[发明专利]一种结合置信传播思想和PCNN的图像分割方法及装置

说明书

本发明提供一种结合置信传播思想和PCNN的图像分割方法及装置，包括：S1，使用PCNN模型对目标图像进行分割，获取所述PCNN模型每次迭代输出的分割结果；S2，获取小于或等于所述PCNN模型中迭代总次数的正整数集合，对于所述正整数集合中的每个整数，将前整数次迭代输出的所述分割结果分别进行合并；S3，使用Otsu算法对各合并结果进行度量，将度量值最大的所述合并结果作为所述目标图像的最终分割结果。本发明通过将PCNN模型每次迭代的分割结果进行合并，使用Otsu算法对合并结果进行全局估计，将最优的合并结果作为目标图像的最终分割结果，在保证局部较优的情况下自动获取全局较优的分割结果。

技术领域

本发明涉及图像处理领域，更具体地，涉及一种结合置信传播思想和PCNN的图像分割方法及装置。

背景技术

图像分割是指给图像中的每个像素分配一个标签，以使相同标签的像素具有相似特征的过程。根据分割结果可以对场景中的目标和感兴趣区域进行识别，在机器视觉、图像理解和基于内容的检索中具有重要作用。

PCNN(Pulse Coupled Neural Nemworks，脉冲耦合神经网络)是一种第三代神经网络，是依据猫的大脑视觉皮层上的同步脉冲发放现象提出的。它是一个二维的平面晶格结构，与图像中的像素一一对应。像素所对应的脉冲耦合神经元的动态发放模式同时可以描述像素的自身属性(灰度或颜色)和其在图像中的空间结构属性，神经元间通过动态脉冲耦合实现信息的传播和交互。在图像分割中，具有相似特征的相邻像素对应的神经元在同一时刻点火，这些神经元具有相同的标记。

目前的图像分割直接将图像灰度作为PCNN的输入，实现同步震荡的PCNN在促进局部同步震荡与全局同步震荡的性能差异很大，这主要是因为PCNN中促进同步震荡的自动波易终止于在图像局部区域或跨越至背景区域。此外，PCNN中的神经元之间的消息传播主要聚集在局部区域。虽然Fasm Linking(快速连接)机制在一定程度上能够促进同步震荡，但主要还是促进局部同步震荡，从而使得基于PCNN的图像分割得到的结果往往是局部较优解。这一点可从利用传统PCNN进行灰度图像分割中看出。

例如，图1a是图像分割中常用的经典测试图像，lena图像。图1b、图1c、图1d、图1e和图1f是利用传统PCNN得到的多次迭代输出结果。可以看出，任何一次迭代都只反映了图像的一部分信息，并且这种局部的结果也因为缺乏神经元间有效的信息传播而不能达到局部的最优。

综上所述，现有的基于PCNN的图像分割方法不能在保证局部较优分割结果的情况下实现全局的分割结果较优。因此，如何设计出有效的消息传播机制，让PCNN每次的迭代输出能够尽量达到局部最优，同时又能够利用多层的迭代输出信息得到全局最优的分割结果，从而实现更好的分割效果成为亟待解决的问题。

发明内容

为克服上述现有的图像融合技术数据量大、处理速度慢、融合效果差的问题或者至少部分地解决上述问题，本发明提供了一种结合置信传播思想和PCNN的图像分割方法及装置。

根据本发明的第一方面，提供一种结合置信传播思想和PCNN的图像分割方法，包括：

S1，使用PCNN模型对目标图像进行分割，获取所述PCNN模型每次迭代输出的分割结果；

S2，获取小于或等于所述PCNN模型中迭代总次数的正整数集合，对于所述正整数集合中的每个整数，将前整数次迭代输出的所述分割结果分别进行合并；

S3，使用Otsu算法对各合并结果进行度量，将度量值最大的所述合并结果作为所述目标图像的最终分割结果。

具体地，在S1之前还包括：

对目标图像进行正则化和平滑处理中的一种或多种。

具体地，S1具体包括：