[发明专利]基于八元数和回声状态网络的织物图像边缘检测方法

说明书

技术领域

本发明专利属于计算机应用学科的数字图像信息处理领域，具体涉及到图像处理中的织物图像边缘检测方法。 

背景技术

彩色图像比灰度图像包含更多的信息，因此基于彩色图像的边缘检测算法引起了广泛关注。但若把灰度图像的处理方法直接推广到彩色图像，即将图像的红( R) 、绿( G) 、蓝( B) 三分量单独处理后再合成，则会丢失分量间的相关信息，导致提取的边缘与图像边缘本身出现较大的不符; 若能把R、G、B 三个分量作为整体处理，边缘提取的结果会更符合人眼视觉特征。由于彩色图像的R、G、B 三个分量可以表示为四元数的三个虚部，基于四元数的彩色图像边缘检测可以在保留各分量相关性的同时，整体处理彩色信息，因此具有一定的优势，但RGB(红、绿、蓝)空间是一个不均匀的颜色空间，它适合机器显示但并不适合描述人眼对颜色的感知，通过对RGB空间进行非线性变换得到HSI(色调、饱和度、亮度)颜色空间，此模型将亮度信息与彩色信息分开。因此，基于HSI模型开发的彩色图像处理算法可较好地利用色度信息，将每个像素的R、G、B、H、S、I六个分量对应于八元数的任意六个虚部，更能表示像素点的亮度和色度信息。 

图像边缘检测是把图像划分为边缘点和非边缘点，是图像预处理技术。目前利用神经网络对图像的背景和边缘特征分类进而实现边缘检测，有比较好的检测效果，且大部分采用BP神经网络进行训练和检测，但BP神经网络训练速度慢、容易陷入局部极小点，无法达到理想的检测效果。 

发明内容

为了克服目前的图像边缘检测方法计算量大，实用性不高，适用范围较窄等局限, 本发明专利提供一种新的织物图像边缘检测方法，该检测方法提取的图像边缘不仅整体轮廓分明，能反映局部细节，而且检测速度明显比其它方法快。 

本发明解决其技术问题所采用的技术方案是： 

第一步，读取待检测织物图像和训练织物图像，把得到的RGB像素值转换成HIS像素值，对RGB和HIS像素值归一化，用八元数表示像素点f(x,y)= r(x,y)e1+g(x,y)e2+b(x,y)e3+ h(x,y)e4+s(x,y)e5+I(x,y)e6  其中r(x,y)，g(x,y)，b(x,y)，h(x,y)，s(x,y)，I(x,y) 分别为R、G、B、H、S、I分量值。把训练织物RGB图像转换成灰度图像，训练灰度图像用经典算子得到边缘图像output。 

第二步，平滑区域中像素点f(x，y)应等于以其为中心的区域边界上函数值的均值; 在图像的边缘处，像素点f(x，y)不等于以( x，y) 为中心的区域边界上函数值的均值。因此，将像素点与该点八领域均值的矢量积作为图像边缘的特征向量。像素点八邻域上像素的均值： 

M(x,y)=18Σf(α,β)]]>

计算M(x,y)与f(x,y)的矢量积： 

M(x,y)f(x,y)=A(x,y)+R(x,y)e1+G(x,y) e2+B(x,y)e3+H(x,y)e4 +S(x,y)e5 +I(x,y)e6+D(x,y)e7 

像素点的特征向量 V(x,y)= （A(x,y)，R(x,y) ，G(x,y) ，B(x,y) ，H(x,y) ，S(x,y) ，I(x,y)，D(x,y)）。 

第三步，随机产生一个储备池处理单元数目为N、稀疏程度为D的隐含层稀疏矩阵(动态 记忆库)，它和特征向量 V(x,y)输入神经元及一个输出神经元构成一个回声状态神经网络，其中输出神经元要以随机权值连接回动态记忆库。 

第四步，把第一步得到边缘图像output作为训练输出，然后通过窗口在训练图像上的滑动，计算像素点的特征向量 V(x,y)构成回声状态网络的训练样本。把第二步得到的V(x,y) 作为特征向量输入回声状态神经网络，激活函数采用双曲正切函数tansig，回声状态神经网络的更新公式是：