基于微粒群算法和脉冲耦合神经网络的图像分割算法

维普资讯 http://www.77cn.com.cn

印 l卷 8

20 0 8年 7月

第 7期

计算机技术与发展C OM PUTER TECHNOL OGY AND DEVELOPMENT

V0 . 8 No 7 11 .

J1 2 0 u. 0 8

基于微粒群算法和脉冲耦合神经网络的图像分割算法卢桂馥刘金飞2王勇，易文，,窦(. 1安徽工程科技学院计算机科学与工程系，安徽芜湖 2 10; 4 002 .芜湖天创技术创新服务有限公司，徽芜湖 210 )安 400摘要：冲耦合神经网络 (u e ol erl e okP N在图像处理中得到了十分广泛的应用，脉 P l C u dN u N t r,C N) s e a w但是其多个参数的

设置给实际应用造成很大的困难。尤其是在图像分割中，同类型的图像要求不同的分割参数，同的参数对图像分割不不的结果影响很大。而微粒群优化算法 (at￣S r pi ztn P 0具有对参数自动寻优的优势， Prc wa O t ao,S ) i m mi i为此， P O和 P .将 S CN N相结合，以改进的最大熵函数为适应度函数，出了一种基于 P O和 P N算法的图像自动分割算法。实验仿真结提 S CN

果验证了该方法的有效性，即不仅可以正确地实现图像分割，且参数可以自动设置，了人工实验的麻烦，而省去同时分割速度也有所提高。关键词：脉冲耦合神经网络；微粒群算法；;熵图像分割中图分类号： 3 1 n) 9文献标识码： A文章编号：63 69 (080—09~ 3 17— 2 X 20 )7 0 0 O

An I g e me t t n M e h d Ba e n P O g rt m n CNN ma e S g n a i t o s d o S Al o ih a d P oL Gu—u, U i-e, ANG n D U i LI Jn fi W f Yo g, OU— n Yi we( . eat n f o ue S i c n n ier g A h i 1D pr met mp t c eadE g e n, n u oC r e n n iUn v ri fTe h oo y a d S in e W u u 2 0 0, l a ie s y o c n lg n ce c, t h 41 0 Chn;

2 Wu uT acun eh o g noai . h i hagT c nl yInv

t n&￣/i .L d, h 4 00 C i ) n o o _ c C, t.Wu u2 10, hn v eo aAb ta tPC src: NN id nya pi t ni g rc sig.]￣a s h aa tr ral fe ttepro f sma p l ai i epo esn n c o n ma￣eu etep rmee sge t a c h efr ' y c fP eo CNN,f dn h i i t n g e

o t l aa tr b o le r lO sts .E p c l ni唱esg na i, h aa tr v r t h W pi rmees eD S n ol- u ak se i l ma p n a ea a yi r eme tt n t p rmees ay、 ht n o e e

et a ed o po h t e st r- n

cs .P O ag rtm h st ea it o f dteb s aa tr .8 e i g e me tt n meh dwa rp sdt a a d d P O a d e s S l oih a h blyt i h etp rmees oan w ma esg n i i n a o to spo o e h tb n e S n PCNN n tWS sd t g e t h nk ea tmaial n u c sf l a di Sue o s m n t ei'g uo t l e a c ya ds cesul y.Thec re l s ndd p n a lyo t emeh d i eiidb o rc sa￣e e e d bit f h i te sv rf e ye p r ntrsls ta st a x e me e ut,h ti osy,teq ai ft esg n tt n meh d i uh b te n t i h u lyo h e me a i t o t o sm c etra d i me—e n tnn i esa dp ln es o sr i sls n a'￣tr~ g as tig i a t ma ia . e tn s u o tc 1 Ke r s P y wo d: CNN; S ag rt; n r p i a es g n t t n P O lo h e t o y; g e me a i im m o

0引言 微粒群优化算法[(S ) P 0是一种新的基于群体智】能的优化算法，同遗传算法相比较，不但具有遗传算法的全局寻优能力，而且同时具有较强的局部寻优能力。

脉冲耦合神经网络l3( c q是一种不同于传 L jp￣ ) 2,统人工

神经网络的新型神经网络，它有着重要的生物学背景，是由 E k o为解释在猫的大脑视觉皮层中 ch m实验所观察到的与特征有关的神经元同步行为现象而提出的。P N C N的这个生物学背景使它在图像处理中具有先天优势，有着与传统方法进行图像处理所无法比拟的优越性。但 P N需要通过多次实验来设置 CN

由于没有个体杂交、变异等操作，其参数调整简单易行，更适合计算机编程实现，多数情况下，在比遗传算法更快地收敛于最优解，而且可以避免完全寻优的退化现象。目 P o算法已广泛应用于函数优化、前 S神经网络训练、数据挖掘、图像处理等各个应用领域。

其数学模型中的各个参数，能实现最佳图像分才q-

l

￣[5。] l 1, 4将 P O算法和 P N算法进行有效的结合可以 S C N

充分发挥两者的优势，利用 P N的生物视觉特性和 CN收稿日期：0 7 0—3 20一l 0

基金项目：安徽省青年教师科研资助计划项目( 0 6 1 6; 2 0j 1 )安徽工 q5程科技学院基金项目(0 5 Q 0 ) 2 0 Y 0 4作者简介：卢桂馥 (9 6。, 17一)男讲师。硕士研究生，主要研究方向为 图像处理和计算机视觉。

P 0算法的解空间随机搜索能力， S来寻找 P N C N模型中各个参数的最优值，从而自动完成参数的设置和图像的自动分割。基于此，出了一种基于 P O和 P .提 S C N N的图像自动分割算法，此算法以改进的最大熵函

http://www.77cn.com.cn

维普资讯 http://www.77cn.com.cn

第7期

卢桂馥等：基于微粒群算法和脉冲耦合神经网络的图像分割算法

9 l

数为适应度函数，图像分割中取得了较好的效果。在

13适应度函数 .

微粒群算法在搜索迭代中一般不需要其它的外部

仅用适应度来评价粒子当前位置的优劣，以此并 1基于 P O和 P N的图像自动分割算法信息， S CN

的设计与实现11 P N . C N的标准改进模型

作为粒子位置更新的依据。设计一个好的适应度函数对于文中算法来说有着重要的影响。 在传统的最大熵阈值分割算法中，同一灰度级的() 1

这里采用的标准改进模型如下：i

(z, )= S

所有像素点要么属于目标要么属于背景，而用 P N C N进行图像分割时，由于 P N的连接域特性

,度值 CN灰相同的像素点既有可能是目标也可能是背景，和其这周围的像素点相关，因此不能直接以传统的最大熵算法中的熵函数准则为 P O算法的适应度函数。在文 S

( )∑ w,= z

(一1, ) z(z), ) (z ),一1

() 2() 3 () 4

(z (z(+, )=, 1 )

(z, )= P (一1+~, z )

㈤{U O=≤( o>n ( no );

( 5 )

中算法中采用改进的最大熵函数作为 P O算法的适 S

应度函数。设 P为点火的神经元中灰度 i 出现的概率，∈{,, L一1,为未点火的神经元中灰度 i i 0 1…,}t

其中 F (z是第 (,神经元的，次反馈输入， o, ) i ) zS为输入刺激信号 ( 这里为图像像素构成的矩阵中第 ( ,)像素的灰度值 )p为连接系数，“,, L (z )是连接项， (为动态阈值， f,是 P N ) (z ) C N脉冲输出值， U,为内部活动项，为连接权矩阵，为幅度常 fz () w 数，为相应的衰减系数。在模型中，要有四个参 主数 W,,,0其中连接权矩阵 w的设置比较简单， p g, t

出现的概率，∈{,, L一}∑ ( t= o i 01…, 1, P+ f )定义最大熵函数为：

H )是象一 (=(L l 户一In i -=0

t; t) 1 m

k=09 8.

() 8

在不同场合几乎是一致的，取值为像素之间距离平方的倒数。其余三个主要参数通过 P O算法在解空间 S里寻求准最优解。 12 S . P O算法原理 P O算法是由 K n ey E ehr在 1 9 S end和 brat 9 5年提

其中：=∑ P,f P =∑ t T14基于 P O和 P N . S C N进行图像自动分割算法的具体实现

1初始化： )设置微粒群规模 m=5, 0每个微粒的维数为三维，分别表示 p,口，口这三个参数；设置参数

出，是一种模拟鸟群飞行觅食的行为，通过个体之间的协作来寻找最优解的进化计算技术。假设其搜索空间为N维，粒子总数为，, i z第个粒子在N维空间的位置表示为= ( z…,/)飞行速度表示为= z X, N ( i 7…,/)每个粒子都具有一个由被优化的目 V1 3, v。

N 标函数决定的适应值，且知道自己到目前为止所发并现的最好位置 pet bs和现在的位置 z,每个粒子都知道目前为止整个群体所发现的最好位置 get每个粒子 bs。的位置按式 ( )( ) 6、7进行变化。×r d )户一 ) a (×( n= + () 6 () 7

1 1为 2训为 1算法的最大迭代次数为 1;,2 7,; 0随机对微粒群各微粒的各初始位置和速度进行初始设定；读入目标图像。 2将每个微粒代人 P N ) C N标准改进模型，计算每个微粒的适应值。微粒的适应度函数选用式( ) 8。 3对每个粒子， )比较它的适应度与它经历最好位置的适应度，如果更好，更新 P。

4对每个粒子， )比较它的适应度与群体所经历最 5根据式( ) ( ) ) 6、7更新粒子的速度和位置。6重复步骤 2, )~5直到满足终止准则为止。文中

如果更好，更新翰。 =训×屹+×r d) P 1 a (×(一z )/好位置的适应度， n乞+7 2

式中：为第 i 个粒子在第 k次迭代中飞行速度的第d维分量；为第 个粒子在第k次迭代中位置的第 d维分量；为群体最好位置的第d维分量；为 P

算法规定只要满足下列条件之一，算法即终止：最大的适应度值在前后两代内的变化小于 0 0 1算法终止； .0, 或者算法执行到最大迭代次数时算法自动终止。 7算法结束，出分割图像。 )输

粒子最好位置的第 d维分量； n (为随机数； 1 1 r d) a 1,2 7 7为权重因子；为惯性权重。训

同其它进化算法相比， S P O算法的运行参数设置相对简单，目标的改变影响小，受是一种更高效的并行搜索算法。

2仿真结果为了测试文中算法的有效性， Ma a编程实现用 tb l了文中算法并进行了计算机仿真实验。经过两次迭

维普资讯 http://www.77cn.com.cn

9 2

计算机技术与发展

第l 8卷

代，算法即终止，求得最大熵值为 8 32。图 1 1为 .45 ()原始图像， 12为 O T图 () S U算法分割的结果， 13图 ()

题，它广泛应用于图像处理的各个方面，如降噪、分割、

边缘检测、目标识别、特征提取等。P N C N模型参数的选择对实验结果有着极其重要的影响，但是针对不同

为最大熵算

法分割的结果， 14为文中算法分割的图 ()结果。从图中可以看出， S U算法的结果最差， OT最大

图像这些参数的选择只能通过人工逐次实验来获得， 这对其推广应用很不利。文中提出了一种基于 P O S算法的脉冲耦合神经网络自动系统的实现方案，以改

熵算法虽然把所有目标分割出来，是也把一些背景但分割成了目标(左下角处的小黑块)文中算法效果最，好，不仅把所有目标分割出来，并且不存在误分割。 另外，从算法的执行时间上看，在主频为 2 4内 .G。

进的最大熵函数作为适应度函数，用 P O算法的全利 S

局搜索能力，解决了 P N较好 C N需人工设置参数的问题，同时分割出来的图像质量效果较好，为后续的图像

存为 2 6的 P L 5M Cg k运行本算法，综合多次实验结果来看，一般迭代到第三次就可以得到最佳分割图像，时间开销约为 4 s~6。相比人工实验确定实验参数的时间开销要有一个数量级的优势。

识别的精度提供了保证。实验仿真结果说明文中的研究思想具有较好的应用前景，对 P N理论的进一步完善。显然，是 CN其对于P N C N的理论研究和实际应用具有很重要的现实意义和借鉴意义。同时，也应看到由于对视觉机制认

识的不足，C N模型离真正的视觉模型还有一定差 PN距。因此，要对 P NN模型进一步改进，其具有需 e使

更强的视觉仿生能力，以便在图像处理、计算机视觉研究中取得更大的成功。参考文献：[]吴启迪， 1汪镭.智能微粒群研究及应用[ . M]南京：江苏教育出版社，05 20 .

I●.‘、/=/ ●' ?,

[] JhsnJ,agtM L P N m dl n plao[] 2 ono L P de t .C N oeadapct J . ii nIE r o erl e ok 19,03:8—48 E ETa n uaN t r,99 1()40 9 . m N w

[] R naahH, tt dG, hsn . el nt ok o 3 agnt Kmi ma J no J Ant e r fr o L l￣ wi en l￣ r u￣[/ I: i l E l l R hn lo o M]/n Fe e, e . a d￣ f s r￣a xkNe r l o ua o . fr, u a C mp t t n Oxo d UK: x o

Unv P e s 1 9 . i O fr d i. r s,9 7

.

.

( )最大熵算法结果 3

( )文中算法结果 4

[]马义德，若兰， 4戴李

廉 .基于脉冲耦合神经网络和图一种

图 1 bt i图像及其实验结果 cr ea

像熵的自动图像分割方法[]通信学报，02 2 ( )4 J. 20,3 1:6—

51 .

3结束语脉冲耦合神经网络是当前智能领域研究的热门课(接第 8上 9页 )

[]马义德， 5齐春亮 .于遗传算法的脉冲耦合神经网络自动基系统的研究[]系统仿真学报，06 1 ()7 2 75 J. 20,83:2— 2 .—

+

—+

—+—+—+—+ -— -— -— -— -

现面向方面的建模，将核心业务功能与通用功能分离开来，使它们能够独立建模，然后通过由织入技术实现

[3 K n￣ M, ez,t h e r Fo A Pt ML 3 ad M Ki lJSr m i A. rm O OU: ne o e1o ad n A pc Or ne eht ua Mo en — w rsa et— i td Ar i s e￣trl dl g Ap i

的模型转换将它们连接起来。把 A P的思想应用于 O MD A的建模与模型转换中为 MD A开发方法提供了新的实现途径。参考文献：[]曹东刚， 1梅宏 .向 A pc的程序设计——种新的编面 set

poe[]Bre S i:wsFdr sit T m l ra R .e, ws S i ee lntu 0￣ o . h n s s aI te{ og 20 4. Y, 0

[] Z a ai, uBo e. au n pc oei[]/ 4 hoJ n X aw n MesrgA et hs C/ ia n i s C n oI r c a d me lAp ra h s t ot a e E i ei n P o .F n a ma po ce S f r n r r O w g￣ n g

( A E’ 0 4 . a e n, t: pi e—V r g 2 0: 9 F S 20 ) B r l a Sun S r r el, 0 4 2 e o g n a—

3. 1

[] Z a i jn li se—Oi d S f a[]/I 5 ho J n .Sin A pc aa cg t rme ot r C/ n e w eP o .1 t E I tr ain lWo k h p o o r m on rc 0h 1 EE n en t a o r s o n Prg a

C r -

程范型[]计算机科学，033 ()5 0 J. 20,09:一l. []董云卫， 2郝克刚.一种面向方面的软件体系结构[]微机 J.发展，0 4,4 6:2—5 . 2 0 1 ( )5 6

p hni I C 2 0)P r,r cI￥n]20:5— r es n( e o WP’02 .asFa e[..,022 1 i n26 0.

http://www.77cn.com.cn

本文来源：https://www.bwwdw.com/article/ld3m.html