夏偉， 王萍， 馬佳艷， 王曉敏(河海大學 物聯(lián)網(wǎng)工程學院， 常州 213022)

基于圖像信息測度和極限學習機的圖像邊緣檢測

夏偉， 王萍， 馬佳艷， 王曉敏
(河海大學 物聯(lián)網(wǎng)工程學院， 常州 213022)

針對傳統(tǒng)圖像邊緣檢測速度慢和連續(xù)性差的缺點，通過構造圖像信息測度特征屬性，提出一種基于圖像信息測度和ELM的圖像邊緣檢測方法，采用度量F作為圖像邊緣檢測的評價指標。研究結果表明，ELM圖像邊緣邊緣檢測效果優(yōu)于LVQ、BP和Sobel算子，圖像邊緣更加清晰、紋理性較強、連續(xù)性好，并且具有較好地抗噪聲性能。

信息測度； 極限學習機； 神經(jīng)網(wǎng)絡； 邊緣檢測

0 引言

圖像邊緣檢測是計算機視覺和圖像處理領域中重要的研究內(nèi)容，其一直備受研究人員和學者的關注。傳統(tǒng)的Sobel、Canny等算子邊緣檢測沒有解決尺度自適應選擇的問題[1]，在此基礎上，信息測度理論被引入最佳尺度的自適應選擇，實驗效果較好。本文在圖像信息測度的基礎上，結合極限學習機[2](Extreme Learning Machine，ELM)快速學習和收斂速度快的優(yōu)點，提出一種基于圖像信息測度和ELM的圖像邊緣檢測方法。為評價圖像邊緣檢測效果的優(yōu)劣，將度量F指標[3]用來評價圖像邊緣檢測效果，實驗結果表明，本文方法邊緣檢測效果優(yōu)于LVQ[4]、BP[5]和Sobel算子[6]，圖像邊緣更加清晰、紋理性較強、連續(xù)性好，并且具有較好地抗噪聲性能。

1 圖像信息測度

圖像信息測度[7]是衡量在一個小區(qū)域σ內(nèi)圖像復雜程度的量，一般σ為直徑3～10個像素點的圓形。若在σ區(qū)域內(nèi)圖像無變化，則信息測度值等于0；反之，若在σ內(nèi)存在邊緣，則信息測度值較大。由此可知，圖像信息測度是衡量圖像邊緣特性的重要指標參數(shù)。

若圖像為f(x,y)，以像素點(x0,y0)為中心的鄰域為σ，σ={(x,y)||x-x0|≤ρ,|y-y0|≤ρ}，其中ρ表示鄰域半徑，如圖1所示。

圖1 σ區(qū)域

l表示經(jīng)過點(x0,y0)，并且角度為θ(0°～180°)的一條直線，它將σ區(qū)域劃分為σ1和σ2兩個部分。

為了度量σ區(qū)域內(nèi)的圖像邊緣信息，將圖像信息測度參數(shù)定義如下：

1.1 鄰域一致性測度

(x0,y0)點的鄰域一致性測度R(x0,y0)定義如式(1)[8]。

(1)

(2)

(3)

其中，fσ1k、fσ2k分別表示σ1k和σ2k區(qū)域內(nèi)所有像素點灰度值的和。

R(x0,y0)能夠有效地反映圖像邊緣點在鄰域內(nèi)的灰度分布情況，在邊緣區(qū)，R(x0,y0)較大；反之，若在圖像平滑區(qū)，則R(x0,y0)值較小。

1.2 方向性信息測度

(x0,y0)點的方向性信息測度O(x0,y0)定義如式(4)。

(4)

若在圖像邊緣區(qū)，則O(x0,y0)值較大；反之，若在圖像平滑區(qū)，則O(x0,y0)值較小。

1.3 結構性信息測度

(x0,y0)點的結構性信息測度C(x0,y0)定義如式(5)。

(5)

其中，點(x,y)∈lk，g(x,y)表示點(x,y)處的梯度幅值，如式(6)。

(6)

由于C(x0,y0)具有平均作用，故能夠降低噪聲對邊緣的影響。

2 極限學習機

極限學習機是一種新型的單隱含層前饋神經(jīng)網(wǎng)絡[9](single-hidden layer feed-forward neural networks，SLFNs)，其是在Moore-Penrose矩陣理論基礎上所提出的快速學習算法，其結果示意圖，如圖2所示。

圖2 ELM結構示意圖

(7)

其中，ai=[ai1,ai2,…,ain]T表示第i個隱含層神經(jīng)元的輸入權值；βi=[βi1,βi2,…,βim]T表示第i個隱含層神經(jīng)元的輸出權值；ai·xj表示ai和xj的內(nèi)積；bi表示第i個隱含層神經(jīng)元的偏置，可由矩陣表示為式(8)、式(9)。

Ηβ=T

(8)

其中

求解該問題就是尋找最優(yōu)的權值W=(a,b,β)，使代價函數(shù)E(W)最小，其數(shù)學模型可表示為[7-9]為式(10)、(11)。

(10)

(11)

3 基于圖像信息測度和ELM的邊緣檢測

通過前面定義的3個圖像信息測度指標鄰域一致性信息測度R(x0,y0)、方向性信息測度O(x0,y0)和結構性信息測度C(x0,y0)構成圖像邊緣檢測的3個特征分量，則圖像邊緣檢測的特征向量I(i,j)可表示為式(12)。

I(i,j)={R(i,j),O(i,j),C(i,j)}

(12)

圖像信息測度和ELM的圖像邊緣檢測的流程如下：

(1)通過Sobel算子獲得樣本圖像的圖像邊緣，將其作為ELM的目標樣本；

(2)利用人工篩選方法去除噪聲影響產(chǎn)生的圖像虛假邊緣；

(3) 對圖像邊緣點和非邊緣點編碼，其中邊緣點編碼為[1，0]T，非邊緣點編碼為[0,1]T；

(4)隨機抽取相同數(shù)量的邊緣點和非邊緣進行ELM訓練，訓練完成后可計算獲得圖像邊緣的特征向量I(i,j)；

(5)將訓練完成的ELM模型提取圖像邊緣。

4 實證分析

4.1 評價指標

為了驗證圖像邊緣檢測方法的優(yōu)劣，選擇Abdou和Pratt提出的度量F評價圖像邊緣檢測結果的好壞。度量F的表達式，如式(13)。

(13)

其中，IA,II分別表示實際邊緣點數(shù)量和實際檢測出來的邊緣點數(shù)量；d(i)表示標準邊緣點和實際檢測出來的邊緣點之間的距離；α表示調(diào)節(jié)因子。

4.2 實驗結果

為驗證本文算法的有效性和可靠性，選擇Lena和Cameraman兩幅標準測試圖像[10-11]為研究對象，二者如圖3所示，將本文算法和BP、LVQ和Sobel算法進行對比，對比結果如圖3～4所示。

(a)Lena

(b)Cameraman

圖3 標準測試圖像

(a)Sobel

(b)BP

(c)LVQ

(d)ELM

圖4 Lena邊緣檢測結果

由圖4和圖5可知，ELM和LVQ、BP、Sobel算子均能夠?qū)崿F(xiàn)原始圖像邊緣的刻畫和描述，但ELM檢測出的邊緣圖像比LVQ、BP、Sobel檢測的邊緣圖像邊緣更加清晰、紋理性較強、連續(xù)性非常好，如圖6所示。

由圖6(a)和圖6(b)可知，ELM圖像邊緣邊緣檢測效果優(yōu)于LVQ、BP和Sobel算子，效果較好，并且具有較好地抗噪聲性能，從而證明本文方法的有效性和可靠性。

(a)Sobel

(b)BP

(c)LVQ

(d)ELM

圖5 Cameraman邊緣檢測結果

(a)Lena

(b)Cameraman

圖6 度量F隨信噪比SNR變化圖

5 總結

本文在圖像信息測度的基礎上，提出一種基于圖像信息測度和ELM的圖像邊緣檢測方法。采用度量F作為圖像邊緣檢測的評價指標，研究結果表明，ELM圖像邊緣邊緣檢測效果優(yōu)于LVQ、BP和Sobel算子，具有較好地抗噪聲性能，圖像邊緣更加清晰、紋理性較強、連續(xù)性好。

[1] 吉玲, 楊亞, 付珊珊,等. 一種改進的Canny邊緣檢測算法[J]. 微處理機, 2015(1):40-43.

[2] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1-3):489-501.

[3] Abdou I E, Pratt W. Quantitative design and evaluation of enhancement/thresholding edge detectors[J]. Proceedings of the IEEE, 1979, 67(5):753-763.

[4] 熊聯(lián)歡, 胡漢平, 李德華,等. 用BP網(wǎng)絡進行彩色圖像分割和邊緣檢測[J]. 華中科技大學學報自然科學版, 1999, 27(2):87-89.

[5] 沈德海, 鄂旭, 張龍昌. 基于Sobel算子的醫(yī)學圖像邊緣檢測研究[J]. 電子設計工程, 2015, 23(7):141-144.

[6] 夏清, 胡振琪, 許立江,等. 一種改進Sobel算子的熱紅外影像邊緣檢測方法[J]. 紅外技術, 2015(6):462-466.

[7] 李琳琳, 王紀奎, 宋艷芳,等. 基于蟻群優(yōu)化算法的圖像邊緣檢測[J]. 計算技術與自動化, 2015(3):96-99.

[8] 楊萍, 張玉杰, 李秦君. 基于LS-SVM的contourletHMT變換的孔型測量圖像邊緣檢測[J]. 計算機測量與控制, 2015, 23(10):3281-3282.

[9] Huang G B, Zhou H, Ding X, et al. Extreme learning machine for regression and multiclass classification.[J]. IEEE Transactions on Systems Man amp; Cybernetics (Part B), 2012, 42(2):513.

[10] 鄭美珠, 趙景秀. 基于區(qū)域一致性測度的彩色圖像邊緣檢測[J]. 計算機應用, 2011, 31(9):2485-2488.

[11] 余瑞艷. 基于方向信息測度的圖像邊緣檢測[J]. 數(shù)學研究, 2011, 44(2):214-218.

ImageEdgeDetectionBasedonImageInformationMeasureandExtremeLearningMachine

Xia Wei, Wang Ping, Ma Jiayan,Wang Xiaomin
(College of Internet of Things Engineering，Hohai Unicersity, Changzhou 213022)

In order to overcome the disadvantages of the traditional image edge detection, such as slow speed and poor continuity, a new image edge detection method based on image information measure and ELM is proposed.Fmeasurement is used as the evaluation index of image edge detection, the results show that the edge of ELM image edge detection effect is better than those of LVQ, BP and Sobel operator, image edge is more clear and strong texture, good continuity, and has better anti noise performance.

Information measure; Extreme learning machine; Neural network; Edge detection

夏偉(1991-)，男，江蘇興化人，碩士研究生，研究方向：智能信息處理理論與技術。

王萍(1963)，女，江蘇常州人，副教授，研究方向：智能信息處理理論與技術。

馬佳艷(1993)，女，江蘇蘇州人，碩士研究生，研究方向：智能信息處理理論與技術。

王曉敏(1993)，女，安徽天長人，碩士研究生，研究方向：智能信息處理理論與技術。

1007-757X(2017)11-0074-05

TP311

A

2017.10.28)