馬雪景，王文煥，劉國(guó)巍

(安徽理工大學(xué) 電氣與信息工程學(xué)院，安徽 淮南 232001)

0 引 言

近年來(lái)，圖像處理技術(shù)隨著相關(guān)領(lǐng)域網(wǎng)絡(luò)性、數(shù)據(jù)性的改進(jìn)而變得越來(lái)越重要[1]。有效的檢測(cè)結(jié)果能夠保障圖像的后期處理與分析的質(zhì)量[2-3],而含噪圖像邊緣檢測(cè)技術(shù)是圖像處理程序中的重要環(huán)節(jié)。

文獻(xiàn)[4]采用雙邊濾波代替高斯濾波過(guò)程，并增加2個(gè)方向上的圖像梯度幅值，從而保留圖像真實(shí)邊緣，然后對(duì)圖像做Curvelet變換，實(shí)現(xiàn)邊緣信息檢測(cè)；文獻(xiàn)[5]設(shè)定了一個(gè)表示平坦區(qū)域的模板圖像，并建立同時(shí)考慮圖像梯度和圖像窗口方差信息的隸屬度函數(shù)，在此基礎(chǔ)上，通過(guò)計(jì)算模糊直覺(jué)散度檢測(cè)邊緣信息。然而，上述2種算法下的含噪圖像邊緣表現(xiàn)度較差。文獻(xiàn)[6]在改進(jìn)全卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，通過(guò)添加輔助輸出層的方式初步提取圖像多像素邊緣，然后利用分水嶺算法細(xì)化并提取邊緣信息；文獻(xiàn)[7]將二進(jìn)小波變換與形態(tài)學(xué)算子相融合，對(duì)含噪圖像邊緣進(jìn)行初步檢測(cè)，然后設(shè)計(jì)多結(jié)構(gòu)抗噪形態(tài)學(xué)算子抑制噪聲，再利用Laplace算子得到邊緣檢測(cè)結(jié)果。然而上述2種算法的檢測(cè)耗時(shí)較長(zhǎng)、效率偏低。

人工神經(jīng)網(wǎng)絡(luò)可從信息處理的角度抽象模擬人腦神經(jīng)元網(wǎng)絡(luò)，具有較強(qiáng)的信息類(lèi)別劃分和識(shí)別能力，其在認(rèn)識(shí)科學(xué)、神經(jīng)生理學(xué)、信息科學(xué)等領(lǐng)域取得重大突破，將人類(lèi)文明推進(jìn)到一個(gè)嶄新的高度。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)技術(shù)不斷深入發(fā)展，在模式識(shí)別、智能控制、生物、醫(yī)學(xué)、經(jīng)濟(jì)預(yù)測(cè)等領(lǐng)域已成功解決了許多現(xiàn)代計(jì)算機(jī)難以解決的實(shí)際問(wèn)題，表現(xiàn)出了良好的智能特性。為此，針對(duì)傳統(tǒng)算法的不足，該研究應(yīng)用人工神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一種新的含噪圖像邊緣檢測(cè)算法。

1 算法設(shè)計(jì)

1.1 圖像邊緣噪聲分析

若想實(shí)現(xiàn)對(duì)含噪圖像的邊緣檢測(cè)，需要將大量的數(shù)據(jù)作為基礎(chǔ)，該研究在進(jìn)行運(yùn)算設(shè)計(jì)之前對(duì)含噪圖像的邊緣數(shù)據(jù)實(shí)施降噪處理，從根本上保障檢測(cè)結(jié)果的有效性。應(yīng)用建模技術(shù)將圖像邊緣數(shù)據(jù)規(guī)劃為一套多維數(shù)據(jù)結(jié)構(gòu)，再通過(guò)隨機(jī)過(guò)程處理與人工神經(jīng)網(wǎng)絡(luò)中的反饋機(jī)制，將含噪圖像劃分為函數(shù)區(qū)域與非函數(shù)區(qū)域。通常來(lái)說(shuō)，含噪圖像中噪聲數(shù)據(jù)的類(lèi)型因其所處區(qū)域的不同而具有不同的表現(xiàn)形式，一般可以歸納為圖像邊緣的高斯噪聲、瑞利噪聲、指數(shù)分布噪聲、伽馬噪聲和脈沖噪聲等。

為了能夠更加直觀地表示不同形式的噪聲對(duì)圖像邊緣的影響程度，本研究將相關(guān)噪聲數(shù)據(jù)提取至原始圖像邊緣中，進(jìn)行一定程度的噪聲處理，再應(yīng)用Matlab軟件進(jìn)行模型仿真處理，得到的不同類(lèi)型含噪圖像邊緣檢測(cè)處理結(jié)果如圖1所示。

(a)圖像1 (b)高斯噪聲圖

(c)瑞利噪聲圖 (d)伽馬噪聲圖圖 1 不同類(lèi)型含噪圖像邊緣對(duì)比Fig.1 Edge comparison of different types of noisy images

圖1中，在圖像包含的各種噪聲信息中，高斯噪聲的占比更多，伽馬噪聲信息很少。因此，本研究主要針對(duì)高斯噪聲和瑞利噪聲加以詳細(xì)描述。

圖像邊緣數(shù)據(jù)中形成的高斯噪聲原因主要有數(shù)據(jù)傳感器的不靈敏、噪聲密度大等。高斯噪聲的函數(shù)可表示為

(1)

式中：x為含噪邊緣圖像的灰度值；E為圖像邊緣噪聲對(duì)灰度值的期望值；ρ為圖像功率譜密度。

圖像的生成過(guò)程中，邊緣位置會(huì)收集環(huán)境中的其余信息，若環(huán)境信息較為復(fù)雜，則其易轉(zhuǎn)化為瑞利噪聲。瑞利噪聲的函數(shù)可表示為

(2)

式中：a為含噪圖像數(shù)據(jù)環(huán)境中存在的大概率復(fù)雜因數(shù)；b為含噪圖像數(shù)據(jù)與圖像邊緣原始數(shù)據(jù)的相關(guān)性。

1.2 提取并去除圖像邊緣噪聲信息

在上述分析圖像邊緣噪聲類(lèi)型的基礎(chǔ)上，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對(duì)含噪圖像邊緣信息中的噪聲信息進(jìn)行提取和去除，這一過(guò)程需要應(yīng)用相關(guān)濾波技術(shù)。將得到的反饋對(duì)象作為人工神經(jīng)網(wǎng)絡(luò)的反饋輸入數(shù)據(jù)[8-9]，濾波后的信息可表示為

(3)

式中：M、N分別為含噪圖像邊緣數(shù)據(jù)中不同類(lèi)型的平均噪聲。MN能夠?qū)D像中的噪聲數(shù)據(jù)產(chǎn)生一定程度的防御作用，在不損失原始圖像清晰度的同時(shí)，完成對(duì)圖像邊緣數(shù)據(jù)的細(xì)節(jié)處理與提取。

人工神經(jīng)網(wǎng)絡(luò)中的數(shù)據(jù)連接狀態(tài)一直處于連續(xù)不斷模式，導(dǎo)致閾值劃分明顯，容易使其他噪聲因素對(duì)圖像邊緣進(jìn)行重新細(xì)節(jié)塑造，進(jìn)而降低原始圖像的噪聲系數(shù)[10]。而應(yīng)用濾波技術(shù)對(duì)含噪圖像中的相關(guān)噪聲進(jìn)行過(guò)濾分類(lèi)后，會(huì)產(chǎn)生2部分的噪聲系數(shù)，分別在圖像邊緣數(shù)據(jù)庫(kù)中以不同頻率的形式存在。在應(yīng)用人工神經(jīng)網(wǎng)絡(luò)反饋噪聲數(shù)據(jù)后，設(shè)定含噪圖像邊緣數(shù)據(jù)的自適應(yīng)閾值，并對(duì)目前的邊緣數(shù)據(jù)初始化。此外，基于人工神經(jīng)網(wǎng)絡(luò)的噪聲信息提取過(guò)程還應(yīng)用了圖像邊緣環(huán)境中的最大噪聲值、不同噪聲點(diǎn)之間的梯度型號(hào)來(lái)判斷噪聲的狀態(tài)，再利用不同狀態(tài)的特征對(duì)其展開(kāi)提取。

結(jié)合上述分析過(guò)程，設(shè)計(jì)人工神經(jīng)網(wǎng)絡(luò)中的動(dòng)態(tài)噪聲信息檢測(cè)流程，應(yīng)用動(dòng)態(tài)檢測(cè)器識(shí)別含噪圖像邊緣的初次噪聲類(lèi)型，得到動(dòng)態(tài)檢測(cè)器對(duì)圖像中非噪聲最大值的反饋結(jié)果與梯度跨度檢測(cè)，再結(jié)合圖像邊緣噪聲中具有二進(jìn)制資格的噪聲數(shù)據(jù)，判斷圖像邊緣的數(shù)據(jù)點(diǎn)，從而實(shí)現(xiàn)噪聲集合類(lèi)型匹配[11-12]。若匹配過(guò)程中發(fā)現(xiàn)二進(jìn)制參數(shù)成功復(fù)制與噪聲變異，需要在圖像邊緣數(shù)據(jù)庫(kù)中進(jìn)行檢索，然后通過(guò)人工神經(jīng)網(wǎng)絡(luò)對(duì)變異噪聲進(jìn)行反饋與識(shí)別，從而獲取全部的噪聲數(shù)據(jù)。在此基礎(chǔ)上，經(jīng)過(guò)噪聲顯示和濾除過(guò)程實(shí)現(xiàn)對(duì)圖像邊緣噪聲信息的去除處理。

1.3 含噪圖像邊緣檢測(cè)

含噪圖像邊緣檢測(cè)可以應(yīng)用原始圖像作為背景檢測(cè)主體，這種具有本質(zhì)噪聲的圖像邊緣容易與噪聲像素模塊發(fā)生灰度變異，然后根據(jù)不同的噪聲系數(shù)特點(diǎn)對(duì)含噪圖像邊緣信息進(jìn)行劃分。位于第一階段的噪聲導(dǎo)數(shù)極值能夠在圖像邊緣中體現(xiàn)出噪聲數(shù)據(jù)的驟增與驟減，方便對(duì)邊緣信息進(jìn)行識(shí)別與檢測(cè)。部分含噪圖像邊緣由于噪聲灰度值與噪聲參數(shù)之間存在界線性的導(dǎo)數(shù)值，所以，當(dāng)一階導(dǎo)數(shù)中的系數(shù)通過(guò)界線導(dǎo)數(shù)時(shí)，能夠較為明顯地體現(xiàn)出邊緣類(lèi)型[13-15]。當(dāng)含噪圖像邊緣中的灰度值突變后，容易對(duì)圖像邊緣的檢測(cè)算法產(chǎn)生干擾，故文中在進(jìn)行算法設(shè)計(jì)的過(guò)程中添加含噪圖像邊緣的數(shù)據(jù)集合。

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的含噪圖像邊緣檢測(cè)過(guò)程可以通過(guò)編碼檢測(cè)器進(jìn)行含噪圖像的處理與訓(xùn)練。在含噪圖像的編碼過(guò)程中，應(yīng)用檢測(cè)程序中的噪聲特征作為圖像邊緣檢測(cè)的最大梯度值與最大抗體，將圖像邊緣檢測(cè)器作為噪聲特征的神經(jīng)元，少數(shù)抗體作為人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)反饋[16-17]。同時(shí)，本研究在人工神經(jīng)網(wǎng)絡(luò)中設(shè)計(jì)抗體模型與神經(jīng)元模型?？贵w模型能夠預(yù)防外來(lái)噪聲對(duì)圖像邊緣數(shù)據(jù)造成復(fù)雜影響，神經(jīng)元能夠?qū)D像邊緣周?chē)脑肼晹?shù)據(jù)進(jìn)行單一性采集與識(shí)別，建立一套具有免疫控制功能的人工神經(jīng)元網(wǎng)絡(luò)反饋控制算法。

結(jié)合上述分析可知，對(duì)圖像邊緣進(jìn)行檢測(cè)，首先，需要應(yīng)用聚類(lèi)算法對(duì)圖像邊緣檢測(cè)點(diǎn)進(jìn)行細(xì)化處理，得到圖像邊緣與非邊緣的信息集合，然后，應(yīng)用檢測(cè)器對(duì)人工神經(jīng)網(wǎng)絡(luò)空間中的神經(jīng)元進(jìn)行相同數(shù)量的檢測(cè)器訓(xùn)練。訓(xùn)練檢測(cè)器首要目的是為了檢測(cè)出圖形邊緣信息類(lèi)型并有效顯示，通過(guò)顯示處理后的邊緣信息能夠在圖像邊緣后期處理過(guò)程中進(jìn)行認(rèn)定，從而確定圖像邊緣的具體內(nèi)容與存在空間位置等信息。應(yīng)注意的是，在人工神經(jīng)網(wǎng)絡(luò)算法的處理過(guò)程中，需要對(duì)圖像邊緣數(shù)據(jù)進(jìn)行分層聚類(lèi)處理，更詳細(xì)地提出噪聲數(shù)據(jù)的應(yīng)用方式[18-20]。該研究主要應(yīng)用神經(jīng)網(wǎng)絡(luò)的模式，在對(duì)含噪圖像邊緣信息中的噪聲進(jìn)行濾除的基礎(chǔ)上，通過(guò)閾值劃分的方式對(duì)圖像邊緣數(shù)據(jù)庫(kù)中的神經(jīng)元信息進(jìn)行基礎(chǔ)性檢測(cè)，利用神經(jīng)元與神經(jīng)元之間的反饋聯(lián)系，實(shí)現(xiàn)含噪圖像邊緣信息檢測(cè)。

2 實(shí)驗(yàn)研究

為驗(yàn)證上述應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的含噪圖像邊緣檢測(cè)算法的實(shí)際應(yīng)用性能，在Matlab平臺(tái)上設(shè)計(jì)如下仿真實(shí)驗(yàn)。為避免實(shí)驗(yàn)結(jié)果的單一性，將文獻(xiàn)[5]的基于直覺(jué)模糊散度的噪聲圖像邊緣檢測(cè)算法(文獻(xiàn)[5]算法)、文獻(xiàn)[7]的基于二進(jìn)小波與改進(jìn)形態(tài)學(xué)融合的邊緣檢測(cè)算法(文獻(xiàn)[7]算法)作為對(duì)比，與本文算法共同完成性能驗(yàn)證。

為進(jìn)一步驗(yàn)證本文算法的有效性，首先采用初步濾除噪聲的圖像展開(kāi)實(shí)驗(yàn)，對(duì)比不同算法下的含噪圖像邊緣表現(xiàn)度，實(shí)驗(yàn)結(jié)果如圖2所示。

(a)圖像2 (b)文獻(xiàn)[5]算法

(c)文獻(xiàn)[7]算法 (d)本文算法圖 2 不同算法下經(jīng)初步處理圖像的邊緣表現(xiàn)圖Fig.2 Edge representation of preliminary processed images with different algorithms

從圖2可知，經(jīng)初步處理后的圖像還存在一定程度的噪聲，利用不同算法檢測(cè)該圖像的邊緣信息后發(fā)現(xiàn)，本文算法檢測(cè)得到的圖像邊緣信息較為完整，相對(duì)于傳統(tǒng)算法來(lái)說(shuō)其梯度值較小，說(shuō)明本文算法能夠?qū)雸D像邊緣數(shù)據(jù)庫(kù)中的雜亂數(shù)據(jù)進(jìn)行統(tǒng)一化處理，從而提高了含噪圖像邊緣表現(xiàn)度。這是因?yàn)楸疚乃惴ú捎萌斯ど窠?jīng)網(wǎng)絡(luò)技術(shù)設(shè)定神經(jīng)元，使其具有邊緣識(shí)別能力，對(duì)圖像中的邊緣細(xì)節(jié)進(jìn)行識(shí)別，從而使得邊緣檢測(cè)結(jié)果更加精細(xì)，提高了含噪圖像邊緣表現(xiàn)度。

在此基礎(chǔ)上，利用不同算法對(duì)未經(jīng)過(guò)處理的含噪圖像的邊緣信息展開(kāi)檢測(cè)，實(shí)驗(yàn)結(jié)果如圖3所示。

(a)圖像3 (b)文獻(xiàn)[5]算法

(c)文獻(xiàn)[7]算法 (d)本文算法圖 3 不同算法下未經(jīng)處理含噪圖像的邊緣表現(xiàn)圖Fig.3 Edge representation of unprocessed noisy image with different algorithms

從圖3可知，利用不同算法檢測(cè)未經(jīng)處理含噪圖像的邊緣信息后發(fā)現(xiàn)，文獻(xiàn)[5]算法具有較好的抗噪聲干擾能力，能夠有效將噪聲檢測(cè)并排除，但是這種算法需要犧牲更多的圖像邊緣精準(zhǔn)數(shù)據(jù)作為算法基礎(chǔ)，在運(yùn)算的過(guò)程中不考慮算法基礎(chǔ)的應(yīng)用；文獻(xiàn)[7]算法可以對(duì)含噪圖像進(jìn)行精準(zhǔn)定位，選擇性保留噪聲并盡量保證原始圖像的完整性，導(dǎo)致這種算法下的圖像邊緣數(shù)據(jù)庫(kù)中存在著大量的原始噪聲數(shù)據(jù)；而本文算法能夠應(yīng)用人工神經(jīng)網(wǎng)絡(luò)中的抗體實(shí)現(xiàn)噪聲排除，再應(yīng)用相應(yīng)的神經(jīng)元與反饋線進(jìn)行信息反饋，使算法檢測(cè)結(jié)果不受原始噪聲數(shù)據(jù)的干擾，從而達(dá)到更好的含噪圖像邊緣表現(xiàn)度。

為進(jìn)一步驗(yàn)證本文算法的有效性，以邊緣檢測(cè)數(shù)量和檢測(cè)耗時(shí)為指標(biāo)設(shè)計(jì)實(shí)驗(yàn)。具體實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同算法的邊緣檢測(cè)對(duì)比Tab.1 Comparison of edge detection of different algorithms

從表1可知，文獻(xiàn)[5]算法、文獻(xiàn)[7]算法、本文算法的邊緣點(diǎn)平均檢測(cè)數(shù)量分別為513.7個(gè)、530.0個(gè)、719.3個(gè)。文獻(xiàn)[5]算法、文獻(xiàn)[7]算法、本文算法的平均檢測(cè)耗時(shí)分別為65.3 s、54.9 s、33.6 s。本文算法在邊緣檢測(cè)數(shù)量最多的情況下，平均檢測(cè)耗時(shí)明顯少于2種對(duì)比算法。由此可見(jiàn)，本文設(shè)計(jì)的基于人工神經(jīng)網(wǎng)絡(luò)的含噪圖像邊緣檢測(cè)算法，在剔除圖像噪聲的基礎(chǔ)上對(duì)圖像邊緣信息展開(kāi)檢測(cè)，具有更高的檢測(cè)效率。

3 結(jié) 語(yǔ)

人工神經(jīng)網(wǎng)絡(luò)基本原理來(lái)源于神經(jīng)網(wǎng)絡(luò)在生物中的反應(yīng)機(jī)制，將其應(yīng)用于含噪圖像邊緣檢測(cè)過(guò)程中能夠使含噪圖像邊緣數(shù)據(jù)更具有規(guī)?；屯暾?，相比傳統(tǒng)的算法能夠更加精準(zhǔn)地檢測(cè)出圖像邊緣噪聲的復(fù)雜程度以及邊緣信息，使人工神經(jīng)網(wǎng)絡(luò)從不同的神經(jīng)元數(shù)據(jù)庫(kù)中完成信息類(lèi)型檢索。在接下來(lái)的研究中，將以提高算法對(duì)定向信息的檢測(cè)、提取能力為目標(biāo)，對(duì)本文算法展開(kāi)進(jìn)一步優(yōu)化。