極限學習機在圖像分割中的應用

李作仁　王佳玉　安雨桐　祁欣

摘要：計算機視覺是一門研究如何使用機器來觀察、理解世界的科學，尤其在這信息技術快速發展的時代，用計算機視覺技術對圖像信息進行處理、分析顯得尤為重要。圖像分割是圖像分析、理解和識別的基礎，分割效果直接決定了后續圖像分析和識別的性能。圖像識別是圖像處理領域的一部分，是在圖像分類基礎上進一步對圖像分割、識別的研究。[1]目前，已產生了很多圖像分割算法，其中基于神經網絡的圖像分割算法應用最為廣泛。但由于傳統前饋神經網絡在處理圖像分割時存在迭代次數多、易陷入局部最優等問題，嚴重影響了其發展及應用。而極限學習機是一種新的機器學習算法，由于其可調參數少，學習速度快以及良好的泛化性能等優點，正日漸受到眾多研究學者們的追捧。該文就以極限學習機的圖像分割算法為基礎，在確定了最優參數的基礎上，建立了基于ELM的圖像分割算法，并且通過仿真實驗對算法的正確性和有效性進行了驗證，指出這種算法能夠更加快速地完成對圖像的分割，并且圖像分割孤立點少，邊緣明顯，同時該算法大大地縮短了樣本的訓練時間。

關鍵詞：圖像識別；圖像分割；機器學習；極限學習機；前饋神經網絡；仿真測試

中圖分類號：TP75 文獻標識碼：A 文章編號：1009-3044（2016）03-0207-03

1概述

我們擬基于極限學習機來研究圖像分割技術。研究實驗 基于極限學習機的圖像分割算法在確定了最優參數的基礎上，建立了基于ELM的圖像分割算法，最后仿真實驗證明本文提出的算法能快速有效的分割圖像。

圖像分割是圖像處理與圖像分析領域中的關鍵環節，其目的是將圖像中具有特征的部分內容更加準確的提取出來，以便展開更加深入的分析，使得對圖像的理解和描述能夠更加全面，在實踐中也取得了一個成果。本文基于極限學習法所提出的圖像分割算法所具有的優勢更加突出，不僅能夠極大的提升學習的速度，同時還具有更好的泛化性，相關參數也能夠及時確定，對傳統神經網絡中的錯誤信息和冗余信息等進行優化和改進，實驗表明采用這種方法還能夠極大的縮減網絡訓練的時間。

2 極限學習機

單隱藏層前饋神經網絡（SLFN）在實際應用中較為廣泛，所具有的優勢也逐漸顯現出來，具體有如下兩點：、

（1）在學習能力方面表現突出，非常接近于更加復雜的非線性函數；

（2）能夠解決一些傳統參數方法不能有效解決的問題；

正是由于ELM具有結構簡單、學習速度快、泛化能力強和良好的全局搜索能力等優點，使得國內外越來越多的學者專家們對極限學習機進行研究，促使極限學習機在工業、電子等眾多領域得到應用。[5]

極限學習機作為一種前饋神經網絡的新型學習算法，它具有學習時間短、算法簡單易于實現和良好的泛化性能等優點，現已經被廣泛應用于人工智能的函數擬合和分類等應用領域。極限學習機算法如下所示：

假設存在N個學習樣本矩陣[（xi，yi）]，ELM所對應的目標函數為[fxi]，向量[xi=xi1，xi2，…，xinT∈Rn]，向量[yi=yi1，yi2，…，yimT∈Rm]，i在[1，N]區間內，同時設定網絡的L個單隱含層節點和隱含層節點激勵函數[g（xi）]是已給定的，那么有[βi，wi，bi]，從而令SLFNs可以無限趨近于0誤差的情況下更傾向于這N個樣本，其數學公式如下：

3 極限學習機在圖像分割中的應用

本文主要在血細胞圖像分割中應用極限學習機的具體情況進行論述，并通過相關實驗進行驗證。首先對血細胞進行提取，然后進行利用極限學習機ELM算法進行圖像分割，對圖像預處理提取圖像特征。最后matlab7.0對處理結果進行仿真分析。實驗的計算機的為Genuine Intel（R） CPU T1500 @1.86GH，內存3GB；計算機系統為Microsoft windows XP Professional版本2002 ServicePack3操作系統。

血細胞圖片是由醫院相關專業人員對血液進行Wright染色后，制成血液涂片，再使用顯微鏡進行100x 10倍放大處理后，通過彩色攝像機進行拍照而得到的顯微細胞圖像。[7]由于細胞圖片來源不同醫學圖庫，是由不同的人在不同的染色條件下通過不同的顯微鏡觀察獲取的，所以圖像庫里的血細胞顯微圖像含有各種條件下觀察到的不同質量的細胞圖片，由這些細胞圖片進行實驗得到的結果非常具有代表性。

分割流程：

第一步，獲取待分割圖像，選擇一些特征相似，圖像清晰，待分割部分邊界明顯，可區分性比較強，目標區域完整的圖像準備對其進行分割。

第二步，圖像預處理，采用中值濾波法，直方圖均衡化等方法對圖像進行去噪，增強圖像對比度等功能。

第三步，對圖像進行特征提取，對圖像的顏色，紋理，形狀，空間關系等特征進行提取。

第四步，利用ELM 進行圖像分割，訓練樣本集預測數據，直至把所有的預測數據預測完畢。保存并將分類后得到的結果還原成圖像矩陣，得到分割后的圖像。[8]

圖像預處理：

圖像的預處理方面去噪采用的方法是中值濾波法，中值濾波在原理上是將數字圖像或者是數字序列中選擇一個點，并將這個店作為鄰域各點值的中值，從而使周邊像素值能夠與真實值更加接近，進而除去其中存在的孤立的噪聲點，因而中值濾波這種方法在過濾圖像方面所形成的效果非常顯著。

圖像特征提取：

圖像特征提取是圖像識別過程中一項關鍵技術，如今比較常見的圖像特征由色彩、形狀、力矩、紋理等。人體細胞由于種類繁多，需要對圖像展開相應的處理，然而這一處理的過程也是對細胞信息進行識別和篩選的過程，能夠將其中大量的細胞信息整理出來，尤其是異性細胞，具體包括異性細胞的輪廓面積、輪廓周長、輪廓焦點和相關的色彩信息等。需要找到一種數據分析方法，用以提取有效細胞特征。

基于ELM進行圖像分割：

獲取圖像特征后進行對樣本的處理，首先要明確銀行層神經的數量，隨后對輸入層和隱含層之間的連接權值ω以及隱含層神經元的偏置b進行確認，然后確定隱含層神經元的激活函數，這一激活函數是無限可微的函數，然后通過列出隱含層輸出矩陣H進行相關技術，從而獲得模型泛化性能權值β。[10]

將輸出層權值篩選出來，添加進訓練樣本集，從而獲得新的訓練樣本集，并據此對下組數據進行預測，這一過程循環進行直到所有預測數據全部完成，而后保存到相應分類，將所獲得的結果代回到原來的圖像矩陣中，進而獲得分割后的數字圖形。

4仿真實驗及分析

（1）圖像對比結果

通過MATLAB實驗來對其有效性與正確性實施驗證，同時與三種算法進行比對，即脈沖禍合神經網絡算法、遺傳神經網絡算法、BP神經網絡算法的結果進行比較，如圖2所示。在本實驗中，激活函數為sig，通過線性相加的試驗使隱形神經元從10逐漸遞增，最后取60為最好。在上述實驗中，算法運行次數均為2000次，選取的結果為運行2000次的平均值。在原圖的基礎上融入高斯白噪聲，并將其分為6×6的鄰域窗口，對于圖像邊緣地區通過邊界復制的方法來進行填充。

從主觀的角度展開分析，極限學習機圖像分割算法能夠更好的規避噪音所產生的影響，從而使圖像的效果更為清晰，孤立點更少，邊緣處理更好，能夠使目標區域的顯示更加清晰完整。

在進行對比的過程中，圖中紅色區域為訓練樣本，其訓練樣本點的個數共計5500個，并于其他三種算法進行比較，其結果如表2所示。

如表2所示，樣本訓練時間最長的為BP神經網絡，本文提出的分割算法則極大地縮短了樣本訓練的時間，并且在抗噪性與精度方面表現更加突出。實驗表明，本文所研究的算法能夠更好地完成圖像分割，從而使圖像顯示的更加清晰，對將來圖像分割的方法也是一種積極的探索。

5 總結

對細胞圖像分割，通常的方法都需要人工參與，需要手動選擇目標區域范圍或手動選擇種子像素。而本文實現的是自動細胞圖像分割，本章則是介紹如何進行自動分割，即自動分割的步驟流程。

本文闡述的自動細胞分割流程有：

1）血細胞細胞核自動提取。

2）對細胞核核區進行膨脹。

3）根據膨脹得到的區域對細胞圖像進行正負樣本標記。

4）從標記的正負樣本區域通過一定的樣本選擇策略選取正負樣本。

5）利用選取的正負樣本訓練多個ELM分類子模型，利用bagging集成策略對分類子模型進行集成，得到ELM總分類模型。

6）利用訓練得到的ELM總分類模型對細胞圖像進行分類，獲得需要的分害結果。

參考文獻：

[1] Vapnik V，Chervonenkis A. The Necessary and Sufficient Conditions for Consistency in the Empirical Risk Minimization Method [J]. Pattern Recognition and Image Analysis， 1991，1（3）：283-305.

[2] Saurabh Agrawal， Nishchal K Verma， Prateek Tamrakar， et al. Content Based Color Image Classification using SVM[C].2011 Eighth International Conference on Information Technology： New Generations， 2011，202：1090-1094.

[3] Chapelle O， Haffner P， Vapnik V N. Support vector machines classification [J].IEEE Transactions on Neural Networks， for histogram-based image 1999，10 CS）：1055-1064.

[4] Gale S，Vestheim S，Gravdahl J T， et al. RBF network pruning techniques for adaptive learning controllers[C]. 2013 9th Workshop on IEEE， 2013：246-251.

[5] Zhao Z， Chen Z， Chen Y， et al. A Class Incremental Extreme Learning Machine for Activity Recognition[J]. Cognitive Computation， 2014：1-9.

[6] Bueno-Crespo A， Garcia-Laencina P J， Sancho-Gomez J L. Neural architecture design based on extreme learning machine [J]. Neural Networks， 2013，48：1924 Sunday H， Silver D， Gagvani N， et al. Skeleton based shape matching and retrieval[C].Shape Modeling International， 2003，IEEE， 2003：130-139.

[7] Patterson A， Akinwande A I. Elementary framework for cold field emission： Incorporation of quantum-confinement effects[J]. Journal of Applied Physics， 2013，114（23）：23-4303.

[8] Wang J， Li X， Lu L， et al. Parameter sensitivity analysis of crop growth models based on the extended Fourier Amplitude Sensitivity Test method [J]. Environmental Modelling & Software， 2013，48：171-182.

[9] Huang G B， Zhou H， Ding X， etal. Extreme learning machine for regression and multiclass classification[J].IEEE Transactions on Systems， Man， and Cybernetics-Part B： Cybernetics， 2012， 42（2）：523-529.

[10] A. Sathya， S.Senthil， Anudevi Samuel. Segmentation of Breast MRI Using Effective Fuzzy C-Means Method Based On Support Vector Machine[C].2012 World Congress on Information and Communication Technologies， 2012 （2）：67-72.