基于图像PCNN去噪和保持边缘的算法研究

摘要：脉冲耦合神经网络（PCNN）以其更接近生物处理信息机制的优越性，广泛应用于图像处理的各个方面。为了有效的滤除图像中的脉冲噪声，提出来一种PCNN与保持边缘的方法相结合的算法，在滤除噪声后进行图像边缘提取。实验结果表明该算法比中值滤波去噪后提取边缘的算法取得较好的效果。

关键词：PCNN 提取边缘 保持边缘

中图分类号: TP391.4文献标识码：A文章编号：1007-9416(2011)11-0135-03

Image Noise-erased and Edge Extraction Algorithm Upon PCNN and Strengthening Edge

Gao Mingjun Gao Kanglin

(Shandong university of Finance and Economics Institute of Computer Information Engineering 250014)

Abstract: Pulse coupled neural network (PCNN) is widely use in aspects of image processing for its advantages of information treatment system closer to biological. In order to filter out impulse noise in image effectively, a method of combination PCNN and maintain the edge is proposed, then extract the edge of the image. Experimental results show that the combination algorithm gets the better result than the median filter.

Key Words: PCNN edge extraction strengthening edge

图像去噪是图像预处理的一个基本内容，去噪时要尽可能保留原图的细节和边缘。而脉冲噪声在图像噪声中占很大一部分，在去除脉冲噪声方面，中值滤波和均值滤波是目前应用比较广泛的传统滤波方法。两个方法在去除脉冲噪声方面各有特点。中值滤波会破坏和丢失一些图像细节，而均值滤波会使图像的边缘变得模糊，而且随着噪声强度的增强，两者的处理效果下降。为了克服这些缺点，一些新的方法被提出来[1,2]。而本文就采用PCNN去噪算法。

脉冲耦合神经网络（Pulse coupled neural networks，简称PCNN）是一种新型的神经网络，它不需要经过训练，与传统意义上的神经网络有着本质区别。近十年来，在图像处理领域得到广阔应用[3,4]。PCNN模型需要确定相应参数，选取合适的参数有利于图像的处理。本文的参数通过实验来得。图像去噪是图像分割、边缘检测前的基础，本文主要针对脉冲噪声进行去噪，并在处理后再应用保持边缘的方法进行处理，最后进行提取边缘，算法取得了较好的效果。

1、与保持边缘相结合的PCNN去噪模型

1.1 PCNN模型

PCNN模型是由Eckhorn等人[5]模拟猫的大脑视觉皮层，经试验所得到的神经元同步行为而提出的同步脉冲发放现象的连续模型。Kuntimad等人[6]改进Eckhorn的PCNN模型，使得该模型简洁直观。PCNN模型利用了生物神经元的激活特性及阈值指数衰减特性，其指数衰减的幅值变化符合人眼对灰度相应的非线性要求。一些学者提出了基于传统PCNN模型的改进模型[7,8]，本文采用马义德等人[9]提出的简化PCNN神经元模型。该PCNN的离散数学迭代模其中，Iij为外部激励，即点（i,j）对应像素点的灰度值；Fij是神经元的输入项；Lij、Uij、Yij、Eij分别为各神经元的连接输入、内部活动项、脉冲输出和动态阈值。是连接域的连接系数，Wij是耦合连接域的连接矩阵，是动态门限的时间衰减常数。该简化神经元模型去掉了输入域和链接域的漏电积分器。在连接域，周围神经元的脉冲输出作为反馈直接进行加权求和，然后作为神经元的连接输入。

1.2 保持边缘模板

本文采用8方向的保持边缘的模板[10]来处理经过PCNN去噪后的图像，可取得较好的效果。该模板共有9个模板，如图1所示。

图中较大的黑点表示待处理的像素点，其它的是与该点相关的像素点。其中，（b）、（d）、（f）、（h）四个模板图相似，（a）、（c）、（g）、（i）四个模板图相似，只是旋转角度不同。除中心模板由9个像素点组成外，每个方向模板均由7个像素点构成，共9个模板。保持边缘的原理是：对图像中某点（x,y）分别计算出9个模板区域的灰度方差，把方差最小的区域的平均灰度作为点图（x,y）的输出灰度。该方法具有边缘锐化及去除噪声的特征，可用于边缘检测前的预处理。

2、与保持边缘相结合的PCNN去噪及提取边缘算法

对含噪图像进行PCNN处理，算法描述如下：PCNN的动态门限的时间衰减常数和内部活动项的连接系数等，采用实验的方法得到。含噪图像中，受到噪声干扰的像素灰度值与未受到噪声干扰的像素灰度值有很大的差别，我们利用简化PCNN模型对图像进行预处理，得到噪声点的具体位置，采用3*3的中值方法重新赋值噪声污染点的像素值。PCNN的初始阈值设置为0，第一次迭代后，各神经元的输出均为1，即第二次迭代时各神经元的连接输入达到了最大值。此时设置模型各参数在第二次迭代后，高亮度噪声点对应神经元的输入为1，其它为0。然后采用3*3窗口中值滤波去除这些高亮度噪声点，之后对图像反白，再进行一次该操作，就可以去掉图像中低亮度噪声点，处理后，再对图像反白，就可以得到去噪后的图像。

经过PCNN去噪预处理之后（对较强噪声强度图像），还会有少量噪声，再用2.2所述的保持边缘的方法对图像进行处理，得到最终去噪后的图像。最后用canny算子进行对图像边缘提取。

以上是保持边缘相结合的PCNN去噪算法。作为对比，直接使用中值滤波对加噪图像进行处理，处理完结，使用canny算子对图像提取边缘。

与保持边缘相结合的PCNN去噪算法描述如下：

Step 1：输入含有脉冲噪声的图像I(i,j)；

Step 2：对原始图像预处理，并且赋值给F(i,j)；

Step 3：对PCNN模型的参数赋值；

Step 4：第一次迭代时，F(i,j)大于设定的初始阈值Eij（Eij=0），故Y(i,j)=1，即第二次迭代时各神经元的连接输入达到了最大值；

Step 5：第二次迭代时，F(i,j)与阈值Eij进行比较：

(a)如果F(i,j)>Eij（即该点为噪声点），则Y(i,j)=1，F(i,j)采用3*3模板的中值滤波重新获得该点像素值；(b)否则，Y(i,j)=0，对该点像素值不做处理；

Step 6：对图像反白处理，回到Step 4、Step 5，所有像素处理后再次反白，转到Step 7

Step 7：对图像进行保持边缘的处理，计算像素点周围9个方向存储的数组平均值和均方差，取均方差最小的数组平均值赋给该点像素；

Step 8：对取得的图像进行边缘提取；

Step 9：对加噪图像直接使用中值滤波后提取边缘和Step 8提取边缘做对比。

以上是对单张静态图像的处理，同样对于监控中得到的序列图像，我们也可以对其进行处理。在对含有运动目标及噪声的序列图像分析后可知，图像目标及噪声在每一幅图像中不具有像素相关性，但背景像素是具有相关性的。在p张序列图像（m*n）中，用J(x,y,k)矩阵来表示图像k中某一个像素点(x,y)，即第k张图片中(x,y)点的像素灰度值, 其中：背景图像M可对序列图像J(x,y,k)矩阵进行处理后获得。基本思路为：对每个像素点（x,y）来说，可得到本例中的p个像素点，由于背景像素的相关性，大部分是不变的，仅有少数目标点或噪声点，因此可用取中位值的方法提取p个点的中位像素值，经过公式处理，可得到稳定的背景图像。其中Sort表示p幅图像该点(x,y)像素灰度值排序后取其中位点像素值。在此基础上，对某一单幅目标图像I与背景图像M进行减差，即，得到最终目标图像D(x,y)。如果此时图像是含有噪声的，继续应用对静态图像的算法，即PCNN去噪和保持边缘的方式相结合的算法来处理含噪图像并做提取边缘处理。

3、实验结果与分析

根据上述方法，本文在Matlab环境下，对含噪的cameraman静态图像（256*256,灰度级为256）进行了去噪及提取目标边缘的处理；对含噪的SampleVideo序列图像（79幅）进行了去噪及去目标的处理，以得到“干净”背景。在此基础上，用含噪目标图像与背景进行减差，得到含噪目标图像，再用PCNN进行去噪声及提取目标边缘。在受到4%-40%等不同强度的脉冲噪声污染后，进行了本算法的实验测试，并与模板为77中值滤波进行了比较：对滤波性能的客观衡量用信噪比（PSNR）、均方误差（MSE）等指标来描述。

在试验中，选定K=3*3的窗口矩阵，用到的参数动态门限的时间衰减常数=0.065，内部活动项的连接系数=0.065，动态门限放大系数Ve=280，动态门限初始值为0，耦合连接域的连接矩阵W= [0.707 1 0.707;1 0 1;0.707 1 0.707]。图1是cameraman添加不同噪声强度的两种滤波方法的视觉比较，其中各图（a）原始图像、（b）加噪图像、（c）中值滤波去噪图像、（d）中值滤波提取边缘、（e）PCNN去噪图像、（f）PCNN提取边缘、（g）保持边缘处理图像、（h）保持边缘后提取边缘图像

表1是对Cameraman添加不同强度噪声时两种不同滤波方法的PSNR和MSE指标对比；表2对SampleVideo序列图像添加不同的的噪声强度时本算法和中值滤波的PSNR和MSE对比。从实验数据可以看出，本算法的PSNR值总是略大于中值滤波算法，MSE值总是小于中值滤波算法，实验数据体现了本算法的优越性。

通过计算机仿真，表1，表2的相关指标数据显示了本算法在保护图像细节和滤波噪声方面优于中值滤波算法；从视觉效果上看，中值滤波的方法有些模糊，不及PCNN算法去噪效果好，但PCNN去噪算法对较大强度的噪声图像仍有少量的噪声点未消除。在使用保持边缘的算法后，可以加强边缘并去掉所有噪声点，效果较好。对cameraman图像应用本算法提取边缘时，远处的铁塔和近处的三脚架都保持了更多的细节，对SampleVideo序列图像应用本算法，提取的人物细节更丰富。实验表明本算法取得了良好的效果，具有较好的实用性。

4、结语

针对目标图像存有噪声的实际情况，根据脉冲耦合神经网络（PCNN）在图像处理的应用原理，本文提出了PCNN与加强边缘的方法相结合的算法，用于滤除噪声并进行图像边缘提取。实验证明，该方法效果良好，实现了对含噪的静态、序列图像的去噪及边缘提取。脉冲耦合神经网络（PCNN）在图像处理方面应用具有广阔的前景，其理论研究仍处于发展阶段，特别是PCNN参数的确定也是目前研究的一个热点。本文的后续工作将在如何自动确定模型的参数方面开展研究。

参考文献

[1]Wang J H and Yu M D.Image smoothing by adaptive fuzzy optimal filter[A]. Proc. IEEE Int. Conf,Syst. Man and Cybern[C]. Vancouver.BC,Canada,1995:845-848

[2]Eng How-Lung and Ma Kai-Kuang.Noise adaptive sofetswitching median filter.IEEE Trans.on Image Processing,2001,10(2):242-251.

[3]Ranganath H S,Kuntimad G,and Johnson J L. Pulse-coupld neural network for image processing[A].In:Processings of IEEE Southeastcon [C].New York:IEEE Press,1995:37-43.

[4]Johnson J L and Padgett M L.PCNN models and applications [J]. IEEE Trans on Neural Networks.1999,10(3):480-498.

[5]Eckhorn R,Reitboeck H J,and Arndtetal M.Feature linking via synchronization among distributed assemblies:simulation of results from cat cortex[J].Neural Computation,1990,2(3):293-307

[6]Kuntimad G and Ranganath H S.Perfect image segmentation using pulse coupled neural networks[J].IEEE Trans. On Neural Networks,1999,10(3):615-620

[7]刘勍，马义德，钱志柏.一种基于交叉熵的改进型PCNN图像自动分割新方法[J].中国图象图形学报2005,10（5）：579-584

[8]Chacon M I and Zimmerman A.PCNNP:A pulse-coupled neural network processor[A].IEEE International Joint.Conference on Neural Networks[C].Honolulu Hawaii USA.2002:1581-1584.

[9]马义德，李廉，绽艰，王兆滨等.脉冲耦合神经网络与数字图像处理[M],科学出版社.2008.

[10]田村秀行编著.金喜子,乔双译.计算机图像处理[M],科学出版社.2004.6:P96-97.

作者简介

高明俊（1986.1-），女，硕士研究生(计算机应用技术专业)，研究方向：智能信息处理。

高康林（1958.12-），男，硕士生导师，教授，研究方向：智能信息处理。

推荐访问:算法 图像 边缘 研究 PCNN