李作仁　王佳玉　安雨桐　祁欣

摘要：計(jì)算機(jī)視覺是一門研究如何使用機(jī)器來觀察、理解世界的科學(xué)，尤其在這信息技術(shù)快速發(fā)展的時(shí)代，用計(jì)算機(jī)視覺技術(shù)對圖像信息進(jìn)行處理、分析顯得尤為重要。圖像分割是圖像分析、理解和識(shí)別的基礎(chǔ)，分割效果直接決定了后續(xù)圖像分析和識(shí)別的性能。圖像識(shí)別是圖像處理領(lǐng)域的一部分，是在圖像分類基礎(chǔ)上進(jìn)一步對圖像分割、識(shí)別的研究。[1]目前，已產(chǎn)生了很多圖像分割算法，其中基于神經(jīng)網(wǎng)絡(luò)的圖像分割算法應(yīng)用最為廣泛。但由于傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)在處理圖像分割時(shí)存在迭代次數(shù)多、易陷入局部最優(yōu)等問題，嚴(yán)重影響了其發(fā)展及應(yīng)用。而極限學(xué)習(xí)機(jī)是一種新的機(jī)器學(xué)習(xí)算法，由于其可調(diào)參數(shù)少，學(xué)習(xí)速度快以及良好的泛化性能等優(yōu)點(diǎn)，正日漸受到眾多研究學(xué)者們的追捧。該文就以極限學(xué)習(xí)機(jī)的圖像分割算法為基礎(chǔ)，在確定了最優(yōu)參數(shù)的基礎(chǔ)上，建立了基于ELM的圖像分割算法，并且通過仿真實(shí)驗(yàn)對算法的正確性和有效性進(jìn)行了驗(yàn)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(diǎn)少，邊緣明顯，同時(shí)該算法大大地縮短了樣本的訓(xùn)練時(shí)間。

關(guān)鍵詞：圖像識(shí)別；圖像分割；機(jī)器學(xué)習(xí)；極限學(xué)習(xí)機(jī)；前饋神經(jīng)網(wǎng)絡(luò)；仿真測試

中圖分類號(hào)：TP75 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）03-0207-03

1概述

我們擬基于極限學(xué)習(xí)機(jī)來研究圖像分割技術(shù)。研究實(shí)驗(yàn) 基于極限學(xué)習(xí)機(jī)的圖像分割算法在確定了最優(yōu)參數(shù)的基礎(chǔ)上，建立了基于ELM的圖像分割算法，最后仿真實(shí)驗(yàn)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(lǐng)域中的關(guān)鍵環(huán)節(jié)，其目的是將圖像中具有特征的部分內(nèi)容更加準(zhǔn)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(shí)踐中也取得了一個(gè)成果。本文基于極限學(xué)習(xí)法所提出的圖像分割算法所具有的優(yōu)勢更加突出，不僅能夠極大的提升學(xué)習(xí)的速度，同時(shí)還具有更好的泛化性，相關(guān)參數(shù)也能夠及時(shí)確定，對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的錯(cuò)誤信息和冗余信息等進(jìn)行優(yōu)化和改進(jìn)，實(shí)驗(yàn)表明采用這種方法還能夠極大的縮減網(wǎng)絡(luò)訓(xùn)練的時(shí)間。

2 極限學(xué)習(xí)機(jī)

單隱藏層前饋神經(jīng)網(wǎng)絡(luò)（SLFN）在實(shí)際應(yīng)用中較為廣泛，所具有的優(yōu)勢也逐漸顯現(xiàn)出來，具體有如下兩點(diǎn)：、

（1）在學(xué)習(xí)能力方面表現(xiàn)突出，非常接近于更加復(fù)雜的非線性函數(shù)；

（2）能夠解決一些傳統(tǒng)參數(shù)方法不能有效解決的問題；

正是由于ELM具有結(jié)構(gòu)簡單、學(xué)習(xí)速度快、泛化能力強(qiáng)和良好的全局搜索能力等優(yōu)點(diǎn)，使得國內(nèi)外越來越多的學(xué)者專家們對極限學(xué)習(xí)機(jī)進(jìn)行研究，促使極限學(xué)習(xí)機(jī)在工業(yè)、電子等眾多領(lǐng)域得到應(yīng)用。[5]

極限學(xué)習(xí)機(jī)作為一種前饋神經(jīng)網(wǎng)絡(luò)的新型學(xué)習(xí)算法，它具有學(xué)習(xí)時(shí)間短、算法簡單易于實(shí)現(xiàn)和良好的泛化性能等優(yōu)點(diǎn)，現(xiàn)已經(jīng)被廣泛應(yīng)用于人工智能的函數(shù)擬合和分類等應(yīng)用領(lǐng)域。極限學(xué)習(xí)機(jī)算法如下所示：

假設(shè)存在N個(gè)學(xué)習(xí)樣本矩陣[（xi，yi）]，ELM所對應(yīng)的目標(biāo)函數(shù)為[fxi]，向量[xi=xi1，xi2，…，xinT∈Rn]，向量[yi=yi1，yi2，…，yimT∈Rm]，i在[1，N]區(qū)間內(nèi)，同時(shí)設(shè)定網(wǎng)絡(luò)的L個(gè)單隱含層節(jié)點(diǎn)和隱含層節(jié)點(diǎn)激勵(lì)函數(shù)[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(gè)樣本，其數(shù)學(xué)公式如下：

3 極限學(xué)習(xí)機(jī)在圖像分割中的應(yīng)用

本文主要在血細(xì)胞圖像分割中應(yīng)用極限學(xué)習(xí)機(jī)的具體情況進(jìn)行論述，并通過相關(guān)實(shí)驗(yàn)進(jìn)行驗(yàn)證。首先對血細(xì)胞進(jìn)行提取，然后進(jìn)行利用極限學(xué)習(xí)機(jī)ELM算法進(jìn)行圖像分割，對圖像預(yù)處理提取圖像特征。最后matlab7.0對處理結(jié)果進(jìn)行仿真分析。實(shí)驗(yàn)的計(jì)算機(jī)的為Genuine Intel（R） CPU T1500 @1.86GH，內(nèi)存3GB；計(jì)算機(jī)系統(tǒng)為Microsoft windows XP Professional版本2002 ServicePack3操作系統(tǒng)。

血細(xì)胞圖片是由醫(yī)院相關(guān)專業(yè)人員對血液進(jìn)行Wright染色后，制成血液涂片，再使用顯微鏡進(jìn)行100x 10倍放大處理后，通過彩色攝像機(jī)進(jìn)行拍照而得到的顯微細(xì)胞圖像。[7]由于細(xì)胞圖片來源不同醫(yī)學(xué)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(xì)胞顯微圖像含有各種條件下觀察到的不同質(zhì)量的細(xì)胞圖片，由這些細(xì)胞圖片進(jìn)行實(shí)驗(yàn)得到的結(jié)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(qū)分性比較強(qiáng)，目標(biāo)區(qū)域完整的圖像準(zhǔn)備對其進(jìn)行分割。

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

第三步，對圖像進(jìn)行特征提取，對圖像的顏色，紋理，形狀，空間關(guān)系等特征進(jìn)行提取。

第四步，利用ELM 進(jìn)行圖像分割，訓(xùn)練樣本集預(yù)測數(shù)據(jù)，直至把所有的預(yù)測數(shù)據(jù)預(yù)測完畢。保存并將分類后得到的結(jié)果還原成圖像矩陣，得到分割后的圖像。[8]

圖像預(yù)處理：

圖像的預(yù)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(shù)字圖像或者是數(shù)字序列中選擇一個(gè)點(diǎn)，并將這個(gè)店作為鄰域各點(diǎn)值的中值，從而使周邊像素值能夠與真實(shí)值更加接近，進(jìn)而除去其中存在的孤立的噪聲點(diǎn)，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?。?/p>

圖像特征提取是圖像識(shí)別過程中一項(xiàng)關(guān)鍵技術(shù)，如今比較常見的圖像特征由色彩、形狀、力矩、紋理等。人體細(xì)胞由于種類繁多，需要對圖像展開相應(yīng)的處理，然而這一處理的過程也是對細(xì)胞信息進(jìn)行識(shí)別和篩選的過程，能夠?qū)⑵渲写罅康募?xì)胞信息整理出來，尤其是異性細(xì)胞，具體包括異性細(xì)胞的輪廓面積、輪廓周長、輪廓焦點(diǎn)和相關(guān)的色彩信息等。需要找到一種數(shù)據(jù)分析方法，用以提取有效細(xì)胞特征。

基于ELM進(jìn)行圖像分割：

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

將輸出層權(quán)值篩選出來，添加進(jìn)訓(xùn)練樣本集，從而獲得新的訓(xùn)練樣本集，并據(jù)此對下組數(shù)據(jù)進(jìn)行預(yù)測，這一過程循環(huán)進(jìn)行直到所有預(yù)測數(shù)據(jù)全部完成，而后保存到相應(yīng)分類，將所獲得的結(jié)果代回到原來的圖像矩陣中，進(jìn)而獲得分割后的數(shù)字圖形。

4仿真實(shí)驗(yàn)及分析

（1）圖像對比結(jié)果

通過MATLAB實(shí)驗(yàn)來對其有效性與正確性實(shí)施驗(yàn)證，同時(shí)與三種算法進(jìn)行比對，即脈沖禍合神經(jīng)網(wǎng)絡(luò)算法、遺傳神經(jīng)網(wǎng)絡(luò)算法、BP神經(jīng)網(wǎng)絡(luò)算法的結(jié)果進(jìn)行比較，如圖2所示。在本實(shí)驗(yàn)中，激活函數(shù)為sig，通過線性相加的試驗(yàn)使隱形神經(jīng)元從10逐漸遞增，最后取60為最好。在上述實(shí)驗(yàn)中，算法運(yùn)行次數(shù)均為2000次，選取的結(jié)果為運(yùn)行2000次的平均值。在原圖的基礎(chǔ)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(qū)通過邊界復(fù)制的方法來進(jìn)行填充。

從主觀的角度展開分析，極限學(xué)習(xí)機(jī)圖像分割算法能夠更好的規(guī)避噪音所產(chǎn)生的影響，從而使圖像的效果更為清晰，孤立點(diǎn)更少，邊緣處理更好，能夠使目標(biāo)區(qū)域的顯示更加清晰完整。

在進(jìn)行對比的過程中，圖中紅色區(qū)域?yàn)橛?xùn)練樣本，其訓(xùn)練樣本點(diǎn)的個(gè)數(shù)共計(jì)5500個(gè)，并于其他三種算法進(jìn)行比較，其結(jié)果如表2所示。

如表2所示，樣本訓(xùn)練時(shí)間最長的為BP神經(jīng)網(wǎng)絡(luò)，本文提出的分割算法則極大地縮短了樣本訓(xùn)練的時(shí)間，并且在抗噪性與精度方面表現(xiàn)更加突出。實(shí)驗(yàn)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(jié)

對細(xì)胞圖像分割，通常的方法都需要人工參與，需要手動(dòng)選擇目標(biāo)區(qū)域范圍或手動(dòng)選擇種子像素。而本文實(shí)現(xiàn)的是自動(dòng)細(xì)胞圖像分割，本章則是介紹如何進(jìn)行自動(dòng)分割，即自動(dòng)分割的步驟流程。

本文闡述的自動(dòng)細(xì)胞分割流程有：

1）血細(xì)胞細(xì)胞核自動(dòng)提取。

2）對細(xì)胞核核區(qū)進(jìn)行膨脹。

3）根據(jù)膨脹得到的區(qū)域?qū)?xì)胞圖像進(jìn)行正負(fù)樣本標(biāo)記。

4）從標(biāo)記的正負(fù)樣本區(qū)域通過一定的樣本選擇策略選取正負(fù)樣本。

5）利用選取的正負(fù)樣本訓(xùn)練多個(gè)ELM分類子模型，利用bagging集成策略對分類子模型進(jìn)行集成，得到ELM總分類模型。

6）利用訓(xùn)練得到的ELM總分類模型對細(xì)胞圖像進(jìn)行分類，獲得需要的分害結(jié)果。

參考文獻(xiàn)：

[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.