(西華大學(xué)機(jī)械工程學(xué)院， 四川 成都 610039)

·計算機(jī)軟件理論、技術(shù)與應(yīng)用·

基于PCNN的圖像多區(qū)域迭代分割

王富治， 秦付軍， 宋昌林

(西華大學(xué)機(jī)械工程學(xué)院， 四川 成都 610039)

對傳統(tǒng)經(jīng)典的PCNN網(wǎng)絡(luò)進(jìn)行改進(jìn)，提出一種新的基于PCNN的多區(qū)域圖像分割方法。去掉原模型中的一些次要參數(shù)，突出灰度對分割的影響；根據(jù)圖像中存在不同灰度變化的特性，分2階段完成對圖像的分割：初次分割和二次分割。初次分割是利用灰度直方圖谷底灰度作為動態(tài)閾值進(jìn)行，使動態(tài)閾值對分割邊界的影響達(dá)到最?。欢畏指顒t對初次分割的結(jié)果進(jìn)行細(xì)分割，點(diǎn)火區(qū)域和非點(diǎn)火區(qū)域灰度差較小，其動態(tài)鏈接系數(shù)通過循環(huán)迭代搜索確定。二次分割迭代進(jìn)行，從而實(shí)現(xiàn)了對整幅圖像的完整分割。其實(shí)驗(yàn)結(jié)果表明，該方法的錯誤率小于常規(guī)的聚類分割算法和GBS算法。

灰度直方圖；PCNN；圖像分割

圖像分割是指將圖像劃分成若干個不相交疊的區(qū)域的過程。只有先把有關(guān)區(qū)域分離出來，才能識別各個子區(qū)域是什么進(jìn)而理解整幅圖像的景物；因此，圖像分割是目標(biāo)識別、圖像理解最重要、最基本的處理步驟。生物視覺系統(tǒng)能夠輕松完成各種圖像分割與理解等復(fù)雜視覺任務(wù)，因此，從生物視覺機(jī)制角度來處理圖像分割問題，就成為一項(xiàng)具有挑戰(zhàn)性的任務(wù)[1-3]。

1987年，Eckhorn根據(jù)貓的大腦視皮層同步脈沖發(fā)放現(xiàn)象，開創(chuàng)性地提出了脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(PCNN)。脈沖耦合神經(jīng)網(wǎng)絡(luò)為單層模型神經(jīng)網(wǎng)絡(luò)，不需要訓(xùn)練即可實(shí)現(xiàn)圖像分割和模式識別等，對實(shí)時場景圖像分割與理解提供了新工具，成為當(dāng)前研究的熱點(diǎn)。基于PCNN圖像分割的一個研究方向就是將某一特定目標(biāo)從背景中提取出來[4-7]；然而從圖像理解的角度來說，為獲得對場景的整體感知，需要把場景劃分為多個區(qū)域。目前基于PCNN的多區(qū)域圖像分割的相關(guān)研究文獻(xiàn)并不多，主要有：文獻(xiàn)[8]對傳統(tǒng)PCNN網(wǎng)絡(luò)模型進(jìn)行了簡化，保留了傳統(tǒng)PCNN模型神經(jīng)元間信息耦合調(diào)制機(jī)制，并將傳統(tǒng)模型的閾值衰減機(jī)制改變?yōu)槎ㄩ撝禉C(jī)制，最后以圖像像素點(diǎn)火時間作為不同區(qū)域分割標(biāo)號輸出，以便后續(xù)的編碼和檢索處理；文獻(xiàn)[9]將RBF單元引入到PCNN以實(shí)現(xiàn)對彩色圖像的多區(qū)域分割和目標(biāo)檢測，但該方法需要后續(xù)復(fù)雜的區(qū)域合并處理，本質(zhì)上是基于SGR的圖像分割方法，并未體現(xiàn)出PCNN圖像分割的優(yōu)點(diǎn)。

本文的主要工作是對傳統(tǒng)的PCNN網(wǎng)絡(luò)分割進(jìn)行改進(jìn)，提出一種新的基于PCNN的多區(qū)域圖像分割方法。其改進(jìn)之處主要有：1)根據(jù)圖像的灰度分布特性，將分割過程分為初次分割與二次分割；2)對動態(tài)閾值函數(shù)以及動態(tài)連接系數(shù)在分割過程進(jìn)行動態(tài)確定；3)初次分割屬于粗略分割，二次分割屬于精細(xì)分割，且可迭代進(jìn)行。其實(shí)驗(yàn)結(jié)果表明，本文方法性能良好。

1 傳統(tǒng)PCNN模型及其改進(jìn)

1.1傳統(tǒng)PCNN模型

PCNN網(wǎng)絡(luò)是第3代神經(jīng)網(wǎng)絡(luò)的代表。文獻(xiàn)[10]對Eckhorn所提出的PCNN模型進(jìn)行優(yōu)化和修正，所得到的模型簡潔直觀，如圖1所示。Yij表示神經(jīng)元的輸出；Eij表示動態(tài)門限；Lij表示連接項(xiàng)；Uij表示內(nèi)部活動項(xiàng)；β為連接系數(shù)。圖中神經(jīng)元的輸入來自連接輸入Lij和反饋輸入Fij，神經(jīng)元利用連接輸入對反饋輸入進(jìn)行非線性調(diào)制產(chǎn)生內(nèi)部活動項(xiàng)Uij，當(dāng)Uij>動態(tài)門限Eij時，神經(jīng)輸出Yij由0變?yōu)?，稱為神經(jīng)元點(diǎn)火。將圖1所示的神經(jīng)元相互連接，則形成PCNN網(wǎng)絡(luò)。這樣的一個點(diǎn)火過程在數(shù)學(xué)上可以描述為：

(1)

(2)

Uij(n)=Fij(n)(1+βLij(n))；

(3)

(4)

Eij(n)=e-αEEij(n-1)+VEYij(n)。

(5)

圖1 PCNN神經(jīng)元模型

當(dāng)將PCNN網(wǎng)絡(luò)應(yīng)用于圖像處理時，每個神經(jīng)元與每個像素一一對應(yīng)，每個神經(jīng)元處在1個n×n(一般為n×n或n×n)的連接權(quán)值矩陣Mijkl和Wijkl的中心。當(dāng)某神經(jīng)元興奮點(diǎn)火后，由式(5)可知，其動態(tài)閾值急劇增大，神經(jīng)輸出Yij又變?yōu)?，此時，其動態(tài)閾值按公式所描述的指數(shù)規(guī)律下降，當(dāng)動態(tài)閾值小于內(nèi)部活動項(xiàng)Uij時，Yij變?yōu)?，脈沖再次發(fā)生，如此周期循環(huán)。決定不同神經(jīng)元點(diǎn)火時間的關(guān)鍵因素為外部激勵，也即式(1)中的Sij，或者說圖像的灰度值。

以上分析的是不同神經(jīng)元之間無耦合的情況。當(dāng)若干個神經(jīng)元相互連接而相互耦合時，內(nèi)部活動項(xiàng)由于耦合效應(yīng)而提前增大，本來在t=tn時刻才興奮點(diǎn)火的神經(jīng)元kl將會隨著其相鄰神經(jīng)元ij的點(diǎn)火而提前點(diǎn)火；因而，空間相鄰、灰度相近的神經(jīng)元將同步產(chǎn)生脈沖串。這就是PCNN圖像分割的基本原理。

1.2 PCNN模型的改進(jìn)

為提高圖像分割的效果，需對傳統(tǒng)PCNN模型進(jìn)行改進(jìn)。

PCNN網(wǎng)絡(luò)是一種多參數(shù)神經(jīng)網(wǎng)絡(luò)模型，公式至少包含25個參數(shù)(Mijkl，Wijkl都分別按3×3的矩陣算)。模型參數(shù)對實(shí)驗(yàn)結(jié)果具有較大影響，并且模型參數(shù)與圖像處理結(jié)果之間的關(guān)系很難確定。目前已有較多文獻(xiàn)[8,11-13]對PCNN模型進(jìn)行改進(jìn)。改進(jìn)的基本思想是：一方面，在不影響圖像處理效果的情況下，對模型進(jìn)行適當(dāng)簡化，以減小參數(shù)對圖像處理結(jié)果的影響；另一方面，對遺留的必要參數(shù)盡可能自適應(yīng)確定。

一幅圖像往往既存在灰度急劇變化的區(qū)域，也存在灰度緩慢變化的區(qū)域?；诖?，本文提出初次分割與二次分割相結(jié)合的方法。初次分割是利用灰度直方圖谷底灰度作為動態(tài)閾值進(jìn)行的分割，可使動態(tài)閾值對分割邊界的影響達(dá)到最小。對于β值，在初次分割中無法精確確定，一般按經(jīng)驗(yàn)值選取。由于此時連接系數(shù)β并未達(dá)到最優(yōu)，所得的分割圖像可能存在欠分割，也可能存在過分割，因而需要進(jìn)行二次分割。在二次分割過程中，最佳連接系數(shù)β值和動態(tài)閾值參數(shù)通過循環(huán)迭代確定。二次分割可迭代進(jìn)行，最終實(shí)現(xiàn)對整幅圖像的完整分割。

以文獻(xiàn)[8]的簡化模型為基礎(chǔ)，采用本文所提出的初次分割結(jié)合二次迭代分割的算法，得到簡化改進(jìn)后的PCNN網(wǎng)絡(luò)，為：

(6)

(7)

Uij(n)=Fij(n)(1+βLij(n))；

(8)

(9)

(10)

改進(jìn)后模型參數(shù)由連接系數(shù)β、耦合域權(quán)值矩陣Wijkl、動態(tài)閾值參數(shù)MR(n)組成。Ω是一個足夠大的數(shù)，保證神經(jīng)元只點(diǎn)火1次。取權(quán)值矩陣Wijkl為3×3大小，則一共只需確定11個參數(shù)。該模型突出了灰度對分割的影響，但PCNN網(wǎng)絡(luò)的本質(zhì)特征，即神經(jīng)元之間的非線性耦合調(diào)制機(jī)制，或者說神經(jīng)元之間的通信仍然得到了保留，使得處理像素時兼顧了鄰域信息，圖像處理的性能得到了保證。

對于權(quán)值矩陣Wijkl來說，由于待處理神經(jīng)元處于該權(quán)值矩陣的中心，因此通常按相鄰神經(jīng)元?dú)W幾里得距離平方倒數(shù)來確定Wijkl。

2 基于改進(jìn)PCNN模型的灰度圖像分割

2.1基于灰度直方圖的初次分割

本文為多區(qū)域分割，不同分割區(qū)域的像素灰度寬泛分布，為此，本文采用的方法為以圖像灰度的分布即灰度直方圖來指導(dǎo)PCNN網(wǎng)絡(luò)相關(guān)的參數(shù)設(shè)計，這里的參數(shù)主要是指動態(tài)閾值參數(shù)及連接參數(shù)β。具體地說，是以灰度直方圖的谷點(diǎn)灰度值作為初次分割的動態(tài)閾值如圖2(b)E1、E2、E3所示。這是因?yàn)?，灰度直方圖是區(qū)域面積函數(shù)的導(dǎo)數(shù)，在谷底附近，直方圖的值相對較小，意味著面積函數(shù)隨閾值灰度級的變化很緩慢，如果選擇谷底處的灰度作為閾值可以使其對物體邊界的影響達(dá)到最小。

2.2基于連接系數(shù)β動態(tài)確定的二次分割

某子分割區(qū)域是否進(jìn)行二次分割的標(biāo)準(zhǔn)判斷為

(11)

(a)圖像

(b)灰度直方圖

(c)初始分割結(jié)果

圖2 以圖像灰度直方圖谷底值作為動態(tài)閾值的初始分割

式中：i,j為分割區(qū)域像素的標(biāo)號；μ為區(qū)域內(nèi)所有像素灰度平均值；Thresh為事先規(guī)定的閾值；Num為區(qū)域內(nèi)像素總數(shù)。

若式(11)成立，說明該區(qū)域內(nèi)像素的灰度方差分布較大；因此，可以通過尋求更優(yōu)的連接系數(shù)β將其重新分割。神經(jīng)元是否激活，連接系數(shù)β是重要因素之一(另一因素是圖像動態(tài)閾值)。連接系數(shù)β過大，則可能引起低亮度像素提前點(diǎn)火；連接系數(shù)β值過小，則將降低捕獲鄰域神經(jīng)元的能力。一種理想情況是，每個分割區(qū)域都有自己最適應(yīng)的β值；但是如果針對不同的區(qū)域設(shè)置不同的連接系數(shù)，這不僅大大增加了人工干預(yù)，而且在實(shí)現(xiàn)上幾乎是不可能的。

每次點(diǎn)火的最佳β值，無解析解，此時可以通過增加步長，以循環(huán)方式求取下式的最優(yōu)值進(jìn)行搜索得到：

(12)

式中：c為分割區(qū)域的標(biāo)號，為1和2，分別代表點(diǎn)火區(qū)域和非點(diǎn)火區(qū)域；μc為2個區(qū)域的各自灰度平均值；μ為2個區(qū)域的共同平均值。

以上述的最優(yōu)β值將把初次分割所獲得的區(qū)域分割成點(diǎn)火區(qū)域和非點(diǎn)火區(qū)域。對所得到的點(diǎn)火區(qū)域，同樣可以按式(11)判斷其分割狀況。若式(11)成立，則可按式(12)進(jìn)行繼續(xù)迭代分割；若式(11)不成立(這種情況一般見于單峰圖)，則說明動態(tài)閾值偏低，需對動態(tài)閾值進(jìn)行調(diào)整。為敘述方便，用T表示直方圖谷值，P表示直方圖峰值,N表示點(diǎn)火時間。取Tn=Tn+1/2(Pn-Tn)，Tn+1=Tn(n=n,n+1,…,N),同時令N=N+1。如此迭代進(jìn)行，直至所有區(qū)域均滿足式(11)為止。

根據(jù)上面所述，本文分割算法描述如下。

Step1:初始化分割圖像A=0。

Step2:利用灰度直方圖谷底灰度作為閾值和β初始參數(shù)對圖像進(jìn)行初次分割；設(shè)動態(tài)閾值數(shù)為N，由第n個動態(tài)閾值分割所得的圖像區(qū)域?yàn)锳n(最高閾值所對應(yīng)的區(qū)域?yàn)锳1)。

Step3:令A(yù)m=An根據(jù)式(11) 判斷分割情況，所得值為Tm。

Step4:若Tm

Step5:對As按式(11)計算，若成立，令A(yù)m=As,Em=Tn=Tn+1/2(Pn-Tn),Tn+1=Tn(n=n,n+1,…,N)，N=N+1，轉(zhuǎn)Step3;否則，確定出As中零散的小區(qū)域，將之同At進(jìn)行合并，轉(zhuǎn)Step6。

Step6:令A(yù)=A+As,并對A進(jìn)行分割區(qū)域標(biāo)記和已點(diǎn)火標(biāo)記(點(diǎn)火后將不再點(diǎn)火)。

Step7:n=n+1，并令A(yù)n=An+At。

Step8:n=N?是，則轉(zhuǎn)Step9; 否則，轉(zhuǎn)Step3。

Step9:結(jié)束。

由上述算法可知，本文實(shí)現(xiàn)圖像分割的過程，本質(zhì)上是一個不斷聚類的過程。

3 實(shí)驗(yàn)結(jié)果分析

為檢驗(yàn)本文方法的性能，選取Berkeley標(biāo)準(zhǔn)圖像庫中的圖像進(jìn)行實(shí)驗(yàn)。該庫圖像既有單峰圖，也有多峰圖。本文方法的分割過程與聚類過程類似，因此將本文方法與文獻(xiàn)[14]基于模糊均值聚類的圖像分割方法(FCM法)進(jìn)行比較。另外，文獻(xiàn)[15]所提出的基于圖理論的圖像分割算法(GBS法)是一種重要的多區(qū)域圖像分割算法，因此也拿來與本文方法進(jìn)行比較。

文獻(xiàn)[14]的FCM分割算法和文獻(xiàn)[15]的GBS算法對不同圖像均采用相同參數(shù)設(shè)置。GBS算法[15]的主要參數(shù)為高斯平滑濾波參數(shù)sigma=0.8，分割區(qū)域大小參數(shù)k=300；FCM算法[14]的主要參數(shù)為高斯平滑因子smooth=1.5，聚類中心因子opts=0.008，并采用基于回歸均值計算的模糊聚類計算。本文PCNN模型經(jīng)過簡化后，對分割性能影響最大的動態(tài)連接系數(shù)和動態(tài)閾值均在分割過程中進(jìn)行動態(tài)確定。其結(jié)果如圖3所示，圖(a)灰度變化較為平滑，圖(b)—(d)，既有灰度平滑變化區(qū)域，還存在紋理區(qū)域。由圖可見，本文所提出的分割方法，對于2類區(qū)域，均有較好的分割效果。

圖像多區(qū)域分割是一個和圖像理解緊密相關(guān)的問題，目前尚無統(tǒng)一的性能評價方法。參考文獻(xiàn)[16]對于二值圖像分割提出了ME (misclassication error) 評價標(biāo)準(zhǔn)，但不適合于多區(qū)域分割情形。本文將文獻(xiàn)[16]的ME標(biāo)準(zhǔn)擴(kuò)展為EME(extended misclassification error)標(biāo)準(zhǔn)，采用該標(biāo)準(zhǔn)來衡量多區(qū)域圖像分割性能。EME標(biāo)準(zhǔn)定義為：

這里，Ai為Ground Truth圖像各分割區(qū)域，Bj為其他算法所得到的圖像各分割區(qū)域。表1給出圖3中各算法對于EME指標(biāo)的定量評價結(jié)果。

表1 基于EME標(biāo)準(zhǔn)的分割性能評價

圖3 圖像分割結(jié)果與比較

EME標(biāo)準(zhǔn)表示了分割結(jié)果與Ground truth圖像相符合的程度，其值愈小，說明錯誤率愈小。由表1可知，本文算法對所有圖像均具有較理想的結(jié)果，優(yōu)于文獻(xiàn)[14]和文獻(xiàn)[15]為代表的常規(guī)多區(qū)域圖像分割方法，具有較好的綜合性能。這可從本文方法的分割機(jī)制上進(jìn)行進(jìn)一步分析說明。復(fù)雜圖像大多具有多峰值直方圖的特點(diǎn)?；綪CNN網(wǎng)絡(luò)的動態(tài)閾值以常規(guī)的指數(shù)規(guī)律進(jìn)行變化，對于多峰值直方圖的灰度圖像來說，以這種方式確定閾值，很容易導(dǎo)致神經(jīng)元點(diǎn)火的混亂。本文方法，以直方圖峰谷值為初始閾值進(jìn)行初始分割，再以初始分割所獲得區(qū)域進(jìn)行二次迭代分割，迭代分割過程中動態(tài)連接系數(shù)和動態(tài)閾值根據(jù)評價函數(shù)進(jìn)行動態(tài)調(diào)整，這本質(zhì)上是一個不斷聚類的過程，克服了基本PCNN網(wǎng)絡(luò)圖像分割的缺點(diǎn)。

圖像區(qū)域可分為紋理區(qū)域與非紋理區(qū)域。從圖3(m)、(q)、(u)可見：3種算法對非紋理區(qū)域均具有較好性能；對于紋理區(qū)域(特別是那些不具有明顯灰度變化規(guī)律的區(qū)域)的分割問題，則性能差異較大。對于本文的分割算法來說，由于PCNN網(wǎng)絡(luò)內(nèi)部活動項(xiàng)耦合效應(yīng)的存在(見公式(8))，使得本來在t=tn時刻才興奮點(diǎn)火的神經(jīng)元kl將會隨著其相鄰神經(jīng)元ij的點(diǎn)火而提前興奮點(diǎn)火，從而保證了紋理區(qū)域較好的分割效果。對于常規(guī)的聚類分割算法來說，其對紋理區(qū)域的處理很難令人滿意，這點(diǎn)在圖3(o)與圖3(w)的對比和圖3(p)與圖3(x)對比中表現(xiàn)得很明顯。對于GBS算法來說，其分割效果受參數(shù)分割區(qū)域大小參數(shù)k影響較大，如若某感興趣區(qū)域較小，而k參數(shù)取值較小，則分割區(qū)域存在較多干擾，如圖3(s)和圖3(t)所示。在本文算法中，對分割性能影響最大的2個參數(shù)(動態(tài)連接系數(shù)和動態(tài)閾值)均在迭代過程動態(tài)確定，參數(shù)對結(jié)果的影響不大，如表1最后1列所示。

4 結(jié)論

圖像分割是目標(biāo)識別、圖像理解的基礎(chǔ)，具有重要意義。本文基于傳統(tǒng)的PCNN網(wǎng)絡(luò)，提出了一種新的多區(qū)域圖像分割方法。該方法去掉原模型中的一些次要參數(shù)，突出灰度對分割的影響；把圖像分割分成初次分割和二次分割；初次分割是利用灰度直方圖谷底灰度作為動態(tài)閾值進(jìn)行的分割，使動態(tài)閾值對分割邊界的影響達(dá)到最?。欢畏指顒t對初次分割的結(jié)果進(jìn)行細(xì)分割，點(diǎn)火區(qū)域和非點(diǎn)火區(qū)域灰度差較小，其動態(tài)鏈接系數(shù)通過循環(huán)迭代精確確定；二次分割可迭代進(jìn)行，最終實(shí)現(xiàn)對整幅圖像的完整分割。其實(shí)驗(yàn)結(jié)果表明，本文方法的性能優(yōu)于常規(guī)的FCM算法和GBS算法。

[1]許新征, 丁世飛, 史忠植, 等. 圖像分割的新理論和新方法[J]. 電子學(xué)報, 2010, 38(2A): 76-78.

[2]謝忠紅，姬長英.基于顏色模型和紋理特征的彩色水果圖像分割方法[J].西華大學(xué)學(xué)報：自然科學(xué)版，2009，28(4)：41-45.

[3]張?zhí)?一種改進(jìn)的基于圖的圖像分割方法[J].西華大學(xué)學(xué)報：自然科學(xué)版，2011，30(1):61-64.

[4]馬義德, 戴若蘭, 李廉. 一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和圖像熵的自動圖像分割方法[J]. 通信學(xué)報， 2002，23(1): 46-51.

[5]王紅梅, 張科, 李言俊. 一種基于PCNN的圖像分割方法[J]. 光電工程, 2005, 32(5): 93-96.

[6]彭真明, 蔣彪, 肖俊，等. 基于并行點(diǎn)火PCNN模型的圖像分割新方法[J]. 自動化學(xué)報， 2008， 34(9)：1169-1173.

[7]周東國,高潮,郭永彩. 一種參數(shù)自適應(yīng)的簡化PCNN圖像分割方[J]. 自動化學(xué)報, 2014, 40(6): 1191-1197.

[8]Stewart R D, Fermin I, Opper M. Region Growing with Pulse-coupled Neural Networks: An Alternative to Seeded Region Growing[J]. IEEE Trans on Networks, 2002, 13(6): 1557-1562.

[9]Hualiang Zhuang, Kay-Soon Low. Multichannel Pulse-Coupled-Neural-Network-Based Color Image Segmentation for Object Detection[J]. IEEE Transactions on Industrial Electronics, 2011, 59(8): 3299-3308.

[10]Ranganath H S, Kuntimad G. Iterative Segmentation using Pulse Coupled Neural Networks[J]. Proc SPIE,1996,2760:543-554.

[11]馬義德, 齊春亮. 基于遺傳算法的脈沖耦合神經(jīng)網(wǎng)絡(luò)自動系統(tǒng)的研究[J].系統(tǒng)仿真學(xué)報, 2006, 18(3): 722-725.

[12]Gao C, Zhou D G, Guo Y C. Automatic Iterative Algorithm for Image Segmentation using a Modified Pulse-coupled Neural Network[J]. Neurocomputing，2013, 119: 332-338.

[13]姚暢, 陳后金, 李居朋. 改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)在圖像處理中的動態(tài)行為分析[J].自動化學(xué)報, 2008, 34(10): 1291-1297.

[14]Santiago Aja-Fernandez, Gonzalo Vegas-Sanchez-Ferrero, Miguel A, et al. Soft Thresholding for Medical Image Segmentation[C]// Engineering in Medicine and Biology Society (EMBC), 2010 Annual International Conference of the IEEE. Buenos Aires : IEEE, 2010: 4752-4755.

[15]Felzenszwalb P, Huttenlocher D. Efficient Graph-Based Image Segmentation[J]. IJCV, 2004, 59(2):167-181.

[16]Sezgin M, Sankur B. Survey over Image Thresholding Techniques and Quantitative Performance Evaluation[J].Journal of Electronic Imaging, 2004, 13(1):146-165.

(編校：饒莉)

ResearchonMulti-regionIterativeSegmentationofImageBasedonPCNN

WANG Fu-zhi, QIN Fu-jun, SONG Chang-lin

(SchoolofMechanicalEngineering,XihuaUniversity，Chengdu610039China)

A new image multi-region segmentation method based on PCNN is proposed in the paper. The method improves the traditional PCNN image segmentation in such several aspects as following : 1) Removes some secondary parameters in the traditional PCNN model to strengthen the effect on segmentation of image intensity; 2) Divides the segmentation into the initial segmentation and the second segmentation according to the image intensity variation; 3) The initial segmentation is obtained with the bottom value of intensity histogram as dynamic threshold, which make the dynamic threshold impose the minimum impact on the segmentation boundaries; It is subdivided to get the second segmentation. The difference between the firing area and the non-firing area is small and the dynamic linking coefficient is exactly determined by cyclic iteration. The second segmentation is iterated and the complete segmentation of the whole image is performed. The experimental results show that the proposed method is superior to the conventional clustering segmentation algorithm and GBS algorithm.

grayscale histogram；PCNN；image segmentation

2015-02-15

教育部春暉計劃資助項(xiàng)目(12202528)；四川省制造與自動化高校重點(diǎn)實(shí)驗(yàn)室開放基金資助項(xiàng)( SZJJ2011-019)；西華大學(xué)校重點(diǎn)項(xiàng)目(Z1120223)。

王富治 (1974—), 男，講師，博士，主要研究方向?yàn)闄C(jī)器視覺。E-mail: redfires_789@163.com

TP391.4

：A

：1673-159X(2015)06-0047-06

10.3969/j.issn.1673-159X.2015.06.010