自適應(yīng)控制下圖像分割及并行挖掘算法*

王春華，韓 棟

(黃淮學(xué)院 a. 動(dòng)畫學(xué)院，b. 信息工程學(xué)院，河南 駐馬店 463000)

圖像分割及特征挖掘[1-4]是圖像處理和模式識(shí)別的重要問題及難點(diǎn)，決定著圖像處理最終結(jié)果的精度和準(zhǔn)確度.相關(guān)研究人員已經(jīng)提出了OTSU最大類間方差分割法、基于聚類分析分割法和基于小波變換分割法等多種圖像分割算法.這些算法從不同側(cè)面對(duì)圖像進(jìn)行分割處理，雖然解決了一些問題，但是自身都有不能克服的缺陷.圖像的模糊性質(zhì)使模糊理論在圖像處理領(lǐng)域得到廣泛應(yīng)用，模糊閾值分割算法成為主流圖像分割算法之一.傳統(tǒng)的模糊閾值分割算法根據(jù)圖像直方圖得到分割閾值，其中隸屬度函數(shù)的窗口寬度計(jì)算是最關(guān)鍵的問題，利用隸屬度函數(shù)的約束條件可以得到與圖像直方圖最優(yōu)匹配的窗口寬度.但是圖像的直方圖規(guī)律變化豐富，傳統(tǒng)方法得到的隸屬度函數(shù)窗口寬度在圖像直方圖變化時(shí)不能進(jìn)行自動(dòng)調(diào)整，最終使圖像誤分概率變大.隨著圖像數(shù)據(jù)的增加，對(duì)分割結(jié)果進(jìn)行人工識(shí)別越來越難[5-7]，基于機(jī)器學(xué)習(xí)的自動(dòng)識(shí)別挖掘方法成為研究熱點(diǎn)，其中，基于BP神經(jīng)網(wǎng)絡(luò)的識(shí)別方法最具有代表性[8-9].但是傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)方法具有運(yùn)算速度慢、容易收斂于局部最小值等缺點(diǎn).本文提出了一種自適應(yīng)控制下圖像分割及并行挖掘算法，通過采用自適應(yīng)控制的模糊閾值圖像分割方法，實(shí)現(xiàn)隸屬度函數(shù)窗口寬度自適應(yīng)調(diào)整，結(jié)合圖像直方圖的變換，克服了圖像分割錯(cuò)誤率較大的缺點(diǎn).基于OpenMP并行處理模型開發(fā)目標(biāo)分割識(shí)別算法，利用BP神經(jīng)網(wǎng)絡(luò)算法[10]對(duì)分割后的圖像進(jìn)行訓(xùn)練和目標(biāo)識(shí)別，同時(shí)采用共軛梯度法消除BP神經(jīng)網(wǎng)絡(luò)收斂于局部極小值的缺陷.

1 自適應(yīng)控制下模糊閾值分割

自適應(yīng)控制下模糊閾值分割方法從模糊模型出發(fā)，通過圖像隸屬度函數(shù)實(shí)現(xiàn)圖像直方圖到模糊域之間的轉(zhuǎn)換，將圖像轉(zhuǎn)換成模糊陣列，然后計(jì)算圖像模糊率并求極值來最終實(shí)現(xiàn)圖像分割.隸屬度函數(shù)窗口寬度能夠自適應(yīng)選擇，較好地克服了傳統(tǒng)模糊閾值分割中存在的單峰或雙峰不明顯情況下誤分概率較高的缺點(diǎn).該方法采用直方圖變換的思想，將雙峰條件不明顯的直方圖進(jìn)行變換實(shí)現(xiàn)雙峰的銳化，進(jìn)而確定波峰區(qū)域及波峰之間的距離，然后計(jì)算隸屬度函數(shù)窗口寬度大小來實(shí)現(xiàn)分割閾值的自適應(yīng)選擇.算法包括直方圖預(yù)處理、波谷檢測(cè)、波峰確定、自適應(yīng)計(jì)算隸屬度函數(shù)窗口寬度和計(jì)算分割閾值等步驟.圖1為自適應(yīng)控制模糊閾值分割流程圖.

圖1 自適應(yīng)控制模糊閾值分割流程圖Fig.1 Flow chart of adaptive control fuzzy threshold segmentation

直方圖預(yù)處理包括圖像直方圖平滑和變換兩部分.直方圖平滑用于消除直方圖中的孤立點(diǎn)和毛刺等影響.直方圖變換判斷直方圖的形狀，對(duì)呈現(xiàn)單峰狀態(tài)的直方圖采取反變換，將直方圖中的波峰和波谷相互轉(zhuǎn)換來實(shí)現(xiàn)雙峰特征.波谷檢測(cè)利用梯度檢測(cè)的方法確定預(yù)處理后直方圖的波谷位置，其可能的波谷位置灰度值i滿足

(1)

式中，N(i)為灰度值為i的像素的個(gè)數(shù).將滿足式(1)的所有灰度值組成集合{KN}，如果集合中元素KN+1與KN之間的差滿足提前設(shè)定的寬度值η，則將KN+1作為初始閾值點(diǎn)，否則將其刪除.重復(fù)上述過程得到波谷檢測(cè)結(jié)果.通過波谷檢測(cè)的結(jié)果確定直方圖中各波峰所在的區(qū)域.由于直方圖的波峰在形態(tài)上由波谷點(diǎn)、上升段、峰值點(diǎn)、下降段和波谷點(diǎn)幾部分組成，則直方圖的峰值點(diǎn)處于上升段和下降段之間.對(duì)圖像直方圖采用微分和直線掃描相結(jié)合的方法，利用直方圖的一階微分結(jié)合坐標(biāo)軸上的逐點(diǎn)掃描確定波峰Fj.相鄰波峰之間的距離為

Dj=Fj+1-Fj

(2)

如果直方圖的灰度范圍為d，自適應(yīng)選擇隸屬度函數(shù)的窗口寬度c為

c=λDj

(3)

(4)

設(shè)圖像的尺寸為W×H，共有L個(gè)灰度等級(jí){0，1，…，L-1}，像素點(diǎn)(w，h)的灰度值為μ(w，h)，其隸屬度函數(shù)為

(5)

灰度值為i的像素的個(gè)數(shù)為N(i)，則圖像的模糊率為

(6)

利用得到的波峰位置將直方圖分成多個(gè)部分，使每個(gè)部分的模糊率最小的k值即為分割閾值，其表達(dá)式為

kthre=argminv

(7)

2 基于BP神經(jīng)網(wǎng)絡(luò)的并行特征提取

當(dāng)圖像比較復(fù)雜時(shí)，利用傳統(tǒng)處理方法進(jìn)行特征提取時(shí)會(huì)消耗大量時(shí)間，本文采用基于OpenMP模型的圖像多特征并行提取算法來提取圖像的特征信息，并通過BP神經(jīng)網(wǎng)絡(luò)對(duì)圖像特征進(jìn)行訓(xùn)練，達(dá)到識(shí)別圖像目標(biāo)的目的.OpenMP是一種具有高度可移植性的并行處理編程模型，利用計(jì)算機(jī)的多核技術(shù)來實(shí)現(xiàn)并行處理，提高圖像處理速率.OpenMP并行模型采用Fork-Join并行執(zhí)行模型，程序執(zhí)行中維持一個(gè)主線程.主線程執(zhí)行到并行域時(shí)開始并行執(zhí)行，執(zhí)行流程如圖2所示.主線程在整個(gè)運(yùn)行過程中會(huì)創(chuàng)建多個(gè)并行線程來保證并行域中的代碼在不同的線程中同時(shí)執(zhí)行，此時(shí)程序相當(dāng)于特定情況下的共享存儲(chǔ)模型.通過OpenMP并行模型來對(duì)圖像的幾何不變矩、邊緣、直線和紋理等特征進(jìn)行同時(shí)提取，然后將提取的特征輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.

圖2 OpenMP并行模型原理圖Fig.2 Principle of OpenMP parallel model

BP神經(jīng)網(wǎng)絡(luò)相對(duì)于普通神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、容錯(cuò)率大和非線性映射等優(yōu)點(diǎn).BP神經(jīng)網(wǎng)絡(luò)只用三層神經(jīng)網(wǎng)絡(luò)就可以以足夠的精度逼近需要的非線性連續(xù)函數(shù)，通過對(duì)樣本進(jìn)行訓(xùn)練實(shí)現(xiàn)較好的自主學(xué)習(xí)和自適應(yīng)能力.即使在部分單元受損的情況下也能夠正常工作.BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程包括以下步驟：

1) 網(wǎng)絡(luò)初始化.假設(shè)網(wǎng)絡(luò)的輸入層個(gè)數(shù)為n，隱含層個(gè)數(shù)為p，輸出層個(gè)數(shù)為q，系統(tǒng)設(shè)定誤差為e，系統(tǒng)最大學(xué)習(xí)次數(shù)為M，樣本個(gè)數(shù)為k，激活函數(shù)選擇S函數(shù)，其定義為

(8)

定義輸入向量為n維向量x，隱含層輸入向量和輸出向量分別為hi和ho，輸出層輸入向量和輸出向量分別為yi和yo，期望輸出向量為do，初始輸入層和隱含層連接權(quán)值為wih，初始隱含層和輸出層連接權(quán)值為who，隱含層和輸出層的閾值分別為bh和bo，則誤差函數(shù)定義為

(9)

2) 輸入樣本訓(xùn)練.選擇第k個(gè)輸入樣本x(k)和對(duì)應(yīng)的期望輸出do(k)計(jì)算隱含層和輸出層的輸入、輸出及誤差.輸出層輸入為

(10)

輸出層輸出為

yo(k)=f(yi(k))

(11)

隱含層輸入為

(12)

隱含層輸出為

ho(k)=f(hi(k))

(13)

3) 根據(jù)期望輸出和實(shí)際輸出計(jì)算誤差函數(shù)，修正連接權(quán)值who和wih.計(jì)算神經(jīng)網(wǎng)絡(luò)的全局誤差，即

(14)

式中，m為樣本數(shù)量.

判斷神經(jīng)網(wǎng)絡(luò)的誤差是否滿足要求，如果滿足則結(jié)束學(xué)習(xí)，否則繼續(xù)選擇樣本回到步驟2)繼續(xù)執(zhí)行.為了解決BP神經(jīng)網(wǎng)絡(luò)收斂于局部最小值的問題，采用共軛梯度法對(duì)權(quán)值進(jìn)行調(diào)整，避免了收斂于局部最小值的情況.

基于BP神經(jīng)網(wǎng)絡(luò)的特征提取分為訓(xùn)練和識(shí)別兩階段.訓(xùn)練階段通過對(duì)訓(xùn)練樣本集進(jìn)行并行特征提取并輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行分類器訓(xùn)練.識(shí)別階段將分割后潛在區(qū)域的特征輸入分類器，并根據(jù)分類結(jié)果在原圖像上對(duì)目標(biāo)進(jìn)行標(biāo)記，實(shí)現(xiàn)目標(biāo)識(shí)別的目的.兩個(gè)階段的具體步驟為：

1) 訓(xùn)練階段.通過特征的并行提取得到訓(xùn)練集的幾何不變矩、紋理、邊緣和顏色等底層特征集合，然后對(duì)這些底層特征采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立分類器.①隨機(jī)產(chǎn)生各初始連接權(quán)值和閾值；②訓(xùn)練樣本，計(jì)算隱含層和輸出層各單元輸出，把每次輸出結(jié)果與預(yù)期結(jié)果比較并計(jì)算誤差；③通過反向傳播修正權(quán)值和閾值，利用共軛梯度法尋找最佳搜索方向上最優(yōu)步長(zhǎng)并改變搜索方向；④選取下一輸入并返回步驟2)反復(fù)訓(xùn)練，直到輸出誤差達(dá)到結(jié)束訓(xùn)練的要求.

2) 識(shí)別階段.①輸入待處理圖像并預(yù)處理，對(duì)待處理圖像進(jìn)行自適應(yīng)分割，劃分出目標(biāo)的潛在區(qū)域；②對(duì)分割出的潛在區(qū)域提取其幾何不變矩、顏色、紋理和邊緣等特征；③將各潛在區(qū)域的特征輸入到訓(xùn)練好的分類器進(jìn)行運(yùn)算，將符合目標(biāo)特征的目標(biāo)在原圖像中進(jìn)行標(biāo)記，實(shí)現(xiàn)對(duì)目標(biāo)的識(shí)別.

3 實(shí)驗(yàn)及結(jié)果分析

本文利用Matlab進(jìn)行編程，選取具有不同類型直方圖的機(jī)場(chǎng)遙感圖像對(duì)所提算法進(jìn)行分割測(cè)試，并與四種傳統(tǒng)算法比較執(zhí)行結(jié)果.選擇的SAR圖像如圖3所示.

圖3 SAR圖像Fig.3 SAR image

3.1 圖像分割實(shí)驗(yàn)

傳統(tǒng)方法通過模糊率曲線極值點(diǎn)數(shù)量與圖像己知像素類別的個(gè)數(shù)進(jìn)行對(duì)比計(jì)算窗口寬度，當(dāng)圖像直方圖呈單峰分布或雙峰不明顯時(shí)，分割效果較差.本文算法中圖像分割閾值是通過圖像模糊率曲線中極小值確定.根據(jù)不同直方圖類型選擇性地進(jìn)行直方圖變換，將沒有明顯雙峰分布的圖像變換使其峰值更明顯.通過新直方圖的波谷確定波峰區(qū)域，從而確定兩臨近波峰間的距離，最后計(jì)算得到不同圖像的隸屬函數(shù)窗口寬度大小并確定分割閾值.在圖3的測(cè)試圖像中，直方圖呈多峰分布，利用本文算法計(jì)算出相應(yīng)的最佳分割閾值分別為105和187，自適應(yīng)窗口寬度分別為51和32，最終分割結(jié)果如圖4所示.由圖4可知，雖然結(jié)果中包含兩塊虛警區(qū)域，本文算法較好地分辨出了遙感圖像中的目標(biāo)區(qū)域.

圖4 分割處理結(jié)果Fig.4 Results of segmentation treatment

為了直觀衡量本文算法的性能，采用基于偏移場(chǎng)的模糊C均值(法1)、灰度波動(dòng)變換自適應(yīng)閾值(法2)、自適應(yīng)最小誤差閾值(法3)與本文方法(法4)進(jìn)行對(duì)比，分別對(duì)具有單峰、明顯雙峰和不明顯雙峰的直方圖圖像進(jìn)行分割，各自的分割準(zhǔn)確度如圖5所示.分割準(zhǔn)確度為分割準(zhǔn)確的像素?cái)?shù)除以目標(biāo)區(qū)域總的像素?cái)?shù).

圖5 分割準(zhǔn)確度Fig.5 Segmentation accuracy

圖像編號(hào)1～3為直方圖單峰的圖像，4～6為直方圖明顯雙峰的圖像，7～9為直方圖不明顯雙峰的圖像.由實(shí)驗(yàn)結(jié)果可知，采用各種方法進(jìn)行圖像分割時(shí)，分割結(jié)果中直方圖明顯雙峰的圖像分割準(zhǔn)確度優(yōu)于直方圖不明顯雙峰的圖像分割準(zhǔn)確度，直方圖不明顯雙峰的圖像分割準(zhǔn)確度優(yōu)于直方圖單峰的圖像分割準(zhǔn)確度.除了在圖像編號(hào)6中法2的分割準(zhǔn)確度優(yōu)于法4的分割準(zhǔn)確度外，在其他圖像中法4的分割準(zhǔn)確度均優(yōu)于法1～法3的圖像分割準(zhǔn)確度.該結(jié)果表明本文圖像分割算法具有最優(yōu)的分割效果.

3.2 圖像識(shí)別實(shí)驗(yàn)

選擇機(jī)場(chǎng)和橋梁兩種圖像作為識(shí)別實(shí)驗(yàn)的對(duì)象.利用圖像分割算法得到潛在目標(biāo)區(qū)域后，采用基于BP神經(jīng)網(wǎng)絡(luò)的并行特征提取方法訓(xùn)練分類識(shí)別器并利用測(cè)試樣本進(jìn)行測(cè)試.機(jī)場(chǎng)和橋梁目標(biāo)特征包括邊緣特征、直線特征、紋理特征、幾何不變矩和顏色特征.兩種目標(biāo)各個(gè)特征的識(shí)別準(zhǔn)確率、誤分率和漏檢率如表1所示.

由表1可知，對(duì)機(jī)場(chǎng)和橋梁目標(biāo)進(jìn)行識(shí)別時(shí)，直線特征的正確識(shí)別率最高，這是由于機(jī)場(chǎng)和橋梁存在明顯的直線結(jié)構(gòu)，并且直線與周圍的景物區(qū)別明顯，因此，邊緣特征的正確識(shí)別率也較高.由于機(jī)場(chǎng)和橋梁目標(biāo)主要采用混凝土和鋼材等材料構(gòu)建，其與周圍景物的顏色也存在明顯差異，因此顏色特征的正確識(shí)別率也較高.而紋理特征和幾何不變矩的正確識(shí)別率較低，由于幾何不變矩在圖像旋轉(zhuǎn)和平移等情況下的不變特征，可以與其他特征結(jié)合提高對(duì)目標(biāo)的綜合識(shí)別率.對(duì)指定區(qū)域的幾何不變矩和紋理特征的提取結(jié)果如表2、3所示.其中M1矩、M2矩和M3矩分別為圖像的一階、二階和三階Hu中心不變矩.

表1 不同特征識(shí)別結(jié)果Tab.1 Recognition results of different features %

表2 幾何不變矩提取結(jié)果Tab.2 Extraction results of geometric invariant moment

表3 紋理特征提取結(jié)果Tab.3 Extraction results of texture features

由表1～3可知，在潛在區(qū)域幾何不變矩具有較好的不變性.機(jī)場(chǎng)和橋梁的紋理特征比其他區(qū)域變化更為緩慢，清晰度更高.

為了衡量本文算法對(duì)目標(biāo)的識(shí)別能力，采用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法作為對(duì)比算法.分別對(duì)訓(xùn)練集的邊緣特征、直線特征、紋理特征、幾何不變矩和顏色特征采用兩種算法進(jìn)行分類訓(xùn)練，然后利用測(cè)試集測(cè)試最終的識(shí)別效果.采用多組數(shù)據(jù)進(jìn)行多次實(shí)驗(yàn)，每次實(shí)驗(yàn)的綜合識(shí)別率和運(yùn)行時(shí)間如圖6、7所示.

圖6 不同目標(biāo)識(shí)別準(zhǔn)確度Fig.6 Recognition accuracy of different targets

圖7 不同目標(biāo)運(yùn)行時(shí)間Fig.7 Running time of different targets

由圖6、7可知，將機(jī)場(chǎng)和橋梁目標(biāo)圖像的邊緣特征、直線特征、紋理特征、幾何不變矩和顏色特征輸入傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和本文BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到分類器時(shí)，本文分類器對(duì)兩種目標(biāo)的正確識(shí)別率明顯高于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法的識(shí)別率，平均識(shí)別率提高了8個(gè)百分點(diǎn).通過采用OpenMP并行處理機(jī)制，本文算法的運(yùn)算速率也明顯高于傳統(tǒng)方法的運(yùn)算速率，運(yùn)算時(shí)間平均減少了2.5 s.因此，本文算法無論從識(shí)別準(zhǔn)確率還是運(yùn)行速率上都有較大優(yōu)勢(shì).

4 結(jié) 論

本文提出了一種自適應(yīng)控制下圖像分割及并行挖掘算法.利用自適應(yīng)控制下模糊閾值分割法對(duì)目標(biāo)圖像進(jìn)行分割，選取感興趣的潛在區(qū)域.然后利用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)分割后的圖像進(jìn)行訓(xùn)練和目標(biāo)識(shí)別，同時(shí)采用共軛梯度法消除BP神經(jīng)網(wǎng)絡(luò)收斂于局部極小值的缺陷.識(shí)別算法基于OpenMP并行處理模型開發(fā)，有效地減少了運(yùn)行時(shí)間，提高了執(zhí)行效率.實(shí)驗(yàn)結(jié)果表明，算法相對(duì)于基于偏移場(chǎng)的模糊C均值、灰度波動(dòng)變換自適應(yīng)閾值和自適應(yīng)最小誤差閾值具有更高的分割準(zhǔn)確率，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法的識(shí)別結(jié)果相比，平均識(shí)別率提高了8個(gè)百分點(diǎn)，運(yùn)行時(shí)間減少了2.5 s.