CN103714336A - 基于八元数和回声状态网络的织物图像边缘检测方法 - Google Patents

Abstract

一种作为图像模式识别和场景分析问题中预备性步骤的图像边缘检测方法。读取待检测织物图像和训练织物图像，在用八元数将图像R、G、B、H、S、I分量综合的基础上，采用一种八元数和回声状态网络相结合的彩色图像边缘检测算法。将被判断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，用训练织物图像的特征向量对回声状态网络进行训练，然后用训练好的回声状态网络直接对待检测织物图像进行边缘检测，得到边缘图像。该方法检测效果好，对织物图像有较强的细节保持能力。

Description

基于八元数和回声状态网络的织物图像边缘检测方法

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： 

$M(x,y)=\frac{1}{8}\mathrm{\Σf}(\mathrm{\α},\mathrm{\β})$

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： 

$x(k+1)=\tan \mathrm{sig}(W_x\·x\left(k\right)+W_{\mathrm{in}}\·u\left(k\right)+W_{\mathrm{back}}y\left(k\right))$

$y(k+1)=w^{\mathrm{out}}(u(k+1),x(k+1),y\left(k\right))$

其中W_x,W_in,W_back表示储备池内部点、输入点、输出点到储备池内部点的连接权值。 

如图1所示，通过对网络进行训练，得到输入点、储备池内部点和输出点到输出点的连接权值w^out。 

第五步，通过第四步训练完成的回声状态网络对待检测织物图像进行边缘检测。以待检测织物图像各像素点的特征向量作为输入，已训练好的回声状态网络检测、判断各像素是否为边缘点，从而得到边缘图像，如图2所示。 

本发明的有益效果是，边缘特征向量计算简单快速，能够很好的完成边缘检测任务。 

[有益效果：是发明和现有技术相比所具有的优点及积极效果，它是由技术特征直接带来的、或者是由技术特征产生的必然的技术效果。]  

附图说明

下面结合附图和实施例对本发明进一步说明。 

图1是本发明的训练和检测织物图像的回声状态网络结构图。 

图1中W,Wⁱⁿ表示储备池内部点、输入点到储备池内部点的连接权值。 

W^out表示输入点、储备池内部点和输出点到输出点的连接权值 

图2是织物图像边缘检测方法的织物图像边缘检测结果。 

图2中(a)是原始待检测织物图像，(b)是sobel算子检测结果，(c) 是 roberts算子检测结果，(d)是prewitt算子检测结果，(e)是本方法检测结果，(f) 是原始训练织物图像。 

具体实施方式

首先计算图2（a）（e）图像的一个像素点的特征向量 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)），将V(x,y)作图1u₁,u₂,u_k中的一个值，k为图2（a）（e）图像的像素点总数。然后用图2（e）图像作为训练图像，用经典算子得到图2（e）的边缘图像作为输出，设置输入单元数目为8，储备池处理单元数目为10，输出单元数目为1，对图1回声状态网络进行训练，训练完成后，用训练完成的回声状态网络对图2（a）待检测织物图像进行边缘检测，得到图2(d) 检测结果。 

Claims (3)

1.一种织物图像边缘检测方法, 能得到较完整的图像轮廓,细节保持良好。 其特征是：用八元数表示某像素，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，用回声状态网络进行训练并对织物图像边缘检测。

2.根据权利要求1所述的织物图像边缘检测，其特征是：八元数、回声状态网络。

3.根据权利要求1所述的织物图像边缘检测，其特征在于包括以下步骤：

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：

$M(x,y)=\frac{1}{8}\mathrm{\Σf}(\mathrm{\α},\mathrm{\β})$

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，随机产生一个储备也处理单元数目为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：

$x(k+1)=\tan \mathrm{sig}(W_x\·x\left(k\right)+W_{\mathrm{in}}\·u\left(k\right)+W_{\mathrm{back}}y\left(k\right))$

$y(k+1)=w^{\mathrm{out}}(u(k+1),x(k+1),y\left(k\right))$

其中W_x,W_in,W_back表示储备池内部点、输入点、输出点到储备池内部点的连接权值。

通过对网络进行训练，得到输入点、储备池内部点和输出点到输出点的连接权值w^out。

第五步，通过第四步训练完成的回声状态网络对待检测织物图像进行边缘检测。以待检测织物图像各像素点的特征向量作为输入，已训练好的回声状态网络检测、判断各像素是否为边缘点，从而得到边缘图像。

Images