一種基于qpso算法的圖像邊緣檢測方法
【專利摘要】本發(fā)明涉及一種基于量子行為粒子群優(yōu)化(QPSO)算法的圖像邊緣檢測方法，該方法將四個自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)子檢測器和一個后處理塊組成一個圖像邊緣檢測器。在使用該方法對圖像進行邊緣檢測前，首先人工構(gòu)造一個訓(xùn)練圖像，使用QPSO和線性最小二乘法(LSE)對四個子檢測器單獨進行訓(xùn)練，確定系統(tǒng)中的參數(shù)；當四個子檢測器都訓(xùn)練完畢，就可以和一個后處理塊一起構(gòu)成一個圖像邊緣檢測器，對測試圖像進行邊緣檢測。本發(fā)明的圖像邊緣檢測方法特色之處在于，即使測試圖像被噪聲污染，該方法也能有效地提取圖像中的邊緣信息而無需進行圖像濾波預(yù)處理過程。
【專利說明】-種基于QPSO算法的圖像邊緣檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于量子行為粒子群優(yōu)化（QPSO)算法的圖像邊緣檢測方法，屬 于圖像處理【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002] 邊緣檢測是許多圖像處理操作如圖像分割、對象識別、圖像配準、圖像分類等的基 礎(chǔ)，其檢測質(zhì)量在很大程度上決定了這些后續(xù)操作的效果。
[0003] 邊緣檢測算法通過檢測包含不同區(qū)域的邊緣來解決圖像分割問題。邊緣由邊緣像 素構(gòu)成，而邊緣像素是圖像中灰度突變的那些像素。邊緣檢測算法一般利用圖像一階導(dǎo)數(shù) 的極大值或二階導(dǎo)數(shù)的過零點信息來提供判斷邊緣點的基本依據(jù)。Robert算子、Prewitt 算子和Sobel算子都是基于梯度的算子，它們使用不同的模板來求圖像中各像素點處一階 偏導(dǎo)數(shù)的近似值。這些基于梯度的邊緣檢測算法易于實現(xiàn)，但它們不僅對邊緣信息敏感， 對噪聲同樣也很敏感。J. Canny采用高斯函數(shù)的一階導(dǎo)數(shù)，并提出邊緣檢測算子應(yīng)滿足以 下3個判斷準則：信噪比準則、定位精度準則以及單邊緣響應(yīng)準則，由此推導(dǎo)出邊緣檢測算 子-Canny算子。而計算機視覺的創(chuàng)始人D. Marr提出采用Laplacian算子求高斯函數(shù)的二 階導(dǎo)數(shù)得到L0G(Laplacian of Gaussian)濾波算子。這些經(jīng)典的算法能在一定程度上有 效地提取出圖像中的邊緣，但在算法中需確定一些參數(shù)的值，而這些參數(shù)的最優(yōu)值的確定， 是一個比較困難的問題。
[0004] 數(shù)字圖像在其獲取、傳輸過程中因種種原因可能導(dǎo)致在正常的圖像數(shù)據(jù)中混入噪 聲信號。在噪聲圖像中，細節(jié)或邊緣與噪聲之間的區(qū)別并不明顯。這種信息的不確定性和 不完整性給數(shù)字圖像處理帶來了困難，而模糊理論正好能適應(yīng)這些不確定性。人工神經(jīng)網(wǎng) 絡(luò)方法能夠根據(jù)學(xué)習(xí)樣本找出輸入與輸出數(shù)據(jù)之間的內(nèi)在聯(lián)系，特別適合圖像處理中許多 非線性問題。近年來，神經(jīng)模糊理論綜合了模糊理論模擬圖像處理過程中的不確定性的能 力和人工神經(jīng)網(wǎng)絡(luò)強大的學(xué)習(xí)能力，逐漸應(yīng)用在圖像處理過程中。


【發(fā)明內(nèi)容】

[0005] 要解決的技術(shù)問題
[0006] 本發(fā)明所要解決的問題是，提出一種基于QPSO算法的圖像邊緣檢測方法，即使測 試圖像被噪聲污染，在無需進行濾波預(yù)處理過程情況下，也能進行邊緣檢測的方法。
[0007] 技術(shù)方案
[0008] 本發(fā)明的技術(shù)特征在于，包括以下步驟：
[0009] 步驟一：將四個自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS)子檢測器和一個后處理塊組成 一個圖像邊緣檢測器，在使用該檢測器對圖像進行邊緣檢測前，人工構(gòu)造一個訓(xùn)練圖像，使 用QPSO和線性最小二乘法（LSE)對四個子檢測器單獨進行訓(xùn)練，確定系統(tǒng)中的參數(shù)； [0010] 步驟二：當四個子檢測器都訓(xùn)練完畢，就可以和一個后處理塊一起構(gòu)成一個圖像 邊緣檢測器，對測試圖像進行邊緣檢測。
[0011] 所述步驟一進一步包括以下步驟：
[0012] 步驟A :每個ANFIS子檢測器都有四個輸入，一個輸出，人工構(gòu)造一個原始圖像，在 該圖像上添加30%的椒鹽脈沖噪聲得到噪聲圖像，作為每個子檢測器的輸入的訓(xùn)練圖像， 由原始圖像可得到邊緣標志圖像，作為每個子檢測器的期望輸出的訓(xùn)練圖像，由輸入的訓(xùn) 練圖像和期望輸出的訓(xùn)練圖像得到所有組訓(xùn)練數(shù)據(jù)；
[0013] 步驟B :設(shè)迭代次數(shù)η = 0。初始化粒子群，包括粒子的個數(shù)，搜索空間，隨機初始 化每個粒子初始位置；
[0014] 步驟C :在第一次迭代時，每個粒子的初始位置即為個體最好位置。每個粒子的位 置為ANFIS系統(tǒng)中的前提參數(shù)，采用LSE算法得到該粒子所對應(yīng)的結(jié)論參數(shù)。計算所有輸 入組數(shù)據(jù)的ANFIS系統(tǒng)的實際輸出，根據(jù)實際輸出和期望輸出得到該粒子所對應(yīng)的目標函 數(shù)值，所有粒子的目標函數(shù)值相比較就能找到一個具有最小目標函數(shù)值的粒子，該粒子的 位置即為全局最好位置，同時保存該粒子（前提參數(shù)）所對應(yīng)的結(jié)論參數(shù)矩陣；
[0015] 步驟D :由所有粒子的個體最好位置計算個體的平均最好位置，對每個粒子的位 置進行更新，采用LSE算法得到相應(yīng)的結(jié)論參數(shù)，計算每個粒子的目標函數(shù)值，并更新個體 最好位置。最后，比較所有粒子的個體最好位置，得到全局最好位置，同時保存具有全局最 好位置粒子所對應(yīng)的結(jié)論參數(shù)矩陣；
[0016] 步驟E :當達到迭代結(jié)束條件時，訓(xùn)練結(jié)束，全局最好位置即為所要確定的前提參 數(shù)，保存的結(jié)論參數(shù)矩陣即為要確定的結(jié)論參數(shù)。當?shù)Y(jié)束條件未達到時，設(shè)η = η+1，轉(zhuǎn) 到步驟D。
[0017] 所述步驟二進一步包括以下步驟：
[0018] 步驟A :將需進行邊緣檢測的測試圖像作為檢測器的輸入圖像，以輸入圖像中左 上角的像素（該像素即為當前操作像素）開始，在圖像上以從上到下，從左至右的方式滑 動，遍取輸入圖像中所有像素；
[0019] 步驟B :對于當前操作像素，由四個數(shù)據(jù)提取塊得到四個ANFIS子檢測器的四個輸 入；
[0020] 步驟C :每個子檢測器都會得到一個輸出，這些輸出即為后處理塊的輸入，后處理 塊對這四個輸入取平均值，再將該平均值與一個預(yù)先設(shè)定的閾值相比較，得到一最終輸出， 該輸出即為與輸入圖像當前操作像素相對應(yīng)的邊緣標志圖像像素的灰度值；
[0021] 步驟D :選取輸入圖像中下一個像素作為當前操作像素，重復(fù)步驟（B)和（C)，當輸 入圖像中所有像素經(jīng)過檢測器都得到輸出后，就能得到一個輸出圖像，該輸出圖像即為邊 緣標志圖像。
[0022] 有益效果
[0023] 本發(fā)明的圖像邊緣檢測方法能有效地提取圖像中的邊緣信息。本發(fā)明所提出的邊 緣檢測方法，綜合利用了模糊理論模擬圖像處理過程中的不確定性的能力和人工神經(jīng)網(wǎng)絡(luò) 強大的學(xué)習(xí)能力，即使測試圖像被噪聲污染，也能有效地提取圖像中的邊緣信息而無需進 行圖像濾波預(yù)處理過程，從而使得后續(xù)的圖像分割、特征提取和圖像識別等任務(wù)更能有效 地進行。

【專利附圖】

【附圖說明】
[0024] 圖1是邊緣檢測器網(wǎng)絡(luò)結(jié)構(gòu)圖
[0025] 圖2是ANFIS子檢測器訓(xùn)練優(yōu)化過程圖
[0026] 圖3是人工訓(xùn)練圖像
[0027] 圖4是四個數(shù)據(jù)提取塊所對應(yīng)的拓撲結(jié)構(gòu)
[0028] 圖5是中值提取操作窗口大小的選擇
[0029] 圖6是測試圖像和基準邊緣圖像
[0030] 圖7是對被10%椒鹽脈沖噪聲污染的測試圖像使用不同方法進行邊緣檢測后得 到的結(jié)果圖
[0031] 圖8是使用不同方法得到的Score值
[0032] 圖9是使用不同方法得到的PSNR值

【具體實施方式】
[0033] 下面結(jié)合圖1至圖9對本發(fā)明作進一步的詳細描述。
[0034] 步驟一：將四個自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS)子檢測器和一個后處理塊組成 一個圖像邊緣檢測器，在使用該檢測器對圖像進行邊緣檢測前，人工構(gòu)造一個訓(xùn)練圖像，使 用QPSO和線性最小二乘法（LSE)對四個子檢測器單獨進行訓(xùn)練，確定系統(tǒng)中的參數(shù)；
[0035] 具體步驟如下：
[0036] 步驟A :每個ANFIS子檢測器都有四個輸入，一個輸出，人工構(gòu)造一個原始圖像，在 該圖像上添加30%的椒鹽脈沖噪聲得到噪聲圖像，作為每個子檢測器的輸入的訓(xùn)練圖像， 由原始圖像可得到邊緣標志圖像，作為每個子檢測器的期望輸出的訓(xùn)練圖像，由輸入的訓(xùn) 練圖像和期望輸出的訓(xùn)練圖像得到所有組訓(xùn)練數(shù)據(jù)；
[0037] 圖1是圖像邊緣檢測器結(jié)構(gòu)圖，包含四個ANFIS子檢測器和一個后處理塊，在使用 該檢測器對圖像進行邊緣檢測前，每個子檢測器都需單獨進行訓(xùn)練。圖2是ANFIS子檢測 器訓(xùn)練優(yōu)化過程圖。訓(xùn)練圖像可通過計算機人工構(gòu)造得到，圖3(a)是原始圖像，該圖像大 小為128X 128,是由1024個4X4色塊組成,每個色塊中的16個像素具有相同的灰度值,不 同色塊的灰度值各不相同，遍取〇到255中的所有值，不同灰度值的色塊在圖片中的位置是 隨機的，圖3 (b)是子檢測器的輸入的訓(xùn)練圖像，是在圖3 (a)上添加30%的椒鹽脈沖噪聲得 到的噪聲圖像，圖3 (c)是根據(jù)圖3 (a)原始圖像得到的邊緣標志圖像，也就是子檢測器期望 輸出的訓(xùn)練圖像，圖中像素灰度值為0表示當前像素是邊緣像素，顯示為黑色，像素灰度值 為1表示當前像素不是邊緣像素，顯示為白色。
[0038] 由輸入的訓(xùn)練圖像和期望輸出的訓(xùn)練圖像得到所有的訓(xùn)練數(shù)據(jù)，設(shè)為N組。在圖 1中，每個ANFIS子檢測器對應(yīng)一個數(shù)據(jù)提取塊，每個數(shù)據(jù)提取塊為相應(yīng)的ANFIS子檢測器 提供四個輸入。具體步驟如下：
[0039] (1)如圖4所示，以當前操作像素 p2為中心，得到一個3X3操作窗口，依照水平、 垂直、左對角線和右對角線這四種不同的拓撲結(jié)構(gòu)得到像素灰度值 Pl、P2和P3 ;
[0040] ⑵仍以當前操作像素 P2為中心，另外得到一個預(yù)先定義的中值提取操作窗口，由 該窗口內(nèi)所有像素點的灰度值，得到中值m ;
[0041] (3)令每個自適應(yīng)神經(jīng)模糊推理系統(tǒng)四個輸入Xl、x2、X 3和X4分別為：

【權(quán)利要求】
1. 一種基于量子行為粒子群優(yōu)化（QPSO)算法的圖像邊緣檢測方法，其特征在于，包括 以下步驟： 步驟一：將四個自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS)子檢測器和一個后處理塊組成一 個圖像邊緣檢測器，在使用該檢測器對圖像進行邊緣檢測前，人工構(gòu)造一個訓(xùn)練圖像，使用 QPS0和線性最小二乘法（LSE)對四個子檢測器單獨進行訓(xùn)練，確定系統(tǒng)中的參數(shù)； 步驟二：當四個子檢測器都訓(xùn)練完畢，就可以和一個后處理塊一起構(gòu)成一個圖像邊緣 檢測器，對測試圖像進行邊緣檢測。
2. 根據(jù)權(quán)利要求1所述的基于QPS0算法的圖像邊緣檢測方法，其特征在于，步驟一進 一步包括以下步驟： 步驟A :每個ANFIS子檢測器都有四個輸入，一個輸出，人工構(gòu)造一個原始圖像，在該 圖像上添加30%的椒鹽脈沖噪聲得到噪聲圖像，作為每個子檢測器的輸入的訓(xùn)練圖像，由 原始圖像可得到邊緣標志圖像，作為每個子檢測器的期望輸出的訓(xùn)練圖像，由輸入的訓(xùn)練 圖像和期望輸出的訓(xùn)練圖像得到所有組訓(xùn)練數(shù)據(jù)； 步驟B :設(shè)迭代次數(shù)η = 0。初始化粒子群，包括粒子的個數(shù)，搜索空間，隨機初始化每 個粒子初始位置； 步驟C :在第一次迭代時，每個粒子的初始位置即為個體最好位置。每個粒子的位置為 ANFIS系統(tǒng)中的前提參數(shù)，采用LSE算法得到該粒子所對應(yīng)的結(jié)論參數(shù)。計算所有輸入組數(shù) 據(jù)的ANFIS系統(tǒng)的實際輸出，根據(jù)實際輸出和期望輸出得到該粒子所對應(yīng)的目標函數(shù)值， 所有粒子的目標函數(shù)值相比較就能找到一個具有最小目標函數(shù)值的粒子，該粒子的位置即 為全局最好位置，同時保存該粒子（前提參數(shù)）所對應(yīng)的結(jié)論參數(shù)矩陣； 步驟D :由所有粒子的個體最好位置計算個體的平均最好位置，對每個粒子的位置進 行更新，采用LSE算法得到相應(yīng)的結(jié)論參數(shù)，計算每個粒子的目標函數(shù)值，并更新個體最好 位置。最后，比較所有粒子的個體最好位置，得到全局最好位置，同時保存具有全局最好位 置粒子所對應(yīng)的結(jié)論參數(shù)矩陣； 步驟E :當達到迭代結(jié)束條件時，訓(xùn)練結(jié)束，全局最好位置即為所要確定的前提參數(shù)， 保存的結(jié)論參數(shù)矩陣即為要確定的結(jié)論參數(shù)。當?shù)Y(jié)束條件未達到時，設(shè)η = n+1，轉(zhuǎn)到 步驟D。
3. 根據(jù)權(quán)利要求1所述的基于QPS0算法的圖像邊緣檢測方法，其特征在于，步驟二進 一步包括以下步驟： 步驟A :將需進行邊緣檢測的測試圖像作為檢測器的輸入圖像，以輸入圖像中左上角 的像素（該像素即為當前操作像素）開始，在圖像上以從上到下，從左至右的方式滑動，遍 取輸入圖像中所有像素； 步驟B :對于當前操作像素，由四個數(shù)據(jù)提取塊得到四個ANFIS子檢測器的四個輸入； 步驟C :每個子檢測器都會得到一個輸出，這些輸出即為后處理塊的輸入，后處理塊對 這四個輸入取平均值，再將該平均值與一個預(yù)先設(shè)定的閾值相比較，得到一最終輸出，該輸 出即為與輸入圖像當前操作像素相對應(yīng)的邊緣標志圖像像素的灰度值； 步驟D :選取輸入圖像中下一個像素作為當前操作像素，重復(fù)步驟（B)和（C)，當輸入圖 像中所有像素經(jīng)過檢測器都得到輸出后，就能得到一個輸出圖像，該輸出圖像即為邊緣標 志圖像。
【文檔編號】G06K9/62GK104239903SQ201410532628
【公開日】2014年12月24日 申請日期:2014年10月10日 優(yōu)先權(quán)日:2014年10月10日
【發(fā)明者】李岳陽, 羅海馳, 孫俊 申請人:江南大學(xué)