一种基于qpso算法的图像边缘检测方法
【专利摘要】本发明涉及一种基于量子行为粒子群优化(QPSO)算法的图像边缘检测方法，该方法将四个自适应神经模糊推理系统(ANFIS)子检测器和一个后处理块组成一个图像边缘检测器。在使用该方法对图像进行边缘检测前，首先人工构造一个训练图像，使用QPSO和线性最小二乘法(LSE)对四个子检测器单独进行训练，确定系统中的参数；当四个子检测器都训练完毕，就可以和一个后处理块一起构成一个图像边缘检测器，对测试图像进行边缘检测。本发明的图像边缘检测方法特色之处在于，即使测试图像被噪声污染，该方法也能有效地提取图像中的边缘信息而无需进行图像滤波预处理过程。
【专利说明】-种基于QPSO算法的图像边缘检测方法
【技术领域】
[0001] 本发明涉及一种基于量子行为粒子群优化（QPSO)算法的图像边缘检测方法，属 于图像处理【技术领域】。
【背景技术】
[0002] 边缘检测是许多图像处理操作如图像分割、对象识别、图像配准、图像分类等的基 础，其检测质量在很大程度上决定了这些后续操作的效果。
[0003] 边缘检测算法通过检测包含不同区域的边缘来解决图像分割问题。边缘由边缘像 素构成，而边缘像素是图像中灰度突变的那些像素。边缘检测算法一般利用图像一阶导数 的极大值或二阶导数的过零点信息来提供判断边缘点的基本依据。Robert算子、Prewitt 算子和Sobel算子都是基于梯度的算子，它们使用不同的模板来求图像中各像素点处一阶 偏导数的近似值。这些基于梯度的边缘检测算法易于实现，但它们不仅对边缘信息敏感， 对噪声同样也很敏感。J. Canny采用高斯函数的一阶导数，并提出边缘检测算子应满足以 下3个判断准则：信噪比准则、定位精度准则以及单边缘响应准则，由此推导出边缘检测算 子-Canny算子。而计算机视觉的创始人D. Marr提出采用Laplacian算子求高斯函数的二 阶导数得到L0G(Laplacian of Gaussian)滤波算子。这些经典的算法能在一定程度上有 效地提取出图像中的边缘，但在算法中需确定一些参数的值，而这些参数的最优值的确定， 是一个比较困难的问题。
[0004] 数字图像在其获取、传输过程中因种种原因可能导致在正常的图像数据中混入噪 声信号。在噪声图像中，细节或边缘与噪声之间的区别并不明显。这种信息的不确定性和 不完整性给数字图像处理带来了困难，而模糊理论正好能适应这些不确定性。人工神经网 络方法能够根据学习样本找出输入与输出数据之间的内在联系，特别适合图像处理中许多 非线性问题。近年来，神经模糊理论综合了模糊理论模拟图像处理过程中的不确定性的能 力和人工神经网络强大的学习能力，逐渐应用在图像处理过程中。
【发明内容】
[0005] 要解决的技术问题
[0006] 本发明所要解决的问题是，提出一种基于QPSO算法的图像边缘检测方法，即使测 试图像被噪声污染，在无需进行滤波预处理过程情况下，也能进行边缘检测的方法。
[0007] 技术方案
[0008] 本发明的技术特征在于，包括以下步骤：
[0009] 步骤一：将四个自适应神经模糊推理系统（ANFIS)子检测器和一个后处理块组成 一个图像边缘检测器，在使用该检测器对图像进行边缘检测前，人工构造一个训练图像，使 用QPSO和线性最小二乘法（LSE)对四个子检测器单独进行训练，确定系统中的参数； [0010] 步骤二：当四个子检测器都训练完毕，就可以和一个后处理块一起构成一个图像 边缘检测器，对测试图像进行边缘检测。
[0011] 所述步骤一进一步包括以下步骤：
[0012] 步骤A :每个ANFIS子检测器都有四个输入，一个输出，人工构造一个原始图像，在 该图像上添加30%的椒盐脉冲噪声得到噪声图像，作为每个子检测器的输入的训练图像， 由原始图像可得到边缘标志图像，作为每个子检测器的期望输出的训练图像，由输入的训 练图像和期望输出的训练图像得到所有组训练数据；
[0013] 步骤B :设迭代次数η = 0。初始化粒子群，包括粒子的个数，搜索空间，随机初始 化每个粒子初始位置；
[0014] 步骤C :在第一次迭代时，每个粒子的初始位置即为个体最好位置。每个粒子的位 置为ANFIS系统中的前提参数，采用LSE算法得到该粒子所对应的结论参数。计算所有输 入组数据的ANFIS系统的实际输出，根据实际输出和期望输出得到该粒子所对应的目标函 数值，所有粒子的目标函数值相比较就能找到一个具有最小目标函数值的粒子，该粒子的 位置即为全局最好位置，同时保存该粒子（前提参数）所对应的结论参数矩阵；
[0015] 步骤D :由所有粒子的个体最好位置计算个体的平均最好位置，对每个粒子的位 置进行更新，采用LSE算法得到相应的结论参数，计算每个粒子的目标函数值，并更新个体 最好位置。最后，比较所有粒子的个体最好位置，得到全局最好位置，同时保存具有全局最 好位置粒子所对应的结论参数矩阵；
[0016] 步骤E :当达到迭代结束条件时，训练结束，全局最好位置即为所要确定的前提参 数，保存的结论参数矩阵即为要确定的结论参数。当迭代结束条件未达到时，设η = η+1，转 到步骤D。
[0017] 所述步骤二进一步包括以下步骤：
[0018] 步骤A :将需进行边缘检测的测试图像作为检测器的输入图像，以输入图像中左 上角的像素（该像素即为当前操作像素）开始，在图像上以从上到下，从左至右的方式滑 动，遍取输入图像中所有像素；
[0019] 步骤B :对于当前操作像素，由四个数据提取块得到四个ANFIS子检测器的四个输 入；
[0020] 步骤C :每个子检测器都会得到一个输出，这些输出即为后处理块的输入，后处理 块对这四个输入取平均值，再将该平均值与一个预先设定的阈值相比较，得到一最终输出， 该输出即为与输入图像当前操作像素相对应的边缘标志图像像素的灰度值；
[0021] 步骤D :选取输入图像中下一个像素作为当前操作像素，重复步骤（B)和（C)，当输 入图像中所有像素经过检测器都得到输出后，就能得到一个输出图像，该输出图像即为边 缘标志图像。
[0022] 有益效果
[0023] 本发明的图像边缘检测方法能有效地提取图像中的边缘信息。本发明所提出的边 缘检测方法，综合利用了模糊理论模拟图像处理过程中的不确定性的能力和人工神经网络 强大的学习能力，即使测试图像被噪声污染，也能有效地提取图像中的边缘信息而无需进 行图像滤波预处理过程，从而使得后续的图像分割、特征提取和图像识别等任务更能有效 地进行。
【专利附图】
【附图说明】
[0024] 图1是边缘检测器网络结构图
[0025] 图2是ANFIS子检测器训练优化过程图
[0026] 图3是人工训练图像
[0027] 图4是四个数据提取块所对应的拓扑结构
[0028] 图5是中值提取操作窗口大小的选择
[0029] 图6是测试图像和基准边缘图像
[0030] 图7是对被10%椒盐脉冲噪声污染的测试图像使用不同方法进行边缘检测后得 到的结果图
[0031] 图8是使用不同方法得到的Score值
[0032] 图9是使用不同方法得到的PSNR值
【具体实施方式】
[0033] 下面结合图1至图9对本发明作进一步的详细描述。
[0034] 步骤一：将四个自适应神经模糊推理系统（ANFIS)子检测器和一个后处理块组成 一个图像边缘检测器，在使用该检测器对图像进行边缘检测前，人工构造一个训练图像，使 用QPSO和线性最小二乘法（LSE)对四个子检测器单独进行训练，确定系统中的参数；
[0035] 具体步骤如下：
[0036] 步骤A :每个ANFIS子检测器都有四个输入，一个输出，人工构造一个原始图像，在 该图像上添加30%的椒盐脉冲噪声得到噪声图像，作为每个子检测器的输入的训练图像， 由原始图像可得到边缘标志图像，作为每个子检测器的期望输出的训练图像，由输入的训 练图像和期望输出的训练图像得到所有组训练数据；
[0037] 图1是图像边缘检测器结构图，包含四个ANFIS子检测器和一个后处理块，在使用 该检测器对图像进行边缘检测前，每个子检测器都需单独进行训练。图2是ANFIS子检测 器训练优化过程图。训练图像可通过计算机人工构造得到，图3(a)是原始图像，该图像大 小为128X 128,是由1024个4X4色块组成,每个色块中的16个像素具有相同的灰度值,不 同色块的灰度值各不相同，遍取〇到255中的所有值，不同灰度值的色块在图片中的位置是 随机的，图3 (b)是子检测器的输入的训练图像，是在图3 (a)上添加30%的椒盐脉冲噪声得 到的噪声图像，图3 (c)是根据图3 (a)原始图像得到的边缘标志图像，也就是子检测器期望 输出的训练图像，图中像素灰度值为0表示当前像素是边缘像素，显示为黑色，像素灰度值 为1表示当前像素不是边缘像素，显示为白色。
[0038] 由输入的训练图像和期望输出的训练图像得到所有的训练数据，设为N组。在图 1中，每个ANFIS子检测器对应一个数据提取块，每个数据提取块为相应的ANFIS子检测器 提供四个输入。具体步骤如下：
[0039] (1)如图4所示，以当前操作像素 p2为中心，得到一个3X3操作窗口，依照水平、 垂直、左对角线和右对角线这四种不同的拓扑结构得到像素灰度值 Pl、P2和P3 ;
[0040] ⑵仍以当前操作像素 P2为中心，另外得到一个预先定义的中值提取操作窗口，由 该窗口内所有像素点的灰度值，得到中值m ;
[0041] (3)令每个自适应神经模糊推理系统四个输入Xl、x2、X 3和X4分别为：
【权利要求】
1. 一种基于量子行为粒子群优化（QPSO)算法的图像边缘检测方法，其特征在于，包括 以下步骤： 步骤一：将四个自适应神经模糊推理系统（ANFIS)子检测器和一个后处理块组成一 个图像边缘检测器，在使用该检测器对图像进行边缘检测前，人工构造一个训练图像，使用 QPS0和线性最小二乘法（LSE)对四个子检测器单独进行训练，确定系统中的参数； 步骤二：当四个子检测器都训练完毕，就可以和一个后处理块一起构成一个图像边缘 检测器，对测试图像进行边缘检测。
2. 根据权利要求1所述的基于QPS0算法的图像边缘检测方法，其特征在于，步骤一进 一步包括以下步骤： 步骤A :每个ANFIS子检测器都有四个输入，一个输出，人工构造一个原始图像，在该 图像上添加30%的椒盐脉冲噪声得到噪声图像，作为每个子检测器的输入的训练图像，由 原始图像可得到边缘标志图像，作为每个子检测器的期望输出的训练图像，由输入的训练 图像和期望输出的训练图像得到所有组训练数据； 步骤B :设迭代次数η = 0。初始化粒子群，包括粒子的个数，搜索空间，随机初始化每 个粒子初始位置； 步骤C :在第一次迭代时，每个粒子的初始位置即为个体最好位置。每个粒子的位置为 ANFIS系统中的前提参数，采用LSE算法得到该粒子所对应的结论参数。计算所有输入组数 据的ANFIS系统的实际输出，根据实际输出和期望输出得到该粒子所对应的目标函数值， 所有粒子的目标函数值相比较就能找到一个具有最小目标函数值的粒子，该粒子的位置即 为全局最好位置，同时保存该粒子（前提参数）所对应的结论参数矩阵； 步骤D :由所有粒子的个体最好位置计算个体的平均最好位置，对每个粒子的位置进 行更新，采用LSE算法得到相应的结论参数，计算每个粒子的目标函数值，并更新个体最好 位置。最后，比较所有粒子的个体最好位置，得到全局最好位置，同时保存具有全局最好位 置粒子所对应的结论参数矩阵； 步骤E :当达到迭代结束条件时，训练结束，全局最好位置即为所要确定的前提参数， 保存的结论参数矩阵即为要确定的结论参数。当迭代结束条件未达到时，设η = n+1，转到 步骤D。
3. 根据权利要求1所述的基于QPS0算法的图像边缘检测方法，其特征在于，步骤二进 一步包括以下步骤： 步骤A :将需进行边缘检测的测试图像作为检测器的输入图像，以输入图像中左上角 的像素（该像素即为当前操作像素）开始，在图像上以从上到下，从左至右的方式滑动，遍 取输入图像中所有像素； 步骤B :对于当前操作像素，由四个数据提取块得到四个ANFIS子检测器的四个输入； 步骤C :每个子检测器都会得到一个输出，这些输出即为后处理块的输入，后处理块对 这四个输入取平均值，再将该平均值与一个预先设定的阈值相比较，得到一最终输出，该输 出即为与输入图像当前操作像素相对应的边缘标志图像像素的灰度值； 步骤D :选取输入图像中下一个像素作为当前操作像素，重复步骤（B)和（C)，当输入图 像中所有像素经过检测器都得到输出后，就能得到一个输出图像，该输出图像即为边缘标 志图像。
【文档编号】G06K9/62GK104239903SQ201410532628
【公开日】2014年12月24日 申请日期:2014年10月10日 优先权日:2014年10月10日
【发明者】李岳阳, 罗海驰, 孙俊 申请人:江南大学