[发明专利]一种中药材显微图像的PCNN自动分割方法

摘要

本发明公开了一种中药材显微图像的PCNN自动分割方法。分别建立利用交叉熵分割判据的PCNN自动二值图像分割算法；以最大互信息为分割目标，以互信息熵差作为一种分类判据的中药材显微图像PCNN多值图像自动分割算法，并设计矢量脉冲耦合神经网络模型，利用指数熵准则作为分割判据，实现对中药材显微彩色图像的自动分割；以模糊指数熵作为优化分割准则，建立多通道或三维PCNN中药材显微图像分割算法；可进一步提高中药材质量评价的客观性、准确性、可重复性和智能化程度，为中药材检测与分析的现代化提供一种新的途径。

主权项

一种中药材显微图像的PCNN自动分割方法，其特征在于，所述的中药材显微图像的PCNN自动分割方法包括：步骤一、引入二维模糊集或超模糊集隶属函数对中药材显微图像进行自适应修正，完善图像模糊熵或超模糊熵表达式，搭建单位链接ULPCNN神经元模型；步骤二、在当前图像上随机选择一个像素点；通过变换视觉信息计算模型的窗口大小，计算所述像素点与其邻域对应的方向通道的最大能量；步骤三、根据每个所述方向通道的最大能量确定所述视觉信息计算模型的最大尺度和有效方向，根据所述最大尺度和所述有效方向确定ULPCNN神经元模型的参数W和M，其中，M为反馈输入域的连接矩阵；W耦合连接域的连接矩阵；步骤四、依据中药材显微图像的特征，优化ULPCNN神经元模型的参数设置；步骤五、把ULPCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割，提取中药材二值图像目标，建立引入交叉熵分割判据的PCNN中药材显微图像分割算法；步骤六、以最大互信息优化多值图像分割并进行图像去噪，建立相邻分割图像互信息熵差最小分类判据，选取中药显微图像建立基于最小互信息熵差的PCNN自动多值目标分割算法，得到完善的多值目标图像；步骤七、在彩色图像RGB或HIS空间中，对构建的PCNN模型优化与推广；步骤八、引入模糊指数熵分割准则，优化完善多通道或三维显微图像PCNN处理模型，建立多通道或三维PCNN中药材显微图像目标自动分割算法；图像去噪的具体方法为：步骤一、将含噪图像f(x，y)进行二维平稳小波变换，分别获得子带系数：低频系数、水平细节系数、垂直细节系数和对角细节系数；步骤二、对第一层的低频系数利用PCNN进行区域分割；步骤三、将低频系数保持不变，对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理；步骤四、采用脉冲耦合神经网络对噪声图像进行处理，得到熵序列En，将En作为边缘检测算子；步骤五、进行阈值寻优，得到最优去噪阈值k；步骤六、根据求得的边缘检测算子En和最优去噪阈值k，采用改进的各向异性扩散模型对图像进行去噪；优化ULPCNN神经元模型的参数设置的具体方法为：从ULPCNN神经元模型形态结构和统计两方面优化ULPCNN神经元模型链接输入L及反馈输入F非线性方程的参数设置、处理图像的局部信息自适应优化耦合链接强度β以及最佳利用输出信息改进反复指数衰减的动态阈值θ；对构建的PCNN模型优化与推广的具体方法为：引入改进的指数衰减动态阈值矢量，建立矢量PCNN模型；利用改进指数动态阈值矢量与神经元内部活动项矢量间的信息对比关系确定显微分割图像的目标和背景区域，结合最大指数熵判据完成对中药材彩色图像的自动分割；所述ULPCNN神经元模型还包括检测优化模块，该检测优化模块用于：将采集到的图像建立图像的显著模型，所述建立图像的显著性模型包括：利用预定过分割算法对所述图像进行过分割和模板参数提取，对整个输入图像，以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；确定每个所述区域的颜色值和质心；根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；所述显著性模型为：其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；所述改进的各向异性扩散模型为：$\left\{\begin{array}{c}\frac{\∂I}{\∂t}=div(g\left(\▿I,En\right)\▿I)\\ I(x,y,0)=I_0\end{array}\right.;$其中：$g(\▿I,En)=\frac{1}{1+|G_{\mathrm{\σ}}*\▿I+En|\·k};$$G_{\mathrm{\σ}}=\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\σ}}^2});$σ为尺度函数，I表示噪声图像，I₀表示原始图像，div表示散度算子，▽表示梯度算子。