的多樣性。a的變異操作采用如下兩個(gè)等式[12]：

式中：max是個(gè)體a染色體的上界；min是個(gè)體a染色體的下界；1是隨機(jī)數(shù)；是當(dāng)前迭代次數(shù)；max是最大進(jìn)化次數(shù)；∈[0, 1]。

2.3 基于空域距離的CNN_SGA算法

遺傳算法將預(yù)處理后的紅外圖像經(jīng)過選擇、交叉、變異等遺傳算子迭代得到中心像素點(diǎn)，而后將各點(diǎn)與中心像素點(diǎn)的相對(duì)空域距離進(jìn)行比較，屏蔽距離較遠(yuǎn)的點(diǎn)，進(jìn)而得到CNN所需處理功能的模板。CNN采用遺傳算法設(shè)計(jì)的模板對(duì)森林紅外圖像進(jìn)行動(dòng)態(tài)運(yùn)算，最后收斂并輸出二進(jìn)制動(dòng)物邊緣圖像。圖2為細(xì)胞神經(jīng)網(wǎng)絡(luò)結(jié)合基于空域距離的遺傳算法設(shè)計(jì)CNN模板進(jìn)行紅外圖像的動(dòng)物邊緣檢測(cè)流程圖。

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文提出基于空域距離的遺傳算法結(jié)合細(xì)胞神經(jīng)網(wǎng)絡(luò)算法（CNN_SGA）進(jìn)行森林紅外圖像動(dòng)物邊緣檢測(cè)的性能，本文給出一組實(shí)驗(yàn)用來比較本算法與其他3種算法（Sobel、Canny和CNN_GA）的性能。圖3(a)為一幅大小為256×256的刺猬紅外圖像，從圖可見該圖像中的目標(biāo)除刺猬外，還有樹枝、草叢等。分別利用Sobel、Canny、CNN_GA和本文提出的改進(jìn)算法CNN_SGA進(jìn)行刺猬圖像的輪廓探測(cè)，檢測(cè)結(jié)果分別如圖3(b)、3(c)、3(d)和3(e)所示。

由圖3(b)可知，Sobel算子在檢測(cè)刺猬紅外圖像中，效果不是很理想，目標(biāo)邊緣淹沒在其他雜質(zhì)中。圖3(c)可知，Canny算法在檢測(cè)刺猬紅外圖像中，檢測(cè)到了樹枝、花草、石頭之類的偽邊緣，這對(duì)后續(xù)對(duì)動(dòng)物的目標(biāo)跟蹤很不理想。由圖3(d)和圖3(e)可知，相對(duì)于Sobel和Canny算法，CNN_GA和CNN_SGA檢測(cè)刺猬紅外圖像中的目標(biāo)物體輪廓時(shí)效果明顯得到了改善，并且屏蔽了樹枝、花草等非目標(biāo)。相比較CNN_GA而言，CNN_SGA得到的目標(biāo)更加精確，不需要的目標(biāo)邊緣明顯減少，視覺效果更好，綜上所述，在對(duì)刺猬紅外圖像邊緣檢測(cè)中，CNN_SGA算法明顯占優(yōu)勢(shì)。

圖2 細(xì)胞神經(jīng)網(wǎng)絡(luò)結(jié)合基于空域距離的遺傳算法設(shè)計(jì)CNN模板進(jìn)行紅外圖像的動(dòng)物邊緣檢測(cè)流程圖

圖3 刺猬紅外圖像邊緣檢測(cè)結(jié)果比較

圖4(a)是一幅羚羊的紅外圖像，大小為512×512，從該圖像可知，該圖像除了有羚羊，還有樹枝、地面石子等諸多邊緣，且樹枝邊緣很明顯。分別用Sobel、Canny，CNN_GA和CNN_SGA進(jìn)行該羚羊紅外圖像的邊緣檢測(cè)。檢測(cè)結(jié)果如圖4(b)、4(c)、4(d)和4(e)所示。

由圖4(b)可知，Sobel算子檢測(cè)到的圖像中，樹枝邊緣比較明顯，已很難分清楚目標(biāo)圖像（羚羊）和非目標(biāo)圖像。圖4(c)經(jīng)Canny算法得到的羚羊圖像的邊緣稍微好些，但是也湮沒了目標(biāo)圖像，很難區(qū)分開來。相對(duì)于Sobel 和Canny算法，由圖4(d)和圖4(e)可知，CNN_GA和CNN_SGA的檢測(cè)效果明顯要好得多，能明顯看出目標(biāo)圖像的邊緣是一只羊，并且背景的樹枝等已經(jīng)被屏蔽。而相對(duì)于CNN_GA，CNN_SGA算法屏蔽了更多的非目標(biāo)信息，如地上的石子，背景中的一個(gè)樹枝等。并且羚羊的鼻子、嘴巴等信息更加清晰。

圖4 羚羊紅外圖像邊緣檢測(cè)結(jié)果比較

為了定量分析本文算法在檢測(cè)森林紅外圖像動(dòng)物邊緣信息的優(yōu)勢(shì)，采用苑瑋琦提出的評(píng)價(jià)邊緣檢測(cè)算法的誤差分析掃描法[13]，即定位錯(cuò)誤非邊緣像素與真實(shí)邊緣像素點(diǎn)數(shù)之比。其中錯(cuò)誤非邊緣包括真實(shí)的邊緣沒有檢測(cè)到（即漏檢），以及非邊緣像素點(diǎn)被錯(cuò)誤檢測(cè)為邊緣點(diǎn)（即誤檢）。采用這種評(píng)價(jià)方法對(duì)羚羊圖像的檢測(cè)效果進(jìn)行評(píng)價(jià)，將上述Sobel算子、Canny算法、基于遺傳算法的細(xì)胞神經(jīng)網(wǎng)絡(luò)算法（CNN_GA），以及考慮空域距離的基于遺傳算法的細(xì)胞網(wǎng)絡(luò)算法（CNN_SGA）進(jìn)行評(píng)價(jià)。得到如表1所示結(jié)果。

表1 各算法的定位誤差統(tǒng)計(jì)表

從該結(jié)果可以看出，本文考慮空域距離的基于遺傳算法的細(xì)胞網(wǎng)絡(luò)算法（CNN_SGA）對(duì)森林紅外圖像動(dòng)物目標(biāo)進(jìn)行邊緣檢測(cè)，其漏檢率、誤檢率和綜合定位誤差具有明顯優(yōu)勢(shì)。

4 結(jié)論

針對(duì)紅外圖像的動(dòng)物邊緣檢測(cè)，本文提出了一種基于空域距離的遺傳算法結(jié)合細(xì)胞神經(jīng)網(wǎng)絡(luò)算法（CNN_SGA）進(jìn)行森林紅外圖像動(dòng)物邊緣檢測(cè)，該算法中，CNN的模板參數(shù)的計(jì)算，不僅考慮了鄰域內(nèi)各像素點(diǎn)的灰度值的差異，還考慮了各像素點(diǎn)與中心像素點(diǎn)的空域距離，屏蔽了距離較遠(yuǎn)的點(diǎn)。實(shí)驗(yàn)結(jié)果表明，相對(duì)于其他算法，本文算法能更加清晰、準(zhǔn)確地檢測(cè)出森林紅外圖像中動(dòng)物的邊緣信息，屏蔽了后續(xù)處理中不需要的樹枝、石子、花草等冗余信息，從而極大地提高了后續(xù)目標(biāo)跟蹤處理速度。因此，基于遺傳算法并考慮空域距離關(guān)系為細(xì)胞神經(jīng)網(wǎng)絡(luò)參數(shù)的優(yōu)化提供了一條新途徑，同時(shí)也為動(dòng)物紅外圖像的邊緣檢測(cè)提供了一個(gè)新的方法。

[1] YU Yuanhui, CHANG Chinchen. A new edge detection approach based on image context analysis[J]., 2006(10): 1090-1102.

[2] 盧珊萍, 于盛林. 基于粒子群算法的細(xì)胞神經(jīng)網(wǎng)絡(luò)模板參數(shù)設(shè)計(jì)[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2009(4): 83-86.

LU Shanping, YU Shenglin. A template design method for cellular neural network based on particle swarm optimizer algorithm[J]., 2009(4): 83-86.

[3] Basturk A, Gunay E. Clonal selection algorithm based cloning template learning for edge detection in digital images with CNN[C]//,, Aydin, 2008: 1-4.

[4] Alper Basturk, Enis Gunay. Efficient edge detection in digital images using a cellular neural network optimized by differential evolution algorithm[J]., 2009, 36: 2645-2650.

[5] 劉萬軍, 姜慶玲, 張闖. 基于CNN彩色圖像邊緣檢測(cè)的車牌定位方法[J]. 自動(dòng)化學(xué)報(bào), 2009(12): 1503-1512.

LIU Wanjun, JIANG Qingling, ZHANG Chuang. A novel approach for vehicle license plate locating based on CNN color image edge detection[J]., 2009(12): 1503-1512.

[6] 程瑩, 劉文波. 基于自適應(yīng)遺傳算法的細(xì)胞神經(jīng)網(wǎng)絡(luò)模板設(shè)計(jì)[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2008(5): 54-56.

CHENG Ying, LIU Wenbo. Design on CNN template parameters based on adaptive genetic algorithm[J]., 2008(5): 54-56.

[7] Azian Azamimi Abdullah, Bu Sze Chize, Zulkarnay Zakaria. Design of cellular neural network (CNN) simulator based on Matlab for brain tumor detection[J]., 2012(1): 1-11.

[8] Tukel M, Yalcin M E. A new architecture for cellular neural network on reconfigurable hardware with an advance memory allocation method[C]//, 2010: 1-6.

[9] LI Huaqing, LIAO Xiaofeng, LI Chuandong, et al. Edge detection of noisy images based on cellular neural networks[J]., 2011, 16: 3746-3759.

[10] WANG Wei, YANG Lijun, XIE Yuting, et al. Edge detection of infrared image with CNN_DGA algorithm[J]., 2014: 464-467.

[11] 張文娟, 康家銀. 一種用于輪廓線探測(cè)的CNN改進(jìn)算法[J]. 系統(tǒng)仿真學(xué)報(bào), 2012(1): 141-144.

ZHANG Wenjuan, KANG JiaYin. A modified CNN algorithm for contour detection[J]., 2012(1): 141-144.

[12] 安友偉. 人體熱紅外圖像邊緣檢測(cè)算法及FPGA實(shí)現(xiàn)[D]. 重慶: 重慶郵電大學(xué), 2013.

AN Youwei. Human Thermal Infrared Image Edge Detection Algorithm and FPGA Implementation[D]. Chongqing: Chongqing University of Posts and Telecommunication, 2013.

[13] 苑瑋琦, 李雪. 一種邊緣檢測(cè)效果評(píng)價(jià)方法的研究[J]. 微計(jì)算機(jī)信息, 2007(11): 304-305.

YUAN WeiQi, LI Xue. Research on a method for evaluating the effect of edge detection[J]., 2007(11): 304-305.

An Algorithm for Animal Edge Detection in Forest Infrared Image

HU Gangyi，QIN Mingming，RONG Jian

(,,650224,)

This paper proposes an algorithm based on genetic algorithm and considering the spatial distance factor to design the template parameters of cellular neural networks. Then this algorithm is used to realize the animal edge detection in forest infrared image. The simulation results show that: comparing with other edge detection algorithm in forest infrared image, this algorithm can effectively suppress noise on edge detection, and preserve the edge information. It can detect the infrared image edge of the animal much better. The detection precision is high, which has a good application prospect.

forest infrared image，animal edge detection，cellular neural network，spatial distance

TP399

A

1001-8891(2016)08-0709-05

2016-01-05；

2016-03-08.

胡剛毅（1982-），男，湖南衡陽人，碩士，講師，主要從事圖像信息處理、嵌入式系統(tǒng)設(shè)計(jì)研究。

云南省教育廳科學(xué)研究基金項(xiàng)目（2015Y286）。