人工神經(jīng)網(wǎng)絡(luò)在含噪圖像邊緣檢測算法中的應(yīng)用

馬雪景，王文煥，劉國巍

(安徽理工大學(xué) 電氣與信息工程學(xué)院，安徽 淮南 232001)

0 引 言

近年來，圖像處理技術(shù)隨著相關(guān)領(lǐng)域網(wǎng)絡(luò)性、數(shù)據(jù)性的改進而變得越來越重要[1]。有效的檢測結(jié)果能夠保障圖像的后期處理與分析的質(zhì)量[2-3],而含噪圖像邊緣檢測技術(shù)是圖像處理程序中的重要環(huán)節(jié)。

文獻[4]采用雙邊濾波代替高斯濾波過程，并增加2個方向上的圖像梯度幅值，從而保留圖像真實邊緣，然后對圖像做Curvelet變換，實現(xiàn)邊緣信息檢測；文獻[5]設(shè)定了一個表示平坦區(qū)域的模板圖像，并建立同時考慮圖像梯度和圖像窗口方差信息的隸屬度函數(shù)，在此基礎(chǔ)上，通過計算模糊直覺散度檢測邊緣信息。然而，上述2種算法下的含噪圖像邊緣表現(xiàn)度較差。文獻[6]在改進全卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，通過添加輔助輸出層的方式初步提取圖像多像素邊緣，然后利用分水嶺算法細(xì)化并提取邊緣信息；文獻[7]將二進小波變換與形態(tài)學(xué)算子相融合，對含噪圖像邊緣進行初步檢測，然后設(shè)計多結(jié)構(gòu)抗噪形態(tài)學(xué)算子抑制噪聲，再利用Laplace算子得到邊緣檢測結(jié)果。然而上述2種算法的檢測耗時較長、效率偏低。

人工神經(jīng)網(wǎng)絡(luò)可從信息處理的角度抽象模擬人腦神經(jīng)元網(wǎng)絡(luò)，具有較強的信息類別劃分和識別能力，其在認(rèn)識科學(xué)、神經(jīng)生理學(xué)、信息科學(xué)等領(lǐng)域取得重大突破，將人類文明推進到一個嶄新的高度。近年來，人工神經(jīng)網(wǎng)絡(luò)技術(shù)不斷深入發(fā)展，在模式識別、智能控制、生物、醫(yī)學(xué)、經(jīng)濟預(yù)測等領(lǐng)域已成功解決了許多現(xiàn)代計算機難以解決的實際問題，表現(xiàn)出了良好的智能特性。為此，針對傳統(tǒng)算法的不足，該研究應(yīng)用人工神經(jīng)網(wǎng)絡(luò)設(shè)計了一種新的含噪圖像邊緣檢測算法。

1 算法設(shè)計

1.1 圖像邊緣噪聲分析

若想實現(xiàn)對含噪圖像的邊緣檢測，需要將大量的數(shù)據(jù)作為基礎(chǔ)，該研究在進行運算設(shè)計之前對含噪圖像的邊緣數(shù)據(jù)實施降噪處理，從根本上保障檢測結(jié)果的有效性。應(yīng)用建模技術(shù)將圖像邊緣數(shù)據(jù)規(guī)劃為一套多維數(shù)據(jù)結(jié)構(gòu)，再通過隨機過程處理與人工神經(jīng)網(wǎng)絡(luò)中的反饋機制，將含噪圖像劃分為函數(shù)區(qū)域與非函數(shù)區(qū)域。通常來說，含噪圖像中噪聲數(shù)據(jù)的類型因其所處區(qū)域的不同而具有不同的表現(xiàn)形式，一般可以歸納為圖像邊緣的高斯噪聲、瑞利噪聲、指數(shù)分布噪聲、伽馬噪聲和脈沖噪聲等。

為了能夠更加直觀地表示不同形式的噪聲對圖像邊緣的影響程度，本研究將相關(guān)噪聲數(shù)據(jù)提取至原始圖像邊緣中，進行一定程度的噪聲處理，再應(yīng)用Matlab軟件進行模型仿真處理，得到的不同類型含噪圖像邊緣檢測處理結(jié)果如圖1所示。

(a)圖像1 (b)高斯噪聲圖

(c)瑞利噪聲圖 (d)伽馬噪聲圖圖 1 不同類型含噪圖像邊緣對比Fig.1 Edge comparison of different types of noisy images

圖1中，在圖像包含的各種噪聲信息中，高斯噪聲的占比更多，伽馬噪聲信息很少。因此，本研究主要針對高斯噪聲和瑞利噪聲加以詳細(xì)描述。

圖像邊緣數(shù)據(jù)中形成的高斯噪聲原因主要有數(shù)據(jù)傳感器的不靈敏、噪聲密度大等。高斯噪聲的函數(shù)可表示為

(1)

式中：x為含噪邊緣圖像的灰度值；E為圖像邊緣噪聲對灰度值的期望值；ρ為圖像功率譜密度。

圖像的生成過程中，邊緣位置會收集環(huán)境中的其余信息，若環(huán)境信息較為復(fù)雜，則其易轉(zhuǎn)化為瑞利噪聲。瑞利噪聲的函數(shù)可表示為

(2)

式中：a為含噪圖像數(shù)據(jù)環(huán)境中存在的大概率復(fù)雜因數(shù)；b為含噪圖像數(shù)據(jù)與圖像邊緣原始數(shù)據(jù)的相關(guān)性。

1.2 提取并去除圖像邊緣噪聲信息

在上述分析圖像邊緣噪聲類型的基礎(chǔ)上，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對含噪圖像邊緣信息中的噪聲信息進行提取和去除，這一過程需要應(yīng)用相關(guān)濾波技術(shù)。將得到的反饋對象作為人工神經(jīng)網(wǎng)絡(luò)的反饋輸入數(shù)據(jù)[8-9]，濾波后的信息可表示為

(3)

式中：M、N分別為含噪圖像邊緣數(shù)據(jù)中不同類型的平均噪聲。MN能夠?qū)D像中的噪聲數(shù)據(jù)產(chǎn)生一定程度的防御作用，在不損失原始圖像清晰度的同時，完成對圖像邊緣數(shù)據(jù)的細(xì)節(jié)處理與提取。

人工神經(jīng)網(wǎng)絡(luò)中的數(shù)據(jù)連接狀態(tài)一直處于連續(xù)不斷模式，導(dǎo)致閾值劃分明顯，容易使其他噪聲因素對圖像邊緣進行重新細(xì)節(jié)塑造，進而降低原始圖像的噪聲系數(shù)[10]。而應(yīng)用濾波技術(shù)對含噪圖像中的相關(guān)噪聲進行過濾分類后，會產(chǎn)生2部分的噪聲系數(shù)，分別在圖像邊緣數(shù)據(jù)庫中以不同頻率的形式存在。在應(yīng)用人工神經(jīng)網(wǎng)絡(luò)反饋噪聲數(shù)據(jù)后，設(shè)定含噪圖像邊緣數(shù)據(jù)的自適應(yīng)閾值，并對目前的邊緣數(shù)據(jù)初始化。此外，基于人工神經(jīng)網(wǎng)絡(luò)的噪聲信息提取過程還應(yīng)用了圖像邊緣環(huán)境中的最大噪聲值、不同噪聲點之間的梯度型號來判斷噪聲的狀態(tài)，再利用不同狀態(tài)的特征對其展開提取。

結(jié)合上述分析過程，設(shè)計人工神經(jīng)網(wǎng)絡(luò)中的動態(tài)噪聲信息檢測流程，應(yīng)用動態(tài)檢測器識別含噪圖像邊緣的初次噪聲類型，得到動態(tài)檢測器對圖像中非噪聲最大值的反饋結(jié)果與梯度跨度檢測，再結(jié)合圖像邊緣噪聲中具有二進制資格的噪聲數(shù)據(jù)，判斷圖像邊緣的數(shù)據(jù)點，從而實現(xiàn)噪聲集合類型匹配[11-12]。若匹配過程中發(fā)現(xiàn)二進制參數(shù)成功復(fù)制與噪聲變異，需要在圖像邊緣數(shù)據(jù)庫中進行檢索，然后通過人工神經(jīng)網(wǎng)絡(luò)對變異噪聲進行反饋與識別，從而獲取全部的噪聲數(shù)據(jù)。在此基礎(chǔ)上，經(jīng)過噪聲顯示和濾除過程實現(xiàn)對圖像邊緣噪聲信息的去除處理。

1.3 含噪圖像邊緣檢測

含噪圖像邊緣檢測可以應(yīng)用原始圖像作為背景檢測主體，這種具有本質(zhì)噪聲的圖像邊緣容易與噪聲像素模塊發(fā)生灰度變異，然后根據(jù)不同的噪聲系數(shù)特點對含噪圖像邊緣信息進行劃分。位于第一階段的噪聲導(dǎo)數(shù)極值能夠在圖像邊緣中體現(xiàn)出噪聲數(shù)據(jù)的驟增與驟減，方便對邊緣信息進行識別與檢測。部分含噪圖像邊緣由于噪聲灰度值與噪聲參數(shù)之間存在界線性的導(dǎo)數(shù)值，所以，當(dāng)一階導(dǎo)數(shù)中的系數(shù)通過界線導(dǎo)數(shù)時，能夠較為明顯地體現(xiàn)出邊緣類型[13-15]。當(dāng)含噪圖像邊緣中的灰度值突變后，容易對圖像邊緣的檢測算法產(chǎn)生干擾，故文中在進行算法設(shè)計的過程中添加含噪圖像邊緣的數(shù)據(jù)集合。

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的含噪圖像邊緣檢測過程可以通過編碼檢測器進行含噪圖像的處理與訓(xùn)練。在含噪圖像的編碼過程中，應(yīng)用檢測程序中的噪聲特征作為圖像邊緣檢測的最大梯度值與最大抗體，將圖像邊緣檢測器作為噪聲特征的神經(jīng)元，少數(shù)抗體作為人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)反饋[16-17]。同時，本研究在人工神經(jīng)網(wǎng)絡(luò)中設(shè)計抗體模型與神經(jīng)元模型?？贵w模型能夠預(yù)防外來噪聲對圖像邊緣數(shù)據(jù)造成復(fù)雜影響，神經(jīng)元能夠?qū)D像邊緣周圍的噪聲數(shù)據(jù)進行單一性采集與識別，建立一套具有免疫控制功能的人工神經(jīng)元網(wǎng)絡(luò)反饋控制算法。

結(jié)合上述分析可知，對圖像邊緣進行檢測，首先，需要應(yīng)用聚類算法對圖像邊緣檢測點進行細(xì)化處理，得到圖像邊緣與非邊緣的信息集合，然后，應(yīng)用檢測器對人工神經(jīng)網(wǎng)絡(luò)空間中的神經(jīng)元進行相同數(shù)量的檢測器訓(xùn)練。訓(xùn)練檢測器首要目的是為了檢測出圖形邊緣信息類型并有效顯示，通過顯示處理后的邊緣信息能夠在圖像邊緣后期處理過程中進行認(rèn)定，從而確定圖像邊緣的具體內(nèi)容與存在空間位置等信息。應(yīng)注意的是，在人工神經(jīng)網(wǎng)絡(luò)算法的處理過程中，需要對圖像邊緣數(shù)據(jù)進行分層聚類處理，更詳細(xì)地提出噪聲數(shù)據(jù)的應(yīng)用方式[18-20]。該研究主要應(yīng)用神經(jīng)網(wǎng)絡(luò)的模式，在對含噪圖像邊緣信息中的噪聲進行濾除的基礎(chǔ)上，通過閾值劃分的方式對圖像邊緣數(shù)據(jù)庫中的神經(jīng)元信息進行基礎(chǔ)性檢測，利用神經(jīng)元與神經(jīng)元之間的反饋聯(lián)系，實現(xiàn)含噪圖像邊緣信息檢測。

2 實驗研究

為驗證上述應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的含噪圖像邊緣檢測算法的實際應(yīng)用性能，在Matlab平臺上設(shè)計如下仿真實驗。為避免實驗結(jié)果的單一性，將文獻[5]的基于直覺模糊散度的噪聲圖像邊緣檢測算法(文獻[5]算法)、文獻[7]的基于二進小波與改進形態(tài)學(xué)融合的邊緣檢測算法(文獻[7]算法)作為對比，與本文算法共同完成性能驗證。

為進一步驗證本文算法的有效性，首先采用初步濾除噪聲的圖像展開實驗，對比不同算法下的含噪圖像邊緣表現(xiàn)度，實驗結(jié)果如圖2所示。

(a)圖像2 (b)文獻[5]算法

(c)文獻[7]算法 (d)本文算法圖 2 不同算法下經(jīng)初步處理圖像的邊緣表現(xiàn)圖Fig.2 Edge representation of preliminary processed images with different algorithms

從圖2可知，經(jīng)初步處理后的圖像還存在一定程度的噪聲，利用不同算法檢測該圖像的邊緣信息后發(fā)現(xiàn)，本文算法檢測得到的圖像邊緣信息較為完整，相對于傳統(tǒng)算法來說其梯度值較小，說明本文算法能夠?qū)雸D像邊緣數(shù)據(jù)庫中的雜亂數(shù)據(jù)進行統(tǒng)一化處理，從而提高了含噪圖像邊緣表現(xiàn)度。這是因為本文算法采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)設(shè)定神經(jīng)元，使其具有邊緣識別能力，對圖像中的邊緣細(xì)節(jié)進行識別，從而使得邊緣檢測結(jié)果更加精細(xì)，提高了含噪圖像邊緣表現(xiàn)度。

在此基礎(chǔ)上，利用不同算法對未經(jīng)過處理的含噪圖像的邊緣信息展開檢測，實驗結(jié)果如圖3所示。

(a)圖像3 (b)文獻[5]算法

(c)文獻[7]算法 (d)本文算法圖 3 不同算法下未經(jīng)處理含噪圖像的邊緣表現(xiàn)圖Fig.3 Edge representation of unprocessed noisy image with different algorithms

從圖3可知，利用不同算法檢測未經(jīng)處理含噪圖像的邊緣信息后發(fā)現(xiàn)，文獻[5]算法具有較好的抗噪聲干擾能力，能夠有效將噪聲檢測并排除，但是這種算法需要犧牲更多的圖像邊緣精準(zhǔn)數(shù)據(jù)作為算法基礎(chǔ)，在運算的過程中不考慮算法基礎(chǔ)的應(yīng)用；文獻[7]算法可以對含噪圖像進行精準(zhǔn)定位，選擇性保留噪聲并盡量保證原始圖像的完整性，導(dǎo)致這種算法下的圖像邊緣數(shù)據(jù)庫中存在著大量的原始噪聲數(shù)據(jù)；而本文算法能夠應(yīng)用人工神經(jīng)網(wǎng)絡(luò)中的抗體實現(xiàn)噪聲排除，再應(yīng)用相應(yīng)的神經(jīng)元與反饋線進行信息反饋，使算法檢測結(jié)果不受原始噪聲數(shù)據(jù)的干擾，從而達到更好的含噪圖像邊緣表現(xiàn)度。

為進一步驗證本文算法的有效性，以邊緣檢測數(shù)量和檢測耗時為指標(biāo)設(shè)計實驗。具體實驗結(jié)果如表1所示。

表1 不同算法的邊緣檢測對比Tab.1 Comparison of edge detection of different algorithms

從表1可知，文獻[5]算法、文獻[7]算法、本文算法的邊緣點平均檢測數(shù)量分別為513.7個、530.0個、719.3個。文獻[5]算法、文獻[7]算法、本文算法的平均檢測耗時分別為65.3 s、54.9 s、33.6 s。本文算法在邊緣檢測數(shù)量最多的情況下，平均檢測耗時明顯少于2種對比算法。由此可見，本文設(shè)計的基于人工神經(jīng)網(wǎng)絡(luò)的含噪圖像邊緣檢測算法，在剔除圖像噪聲的基礎(chǔ)上對圖像邊緣信息展開檢測，具有更高的檢測效率。

3 結(jié) 語

人工神經(jīng)網(wǎng)絡(luò)基本原理來源于神經(jīng)網(wǎng)絡(luò)在生物中的反應(yīng)機制，將其應(yīng)用于含噪圖像邊緣檢測過程中能夠使含噪圖像邊緣數(shù)據(jù)更具有規(guī)?；屯暾?，相比傳統(tǒng)的算法能夠更加精準(zhǔn)地檢測出圖像邊緣噪聲的復(fù)雜程度以及邊緣信息，使人工神經(jīng)網(wǎng)絡(luò)從不同的神經(jīng)元數(shù)據(jù)庫中完成信息類型檢索。在接下來的研究中，將以提高算法對定向信息的檢測、提取能力為目標(biāo)，對本文算法展開進一步優(yōu)化。