基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的漢字紋理特征提取

姚娜 呂海芳 陳杰

(塔里木大學(xué)信息工程學(xué)院，新疆 阿拉爾 843300)

對(duì)于圖像紋理特征的提取研究主要是基于模型類、統(tǒng)計(jì)類、信號(hào)處理類三大類的方法，各種方法的有效性相差無(wú)幾，查準(zhǔn)率和查全率的乘積的最大值在0.1～0.3 之間波動(dòng)，但是在計(jì)算復(fù)雜度、反映圖像信息的全面性、像素之間的依賴性和多分辨特性等角度各有各的優(yōu)勢(shì)與不足，其中多種方法都有計(jì)算量大，計(jì)算復(fù)雜度高的缺點(diǎn)［1］。1999年，Johnson在Eckhorn 貓視覺神經(jīng)元模型的基礎(chǔ)上提出了脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network，PCNN)［2－4］。PCNN 在圖像處理［5］方面得到了廣泛的應(yīng)用，包括圖像融合、去噪、分割、邊緣提取等，近期也用在了圖像特征提取方面［6－7］，論文提出將脈沖耦合神經(jīng)網(wǎng)絡(luò)的方法用于漢字圖像的紋理特征的提取中。中華文化中的漢字復(fù)原對(duì)于文化遺產(chǎn)的保護(hù)和傳承有著極其重要的作用，對(duì)于漢字的特征提取重要的是形狀提取和紋理提取，形狀特征的提取相對(duì)簡(jiǎn)單，紋理特征的提取相對(duì)復(fù)雜，但紋理特征的提取是漢字圖像的特征中一個(gè)很重要的特征，所以紋理特征提取是建立圖像數(shù)據(jù)特征庫(kù)并且進(jìn)行復(fù)原的一個(gè)重要前提。論文提出將脈沖耦合神經(jīng)網(wǎng)絡(luò)的方法結(jié)合梯度向量對(duì)漢字圖像進(jìn)行紋理特征提取，計(jì)算復(fù)雜度低，且具有旋轉(zhuǎn)不變性和尺度不變性的優(yōu)點(diǎn)。

2 PCNN 模型和梯度向量

2.1 PCNN 模型

脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)是由多個(gè)神經(jīng)元相互連接形成的反饋型網(wǎng)絡(luò)，是對(duì)Eckhorn 提出的貓視覺皮層模型的一種擴(kuò)展，其結(jié)構(gòu)組成如圖1所示［8］。

圖1 單個(gè)神經(jīng)元簡(jiǎn)化模型的內(nèi)部結(jié)構(gòu)

其中，構(gòu)成PCNN的每一個(gè)神經(jīng)元主要由接收部分、調(diào)制部分和脈沖產(chǎn)生三部分組成。接收部分由兩部分來(lái)組成，其中一部分用于接收外部信號(hào)的饋入輸入(Feeding Inputs)，其運(yùn)算關(guān)系為:

另一部分則用來(lái)接收來(lái)自其它神經(jīng)元的連接輸入(Linking Inputs)，其運(yùn)算關(guān)系為:

在公式(1)(2)中，和是連接權(quán)系數(shù)矩陣，表示卷積運(yùn)算，為神經(jīng)元是否點(diǎn)火的信息，和為時(shí)間衰減常量，和為連接和饋入常量，為神經(jīng)元接受的外部激勵(lì)。在調(diào)制部分，饋入輸入和連接輸入經(jīng)過(guò)調(diào)制后產(chǎn)生神經(jīng)元的內(nèi)部活動(dòng)，其運(yùn)算關(guān)系為:

公式(3)中為連接調(diào)制常量。神經(jīng)元的脈沖產(chǎn)生是根據(jù)內(nèi)部活動(dòng)的一個(gè)階躍函數(shù)而產(chǎn)生二值輸出，并根據(jù)神經(jīng)元是否點(diǎn)火的狀態(tài)自動(dòng)調(diào)整閾值的大小。在時(shí)間，如果內(nèi)部活動(dòng)比閾值函數(shù)大，脈沖輸出的值為1，稱神經(jīng)元點(diǎn)火;否則取值為0，稱神經(jīng)元未點(diǎn)火。如果神經(jīng)元點(diǎn)火，則閾值根據(jù)下面兩式進(jìn)行自動(dòng)調(diào)整:

其中，為時(shí)間衰減常量，為閾值常量，式(5)為階躍函數(shù)。

2.2 梯度向量

Lee 和Cok 對(duì)圖像梯度向量的研究從二維空間擴(kuò)展到了多維的空間［9］。如果用函數(shù)來(lái)表示一幅二維空間的圖像，那么該圖像的梯度向量為一階導(dǎo)數(shù)。在三維空間的彩色圖像中，假設(shè)彩色圖像的函數(shù)為，則該彩色圖像的梯度向量為:

該方法在文獻(xiàn)［9］中有更詳細(xì)的闡述，論文中待處理的源圖像為RGB 模式的彩色圖像，先將其轉(zhuǎn)換成L*a*b 空間模式的圖像，再用此方法進(jìn)行求解梯度圖像如圖3 所示，圖2 為待處理的源圖像，圖4 為RGB 圖像直接運(yùn)用文獻(xiàn)［9］求出的梯度圖像，由仿真結(jié)果可以看出將RGB 模式的圖像轉(zhuǎn)換成L*a*b 空間模式后對(duì)于噪聲的敏感度降低，更適合人類的視覺，更有利于紋理特征的提取。

圖2 待處理的源圖像

圖3 L*a*b 空間模式下的梯度圖像

圖4 RGB 模式下梯度圖像

3 簡(jiǎn)化PCNN 模型的改進(jìn)及漢字紋理特征的提取

3.1 簡(jiǎn)化PCNN 模型的改進(jìn)

PCNN的基本模型在實(shí)際應(yīng)用中過(guò)于復(fù)雜，Gu Xiao dong 等提出了改進(jìn)的簡(jiǎn)化PCNN 模型［8］，公式表達(dá)如下:

通過(guò)公式可以看出改進(jìn)模型的特點(diǎn):

3.1.1 L 通道的各個(gè)脈沖輸入線路上的突觸聯(lián)結(jié)權(quán)變成1。

3.1.2 把外部神經(jīng)元的空間累積效果歸一化。

3.1.3 將閾值調(diào)節(jié)器的非線性指數(shù)變化方式變?yōu)榫€性方式。

該模型舍去了通用模型的空間累加特性，保留了其它特性，為圖像處理帶來(lái)了好處。

3.2 漢字紋理特征的提取

論文在此改進(jìn)簡(jiǎn)化模型的基礎(chǔ)上結(jié)合梯度向量對(duì)圖像進(jìn)行特征提取:先將RGB 模式的漢字彩色圖像轉(zhuǎn)換成L*a*b 空間模式的圖像，然后對(duì)圖像求梯度得出梯度圖像，對(duì)該梯度圖像進(jìn)行PCNN 迭代點(diǎn)火，每次迭代后的圖像進(jìn)行概率統(tǒng)計(jì)，最后得出一個(gè)向量作為提取的紋理特征。具體的改進(jìn)后的紋理特征提取算法如下:

3.2.1 將RGB 模式轉(zhuǎn)換為L(zhǎng)*a*b 空間模式，漢字圖像灰度化，求梯度圖像;

3.2.2 將梯度圖像歸一化到0 和1 之間;L=U=0，θ=1，F(xiàn)=0;同時(shí)，令每個(gè)神經(jīng)元Y=0;令N=20 β=0.2 Δ=0.05;

3.2.3 L=Step(Y ?K);

3.2.4 Y=Step(U－ θ)，D=Y，U=F*(1+βL);

3.2.5 如果Y=D，到(6);否則，L=Step(Y ?K)，返回(4);

3.2.6 如果Y(i，j)=1，B=(i，j)=1，(i=1，…，H;j=1，…W)其中Y(i，j)，B(i，j)，分別為矩陣Y，B的元素;

3.2.7 θ=θ－ Δ，隨著調(diào)整次數(shù)N的增加降低閾值;

3.2.8 如果Y(i，j)=1，θ(i，j)=100.(i=1，…，H;j=1，…W)，其中θ(i，j)為矩陣θ的元素。當(dāng)某神經(jīng)元點(diǎn)火后，迅速增加其閾值到一個(gè)足夠大的固定值，使之不再點(diǎn)火;

3.2.9 B=Y，計(jì)算矩陣中值為1的概率P;

3.2.10 N=N－1。如果N ≠0，返回(2);否則，結(jié)束［P1P2……P20］。為20 次迭代后的概率統(tǒng)計(jì)向量。

其中，B 為點(diǎn)火結(jié)果矩陣，N 為循環(huán)次數(shù)，L 是連接矩陣，K 為運(yùn)算核矩陣。論文采用8 鄰域聯(lián)接，核矩陣為:

圖5 源圖像的處理結(jié)果

圖6 源圖像大小的0.7 倍處理結(jié)果

圖7 源圖像旋轉(zhuǎn)180°處理結(jié)果

Δ 為閾值調(diào)節(jié)矩陣，與循環(huán)次數(shù)相對(duì)應(yīng)，Δ=1/N=0.05。D 為保存中間結(jié)果的臨時(shí)矩陣;為圖像的高度;為圖像的寬度;各個(gè)矩陣的維數(shù)都一致，均為H ×W。概率統(tǒng)計(jì)向量［P1P2……P20］即為提取的紋理特征。

4 仿真結(jié)果及分析

論文所做仿真實(shí)驗(yàn)都是在CPU 為酷睿i5，CPU頻率為2.5GHz的硬件條件下測(cè)得的仿真結(jié)果及數(shù)據(jù)。論文所做的部分紋理特征提取仿真結(jié)果如圖5(d)圖6(d)和圖7(d)，源圖像為RGB 模式的圖像如圖2，來(lái)自于微軟Office Word 中宋體文字的截圖，圖5(c)圖6(c)和圖7(c)的分割結(jié)果為20 次迭代中任意一次的分割結(jié)果。圖5(d)為迭代次數(shù)為20，全部迭代次數(shù)的點(diǎn)火像素的概率統(tǒng)計(jì)直方圖，圖6(d)為迭代次數(shù)為20，圖像大小變?yōu)樵磮D像大小的0.7 倍后，全部迭代次數(shù)的點(diǎn)火像素的概率統(tǒng)計(jì)直方圖，圖7(d)為迭代次數(shù)為20，源圖像旋轉(zhuǎn)180°后，全部迭代次數(shù)的點(diǎn)火像素的概率統(tǒng)計(jì)直方圖。通過(guò)理論分析及仿真結(jié)果得出總的分析如下:

4.1 不同的漢字圖像有不同的灰度分布信息，該方法統(tǒng)計(jì)像素為1的概率，實(shí)際上是統(tǒng)計(jì)了漢字圖像的灰度分布信息，即不同的漢字圖像有不同的概率統(tǒng)計(jì)直方圖，所以概率統(tǒng)計(jì)向量可以表示紋理特征的特點(diǎn);

4.2 圖5(d)、圖6(d)和圖7(d)中概率為0的次數(shù)都為15，概率在［0－0.015］之間的次數(shù)都為5次。雖然經(jīng)過(guò)變換大小和旋轉(zhuǎn)角度，有5 次在進(jìn)行PCNN 點(diǎn)火時(shí)，每次點(diǎn)火的概率不完全相同，但是在某個(gè)范圍內(nèi)有共同的特點(diǎn)，所以在一定的范圍內(nèi)表示出該方法具有旋轉(zhuǎn)不變性和尺度不變性的優(yōu)點(diǎn)，只要設(shè)置適當(dāng)?shù)钠ヅ鋽?shù)據(jù)范圍就可以將提取的紋理特征數(shù)據(jù)與數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行匹配，然后進(jìn)一步完成漢字的復(fù)原;

4.3 PCNN 具有并行高速傳播的特點(diǎn)，所以該方法運(yùn)行的速度高于普通的數(shù)學(xué)統(tǒng)計(jì)算速度，并且該方法的數(shù)學(xué)計(jì)算量較少，具有計(jì)算復(fù)雜度低的優(yōu)點(diǎn)。

本論文將20 幅漢字圖像進(jìn)行紋理提取的仿真實(shí)驗(yàn)和匹配仿真實(shí)驗(yàn)，與常用的gabor 變換算法、灰度共生矩陣和局部二值模式(LBP)方法進(jìn)行運(yùn)行時(shí)間和匹配正確率的比較，如表1 所示。通過(guò)表中數(shù)據(jù)可以看出本文方法在綜合考慮運(yùn)行時(shí)間和匹配正確率的角度與其他三種方法相比具有優(yōu)越性。

表1 運(yùn)行時(shí)間及匹配正確率的比較

5 結(jié)論

論文提出了一種用改進(jìn)的簡(jiǎn)化PCNN 模型結(jié)合梯度向量對(duì)漢字圖像進(jìn)行紋理特征提取的方法。首先將RGB 模式的漢字圖像轉(zhuǎn)換成L*a*b 空間模式的圖像，然后再對(duì)其求梯度向量得到梯度圖像，這樣能夠降低該方法對(duì)于噪聲的敏感度，最后統(tǒng)計(jì)每次迭代點(diǎn)火后像素為1的概率統(tǒng)計(jì)直方圖作為紋理特征。由理論分析及仿真結(jié)果分析可以表明該方法的有效性及優(yōu)越性。如果旋轉(zhuǎn)在180°以內(nèi)，大小改變?cè)? 倍以內(nèi)，該方法的紋理特征具有旋轉(zhuǎn)不變性和尺度不變性，該方法對(duì)漢字圖像的紋理特征提取提供了新的理論依據(jù)，更具體的特征規(guī)律還有待于進(jìn)一步的研究。

［1］劉麗，匡綱要.圖像紋理提取方法綜述［J］.中國(guó)圖象圖形學(xué)報(bào)，2009，14(4):622－635.

［2］Johnson J L，Padgett M L.PCNN Models and Applications［J］.IEEE Transactions on Neural Networks，1999，10(3):480－496.

［3］Kuntimad G，Rangnath H S.Perfect Image Segmentation Using Pulse Coupled Neural Networks［J］.IEEE Trans on Neural Network s，1999，10(3):591－598.

［4］Eckhorn R，Reitboeck H J，Arndtetal M.Feature linking viasynch ronization among dist ributed assemblies:Simulation of results from acortex［J］.Neural Computation，1990，2(3):293－307.

［5］Lindblad T，Kinser J M.Image Processing Using Pulse－Coupled Neural Networks ［M］.New York:Springer，2005.

［6］Yang Cheg，Gu Xiaodong.Combining PCNN with color distribution entropy and vector gradient in feature extraction［C］.2012 8th International Conference on Natural Computation(ICNC 2012)，2012:207－211.

［7］李雙科，吳記群，孫傳慶.一種基于PCNN的指紋特征提取算法［J］.自動(dòng)化與儀器儀表，2011，(5):134－137.

［8］Gu Xiaodong，Guo Shide，Yu Daoheng.A New Approach for Automated Image Segmentation Based on Unit－linking PCNN［C］.International Conference on Machine Learning and Cybernetics，2002，1(1):175－178.

［9］Hsien－Che Lee，David R.Cok.Detecting Boundaries in a Vector Field［J］.IEEE Transactions on Signal Processing，1991，39(5):1181－1194.