一种改进的PSO优化PCNN模型的图像分割算法的制作方法

本发明属于机器学习、机器视觉领域，具体涉及一种改进的pso优化pcnn模型的图像分割算法。

背景技术：

图像分割是图像、视频目标识别、理解、语义分析等研究的基础，是计算机视觉中首要的关键步骤。在图像处理、模型识别和人工智能等多个领域中，图像分割已被广泛应用，如织物疵点检测、多源图像融合、图像语义理解等。然而，图像分割存在边缘分割不准确、纹理、细节丢失、缺失语义以及图像对象遮挡等现象，依然是一个十分重要且具有挑战性的研究问题。

在图像分割算法中，最常用的分割算法为阈值法，如经典的otsu、分水岭等。但是这些算法受到应用背景的限制，缺乏通用性。与经典的图像分割方法如k-means、fcm、gmm、mrf等相比，基于脉冲耦合神经网络(pcnn:pulsecoupledneuralnetwork)的图像分割方法成为近些年研究的热点。脉冲耦合神经网络是模拟猫、猴等哺乳动物大脑视觉皮层上同步脉冲发放现象而建立的一种神经网络，作为第三代人工神经网络的新模型，具有优良的生物学背景以及捕获同步脉冲发放等特性，已被广泛地应用到图像处理领域，如在图像分割、图像去噪、图像增强、图像融合以及小目标检测等方面。pcnn在进行图像分割时，通常将每个像素对应一个pcnn神经元，像素灰度值作为外界刺激信号，将神经元按一定方式连接，得到一个单层脉冲耦合神经网络。当向网络输入一幅图像，某一个象素对应的神经元发生脉冲，其邻域内与它相似的神经元也发生脉冲。产生的脉冲序列构成一幅二值图像，包含了图像的区域、边缘等信息，构成了pcnn模型输出分割图像。

pcnn基于以上工作原理，在图象分割时，考虑了图像像素的邻域信息，同时动态调整每个神经元的分割阈值，其优点显著。但是，pcnn模型由于参数众多，除学习动态阈值外，其他参数依据经验设置，同时模型参数制约其应用。

技术实现要素：

现有的pcnn模型存在以下不足：1)在图象分割时，pcnn模型参数众多，不易自动选取，通常采用实验或经验的方法设置，致使其应用在一定范围内受到了限制；2)采用递增、递减方式更新阈值，缺乏灵活性；3)pcnn模型的阈值衰减次数不能很好的确定，通常采用简单的终止条件；本发明为了克服上述不足，而提出一种改进的pso优化pcnn模型的图像分割算法，获得了较好的分割效果，轮廓清晰、纹理、细节保留较多。

为了实现上述目的，本发明提供如下技术方案：

一种改进的pso优化pcnn模型的图像分割算法，包括以下步骤：

s1：采用k-means二值分割结果作为简化的pcnn模型的初始脉冲输出y；

s2：初始化粒子群；

s3：粒子群优化简化pcnn模型参数，具体优化方式如下；

s3.1：在pso优化简化pcnn模型参数框架下，将每个粒子作为简化的pcnn模型的参数，引入自适应迭代更新过程，采用最大熵准则评价分割效果，计算该粒子对应的图像分割最佳阈值；

s3.2：所有粒子执行s3.1后，并储存最佳结果，分析脉冲输出，求解个体最佳粒子和全局佳粒子、阈值、脉冲输出；

s3.3：由相邻迭代的输出结果和设定的迭代次数评价迭代是否终止。若不满足终止条件，结合公式更新粒子群的个体最优和全局最优值，进行粒子位置和速度的更新，并返回下次pso优化迭代；

s4：输出图像最优分割结果；

其中，所述简化的pcnn模型包括接受域、调制域和脉冲发生器，其离散数学方程描述如下：

fi,j(n)＝ii,j(1)

ui,j(n)＝fi,j(n)[1+βli,j(n)](3)

θi,j(n)＝e^-aθi,j(n-1)+v^θyi,j(n-1)(4)

对于神经元(i,j)，式(1)为反馈通道f的输入fi,j，反馈通道f接受外部激励输入ii,j，即图像的像素值；式(2)为链接通道l的输入li,j，接受邻域神经元(k,l)的脉冲激励输入，wk,l为邻域联接权，决定了邻域神经元对中心点神经元的影响；反馈通道f和链接通道l构成pcnn模型的接受域；

在调制域中，fi,j和li,j经过非线性相乘，调制形成神经元内部状态值ui,j，如式(3)所示，β为调制域中链接通道l输出的链接强度；

在脉冲发生器中，如式(5)所示，当内部状态值ui,j大于神经元的阈值θi,j时，神经元发出脉冲，并输出为1，否则无脉冲，由此形成脉冲输出序列yi,j；

其中，在迭代计算过程中，阈值θi,j做非线性的指数衰减变化，如式(4)所示，a为衰减指数，yi,j为脉冲输出，v^θ为幅值系数。

如上所述的改进的pso优化pcnn模型的图像分割算法，优选地，所述步骤s3具体包括以下步骤：

(a)对于每个粒子，执行内循环，由简化的pcnn参数如链接矩阵w，初始脉冲输出序列yi,j等，结合公式更新阈值θ；

(b)采用评价函数(粒子适应度函数)评价分割结果，结合该粒子上次输出结果，选择粒子个体最佳pbest、对应阈值和脉冲输出；

(c)所有粒子执行完(a)和(b)后，计算全局最佳粒子gbest及其对应的阈值、脉冲输出；

(d)由相邻迭代的全局最佳粒子对应的脉冲输出的差异和设定的迭代次数，判别pso优化迭代是否终止；

(e)若未终止，结合更新公式更新粒子位置和速度，并返回下次迭代。

如上所述的改进的pso优化pcnn模型的图像分割算法，优选地，所述步骤s3的具体过程如下：

1)读取某一粒子，通过简化的pcnn模型由公式(4)计算阈值θi,j，式(1)计算链接通道l的输入li,j；

2)当循环标记满足时，执行内循环迭代过程；

2.1)由式(3)计算内部状态值ui,j，然后由式(5)产生脉冲输出序列yi,j；

2.2)由yi,j计算第n个粒子的适应度(越大越好)，即由最大熵准则计算，通过分割评价标准，将适应度值作为图像分割的目标函数；

2.3)判断相邻迭代目标函数的差异；

2.3.1)若上次迭代的目标函数值大于当前值，将上次迭代对应的脉冲输出、阈值作为内循环的结果，同时循环标记清零；

2.3.2)若上次迭代的目标函数值不大于当前值，由公式(2)计算输入li,j，公式(4)计算阈值θi,j，当前目标函数值赋于上次迭代目标函数，并返回2.1)；

3)粒子最佳个体pbest选取：若外循环迭代次数t＝1，则将当前粒子位置赋予个体pbest；若t大于1，将第t次与第t-1次跌代计算的适应度值作比较，选择适应度值大的粒子并将其粒子位置作为第t次个体pbest，对应的脉冲输出y作为第t次输出，并存储适应度值；

4)所有粒子执行完2)操作后，选取全局最优粒子gbest。所有粒子作为所述简化的pcnn模型参数，经过内循环迭代寻优阈值，根据图像分割最大熵准则计算的适应度函数评价后，将具有最大适应度值的粒子作为全局最优粒子gbest，全局最优粒子gbest对应的脉冲输出序列yi,j作为外循环迭代的链接通道l的输入li,j以及阈值θi,j的输入参数；

5)判断pso迭代优化是否终止(外循环是否终止的判断)；判断脉冲输出序列yi,j在第t与t-1次迭代中是否有变化，若无变化或t等于最大迭代次数(iter)，则停止迭代；否则，在约束粒子速度和位置的条件下，执行6)；

6)结合公式，进行粒子位置和速度的更新，并返回下次pso优化迭代。

如上所述的改进的pso优化pcnn模型的图像分割算法，优选地，所述步骤5)中，所述更新机制即在每次迭代中，第n个粒子的速度和位置按下式(6)进行更新：

其中，pn＝(pn1,pn2,…,pnd)为第n个粒子搜索到的历史最优位置；pg＝(pg1,pg2,…,pgd)为种群搜索的全局最优位置；t是第t次迭代；w为惯性权重因子；c1和c2为学习因子；r1和r2为[0，1]之间的随机数；pnd-zntd和pgd-zntd分别是是粒子n在第t次迭代的个体认知和社会认知。

与最接近的现有技术相比，本发明提供的技术方案具有如下有益效果：

本发明提出了一种改进的pso优化三参数pcnn模型的图像分割算法。该方法采用k-means二值分割结果作为简单pcnn模型的初始脉冲输出序列，在粒子群优化pcnn模型参数框架下，在pso优化外循环下，对每个粒子嵌入自适应内循环，寻优阈值。对于每个粒子，即粒子参数p(β,a,v)固定时，引入适应度值约束的自适应迭代和阈值更新方式，实现像素分割阈值自适应寻优，同时迭代次数自适应调整。具体来说，对于每一个粒子，在局部自适应寻优的过程中，根据粒子、脉冲输出序列y和邻域链接权w计算链接反馈l，采用迭代方式搜寻最佳的自适应阈值θ值。在迭代过程中，循环地计算模型参数u和y，根据脉冲输出序列y和适应度函数计算的适应度值，比较适应度值在上下两次迭代中的差值，判决迭代是否终止，实现迭代次数自适应控制，阈值自适应更新。

附图说明

图1为简化的pcnn模型结构图；

图2为单个pcnn神经元的连接方式；

图3为织物疵点的原图分割结果：(a)原图；(b)k-means；(c)otsu；(d)本发明(0.9926,0.1765,1)；

图4为经典“lena”图片的分割结果比较：(a)原图；(b)k-means；(c)otsu；(d)pso+pcnn(1,0.4415,7.2744)；(e～h)本发明，由于采用随机初始化粒位置和速度的方法，在同一适应度函数评价下，优化参数的最终结果不同，粒子参数分别为(e:0.5143,0.0353,16.5244),(f:0.3001,0.1189,1.4320),(g:0.2687,0.9333,5.5826),(h:0.1545,0.7187,6.3291)。

具体实施方式

下面将对本发明实施中的技术方案进行清楚、完整地描述，显然，所描述的实例仅仅是本发明的一部分实例，而不是全部的实例。基于本发明中的实例，本领域普通技术人员所获得的所有其他实例，都属于本发明保护的范围。

下面将参考附图并结合实例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实例及实例中的特征可以相互组合。

考虑到pcnn模型过于复杂，由较多参数搭建的网络难以学习参数，本发明的实例提供了一种简化的pcnn模型，如图1所示，所述简化的pcnn模型包括接受域、调制域和脉冲发生器，其离散数学方程描述如下：

fi,j(n)＝ii,j(1)

ui,j(n)＝fi,j(n)[1+βli,j(n)](3)

θi,j(n)＝e^-aθi,j(n-1)+v^θyi,j(n-1)(4)

对于神经元(i,j)，式(1)为反馈通道f的输入fi,j，反馈通道f接受外部激励输入ii,j，即图像的像素值；式(2)为链接通道l的输入li,j，接受邻域神经元(k,l)的脉冲激励输入，wk,l为邻域联接权，决定了邻域神经元对中心点神经元的影响；反馈通道f和链接通道l构成pcnn模型的接受域；

在β不为0的情况下，图像处理不再孤立地考虑其中一个像素，而是将邻域像素的影响纳入分析。在调制域中，fi,j和li,j经过非线性相乘，调制形成神经元内部状态值ui,j，如式(3)所示，β为调制域中链接通道l输出的链接强度；

在脉冲发生器中，如式(5)所示，当内部状态值ui,j大于神经元的阈值θi,j时，神经元发出脉冲，并输出为1，否则无脉冲，由此形成脉冲输出序列yi,j；对于整幅图像，即脉冲输出序列yi,j＝1，在这里，y为数据矩阵，大小与图像一样。

其中，在迭代计算过程中，阈值θi,j做非线性的指数衰减变化，衰减指数为a，如式(4)所示，在发出脉冲后，θi,j进行指数衰减，同时还叠加了脉冲输出序列yi,j和一个幅值系数v^θ的乘积。

现有技术中对于pcnn模型的参数，通常根据经验或实验设置，这限制了pcnn模型的应用。当前智能优化算法被引入，学习模型的参数，使模型参数自适应实际的应用。pso算法是一种群体智能优化算法，起源于对鸟群捕食行为研究，在1995年由eberhart和kennedy提出，主要应用于在所求问题的解空间中搜索出目标位置。粒子群优化算法有5个重要的参数，适应度函数、粒子维度(模型参数个数和取值范围)、种群大小(即为粒子的个数)、迭代次数，终止条件。本发明的实例中，设zn＝(zn1,zn2,…,znd)，vn＝(vn1,vn2,…,vnd)分别表示第n个粒子的位置和速度；对于每个粒子，通过适应度函数(或目标函数)评价当前粒子位置的优劣。若当前粒子的适应度值优于前一时刻适应度值，则当前粒子的位置作为个体最优；若不优于前一时刻粒子，则将上一时刻的粒子作为当前最佳个体。每个粒子均评价后，从粒子群中选择最佳粒子作为种群最优粒子。在这里，pn＝(pn1,pn2,…,pnd)为第n个粒子搜索到的历史最优位置；pg＝(pg1,pg2,…,pgd)为种群搜索到的全局最优位置。在每次迭代中，第n个粒子的速度和位置更新方式为：

其中t是粒子群在优化过程中迭代的次数；w为惯性权重因子，通常取常数值或线性、非线性递减值，用来平衡局部和全局搜索能力；c1，c2为学习因子，通常取常数值；r1、r2为[0，1]之间的随机数。在式(6)中，和分别作为粒子n在第t次迭代的个体认知和社会认知。

在采用pso优化pcnn模型参数时，定义pcnn模型的链接强度，衰减指数以及脉冲输出的幅值系数作为粒子的位置，即粒子的位置p(β,a,v^θ)。在粒子速度和位置约束范围的情况下，通过适应度值获取个体最优和全局最优，依据更新机制，更新粒子位置。

至此，在上述简化的pcnn模型下，结合pso算法，本发明的实施提出了一种改进的pso优化pcnn模型的算法，其技术构思如下：首先使用k-means二值分割结果作为初始脉冲输出序列，采用pso优化简化的pcnn模型实现图像分割；对于每个粒子，引入pcnn模型自适应迭代寻优阈值过程，即通过适应度函数评价当次迭代的脉冲输出序列，依据评价结果选择是否更新链接通道、阈值以及判别迭代是否终止。在自适应迭代次数的过程中，实现阈值自适应地更新。

因此，本发明的实施在pso优化框架下，通过自适应地迭代、寻优pcnn模型参数并将其应用到图像分割中，其步骤如下表1所示：

表1.改进的pso优化pcnn模型的图像分割方法

为验证本发明的分割效果，本发明按照表1的图像分割方法进行了织物疵点检测和经典“lena”图像分割，并与常规的分割方法进行了对比。

1、织物疵点检测

在该部分，本发明采用织物疵点图像验证本发明分割方法的有效性及优势，分别采用k-means二值分割、otsu分割以及本发明的分割方法进行织物疵点图像的分割，获得的结果如图3所示，其中图3(a)为含有织物疵点的原图，图3(b)为k-means二值分割结果，图3(c)为otsu分割结果，图3(d)为按照本发明的分割方法获得的分割结果(括号内的数值为分割最佳时，粒子位置即模型参数)。从图3可以看出，k-means二值分割、otsu分割以及本发明的分割方法均具有分割织物疵点的能力。但是，图3(b)和图3(c)与图3(d)相比，分割结果存在较多的背景信息，由此可见，本发明的分割方法能够很好地抑制背景纹理信息。

2、经典“lena”图像分割比较

在该部分，本发明采用经典“lena”图片验证本发明分割方法的有效性及优势，该图像细节、纹理信息丰富，分别采用经典的k-means、otsu分割、pso优化简化的pcnn模型的分割方法以及本发明所述改进的pso优化pcnn模型算法作比较，获得的分割结果如图4所示。在这里，otsu、pso+pcnn和本发明的方法(改进的pcnn+pso+k-means)均采用最大类间方差otsu作为目标函数。图4(a)为原图，(b)为k-means二值分割结果，(c)为otsu分割结果，(d)为pso优化pcnn模型的分割结果，(e)～(h)为本发明的方法(改进的pcnn+pso+k-means)在k-means结果作为pcnn脉冲输出，随机初始化pso参数情况下的分割结果，其中括号内的数值为获得最佳分割结果时对应的粒子位置。

基于以上方法获得的分割结果，其最大的差异如帽子、头发、人的后背和下嘴唇等区域，通过(b)～(h)，从视觉的角度，可以看出pso优化pcnn模型分割图像的方法获得的轮廓基本完成、细节和纹理较丰富。总体来说，otsu算法的分割结果较差。在采用k-means分割结果作为pcnn模型的脉冲输出时，受pso初始信息的影响，迭代终止时，图(e)～(h)之间的分割结果仍然存在差异性，如帽子顶端区域的边缘信息以及头发、后背区域的纹理、细节信息。总体来说，与其他方法相比，本发明的方法获得了较好的分割结果，误分割相对较少，图像分割的边缘轮廓清晰、保留了较多的纹理等细节信息。

综上所述，本发明采用k-means结果作为pcnn脉冲输出，对于每个粒子，在简化的pcnn模型的阈值更新过程中，引入适应度函数评价脉冲输出，实现了迭代次数和阈值自适应地调整。通过对细节、纹理丰富的“lena”图像和织物疵点图像进行仿真验证，与经典的k-means、otsu分割以及pso优化简化的pcnn模型的图像分割算法相比，获得了较好的分割效果，如“lena”图像分割结果，轮廓清晰、纹理等细节保留较多。

以上所述仅为本发明的较佳实例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均在本发明的权利要求保护范围之内。