[发明专利]基于简化型脉冲耦合神经网络的边缘提取方法

说明书

技术领域

本发明涉及一种基于简化型脉冲耦合神经网络(SPCNN—Simplified Pulse CoupledNeural Network)的图像分割方法。

背景技术

脉冲耦合神经网络(PCNN—Pulse Coupled Neural Network)是一种不同于传统人工神经网络的新型神经网络。它有着生物学的背景，是依据猫、猴等动物的大脑视觉皮层上的同步脉冲发放现象提出的数学模型，它应用于图像分割能较好的处理分割图像目标和背景受噪声污染的情况。

图像分割技术是计算机视觉中重要的研究内容，分割效果的好坏直接影响图像的后续分析。由于超声束散射回波相互干扰产生的Speckle噪声影响了超声图像的细节显示能力，以及超声图像对比度和纹理特性等问题，使得准确有效的进行超声图像分割存在一定的困难，难以获得满意的效果。临床应用中的超声成像系统广泛使用的分割方式是基于医生的手动分割方法。但是繁重的工作量和冗长的时间往往使得医生和病人都难以接受，同时容易导致误诊。

传统的超声图像分割方法分为基于边缘检测的方法和基于区域生长的方法。基于边缘检测的分割方法是通过检测相邻像素的突变性来获得不同区域之间的边缘。边缘点的判定是基于所检测点的本身和它的一些邻点，主要包括局部微分算子，如Roberts算子、Sobel算子和Canny算子等。边缘检测方法获得的边缘信息往往会因这些信息突出而产生间隙，不能形成包围物体的封闭曲线，同时对噪声较大的图像会产生较多的伪边缘。基于区域生长的方法是依据区域内部的均匀性实现图像的分割。区域生长需要先确定一个种子点，根据图像的纹理特征以及种子点的特征向量空间识别同质区域，方法对图像的质量，特别是同一物体内部的灰度均匀性要求较高。主动轮廓模型(ACM)能够用一组偏微分方程的形式表达连续的分割对象边界，它是一类面向自动化分割的图像分割方法，成为目前图像分割研究的主流方法之一。其主要分为参数主动轮廓模型(PACM)和几何主动轮廓模型(GACM)。参数活动轮廓模型PACM的研究又称为snake模型，通过使用适当的内部能量函数和外部能量函数来控制轮廓曲线的运动，以达到分割图像的目的。其优点是保证所检测边缘的连续性和闭合性，缺点是初始化点数较多且需要在实际目标边缘的附近进行初始化，易陷入局部极值和能量函数较难给出等问题。水平集是几何形变模型在图像应用中的一种模型，其在图像分割中得到了广泛的应用，但是由于超声图像噪声太大等原因，模型运行速度难以设定，而且终止条件难以给定。目前出现许多的研究PCNN改进与简化的算法，但本质上没有改变模型的迭代原理，对处理噪声干扰的图像依然存在着模型抗噪性能不佳和的运行速度慢等问题。

PCNN有生物学依据，是对高级哺乳动物的视觉仿生，在图像处理方面有广泛的应用。从图像处理的角度来看，PCNN传统模型存在一些实际应用上的局限性，如神经元相互间存在大量的反馈连接、网络系数难以确定、运行速度慢等问题，使对神经网络的具体运作进行数学分析变的比较困难。而且医学超声噪声受斑点噪声的影响严重，即使使用了滤波预处理，得到的处理图像不能完全去除斑点噪声。因此，如何简化模型参数，加快运行速度，同时使模型具有抗噪性能是需要研究的问题。

发明内容

本发明的目的在于针对现有超声图像分割技术存在的不足，提供一种基于简化型脉冲耦合神经网络的边缘提取方法。该方法能提高图像感兴趣区域的边缘提取质量、加快边缘提取速度，达到较理想的处理效果。

为达到上述目的，本发明的构思是：

本发明对具有神经生理学背景的PCNN进行简化改进，利用改进后SPCNN进行分割策略设计。由于超声图像受强噪声干扰和纹理特征的影响，利用SPCNN的脉冲传播特性分割出感兴趣区域，最后经过数学形态学处理提取区域边缘。

根据上述发明构思，本发明采用下述技术方案：

一种简化型脉冲耦合神经网络的边缘提取方法，其特征在于操作步骤为：

(1)对读取的灰度图像采用SPCNN的分割策略进行分割，得到一幅二值分割图像。

(2)采用数学形态学策略提取区域边缘。

上述的基于简化型脉冲耦合神经网络的边缘提取方法，其特征在于所述的基于SPCNN模型的分割策略是根据单次迭代后神经元网络产生脉冲点火图的选取。在SPCNN模型的基础上，若干个SPCNN神经元相互连接成SPCNN网络，图像中每个像素点与神经元一一对应，单次迭代后像素点即可标定为点火或不点火。

上述的基于SPCNN的分割策略主要包括如下步骤：