基于BP神經(jīng)網(wǎng)絡(luò)的彩色圖像邊緣檢測方法研究

柳 赟，鄭蕊蕊，吳艷軍，徐寶翠，吳寶春

（大連民族學院信息與通信工程學院，116600)

0 引言

圖像邊緣檢測是數(shù)字圖像處理的主要研究內(nèi)容，BP人工神經(jīng)網(wǎng)絡(luò)具有學習功能強大和良好的容錯性能。采用BP人工神經(jīng)網(wǎng)絡(luò)進行彩色圖像的邊緣檢測，通過對選取的圖像樣本的訓練，不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，完成函數(shù)的逼近，使得對于輸入的圖像樣本處理結(jié)果能夠達到預(yù)期的效果。本文主要研究基于改進學習算法的BP神經(jīng)網(wǎng)絡(luò)在彩色圖片的邊緣檢測中的應(yīng)用。

1 圖像的預(yù)處理

1.1 二值化

為了增加圖像的對比度，使得圖像的邊緣更加清晰，首先需要對圖像做二值化處理。二值化圖像的方法如下:假設(shè)一幅圖的像素值為,閾值為。則：

即當像素值大于閾值時灰度級為1，當像素值小于閾值時灰度級為0。圖1為此次用于訓練BP神經(jīng)網(wǎng)絡(luò)的原灰度圖像、教師圖像和灰度圖的二值化圖像。

1.2 圖像塊劃分

在網(wǎng)絡(luò)訓練中，把整幅圖像作為樣本，會使樣本集比較龐大，增大訓練的迭代次數(shù)，使得訓練時間變長，算法也不易收斂。因此在將圖像矩陣數(shù)據(jù)輸入網(wǎng)絡(luò)前必須進行圖像的分塊操作。先將圖像調(diào)整為300*300，然后劃分為10000個3*3的小塊，將每個小塊合并為一個列向量。在輸入輸出端對原始圖像和教師圖像進行分塊操作，將輸入輸出對應(yīng)的列向量輸入網(wǎng)絡(luò)，開始進行網(wǎng)絡(luò)的訓練。如果模板過大，網(wǎng)絡(luò)訓練所要處理的數(shù)據(jù)量過大，使得網(wǎng)絡(luò)的整體誤差增大，3*3模板是經(jīng)過多次實驗后比較適合本次研究的。圖2為圖像塊劃分流程圖。

圖1 訓練樣本的選取和二值化處理

圖2 圖像塊劃分流程圖

2 BP神經(jīng)網(wǎng)絡(luò)的建立和訓練

2.1 網(wǎng)絡(luò)參數(shù)的確定

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的選取影響邊緣檢測的精度。原則上，包含一個中間隱含層的3層BP神經(jīng)網(wǎng)絡(luò)能夠逼近任何的非線性映射，因此本文采用3層BP神經(jīng)網(wǎng)絡(luò)來提取灰度圖像的邊緣。

由于算法輸入的數(shù)據(jù)是分割后的1*9列向量，所以輸入層與輸出層的節(jié)點數(shù)應(yīng)為9。目前，學術(shù)界對于隱含層節(jié)點數(shù)的選擇并沒有確定的準則，所以隱含層節(jié)點數(shù)的選擇只能參照經(jīng)驗公式：

其中N為隱含層神經(jīng)元個數(shù)，m為輸入神經(jīng)元個數(shù)，n為神經(jīng)元個數(shù)，為1～10之間的一個整數(shù)。進過多次實驗N取15時，可以很好的完成網(wǎng)絡(luò)的訓練，且效果最佳。

2.2 訓練BP神經(jīng)網(wǎng)絡(luò)

由于標準BP神經(jīng)網(wǎng)絡(luò)算法存在的一些缺陷，為了避免算法陷入局部極小值。研究采用有動量的梯度下降法作為神經(jīng)網(wǎng)絡(luò)的訓練函數(shù)。動量法能夠有效的降低網(wǎng)絡(luò)對于誤差細節(jié)的敏感性。通過加入動量因子，相當于加入了阻尼項，減小了訓練曲線局部的阻尼震蕩，從而使算法更易于收斂。動量梯度下降法的訓練的過程如圖3所示，當訓練次數(shù)達到400次左右時，曲線已經(jīng)趨于平緩。

圖3 訓練過程圖

2.3 彩色圖像邊緣檢測

對于輸入的彩色圖片，要將其轉(zhuǎn)化為灰度圖，然后灰度圖尺寸調(diào)整成300*300，以便于后續(xù)圖像的分塊操作。分塊操作將圖像分割成為9*10000的矩陣，輸入訓練好的BP神經(jīng)網(wǎng)絡(luò)。在輸出端使用逆分割函數(shù)恢復(fù)出處理完成的圖像。處理過程如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測圖

圖5(a)是一幅待檢測的彩色花瓶圖像，圖像背景顏色是比較復(fù)雜的漸變色，花瓶的顏色與背景顏色較接近。首先采用傳統(tǒng)的邊緣檢測方法，再使用本文研究的BP人工神經(jīng)網(wǎng)絡(luò)來檢測圖像邊緣，邊緣提取效果下圖所示。可以看出，采用sobel和prewitt算法提取的邊緣類型有限，檢測出的邊緣容易發(fā)生斷裂。而采用BP人工神經(jīng)網(wǎng)絡(luò)提取的邊緣則較為完整。

圖5 原始圖與邊緣檢測圖像

3 GUI用戶界面設(shè)計

為了通過交互方式對圖像邊緣進行快速準確的提取，采用MATLAB設(shè)計了友好的圖形用戶界面。該界面具有良好的人機交互功能。圖7為本文設(shè)計的GUI運行效果圖。除了可以比較幾種不同邊緣檢測算法的實際效果外，在完成彩色圖像邊緣檢測后，還可以保存處理后的圖像。

圖7 運行效果圖

4 結(jié)論

本文研究BP人工神經(jīng)網(wǎng)絡(luò)檢測彩色圖像的邊緣。在樣本圖像的預(yù)處理階段采用了分塊思想，降低了網(wǎng)絡(luò)訓練的樣本集。在網(wǎng)絡(luò)的訓練過程中采用動量梯度下降算法提高了學習速度。最后設(shè)計了功能完善界面友好的用戶圖形界面(GUI)。基于BP神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測算法在圖像的弱邊緣檢測上有比較好的效果。

[1]岡薩雷斯.數(shù)字圖像處理（MATLAB版）[M].北京：電子工業(yè)出版社，2005,9.

[2]張習民,賈克斌,卓東風.BP神經(jīng)網(wǎng)絡(luò)在圖像邊緣檢測中的應(yīng)用.計算機工程與設(shè)計,2011.

[3]肖鋒.基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像邊緣檢測算法的研究[J]. 西安科技大學學報，2005，25（3）：372-375.

[4]張烈平,周德儉,牛秦洲.基于BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測建模系統(tǒng)的研究與實現(xiàn)[J].計算機仿真,2004, 21(9):48.

[5]曾希君,于博 基于改進BP神經(jīng)網(wǎng)絡(luò)圖像邊緣檢測的研究[J].微電子學與計算機,Vol.26 No.8 August 2009

[6]于萬波.基于MATLAB的圖像處理[M].清華大學出版社，2008.3