本發(fā)明涉及圖像處理領(lǐng)域，更具體地，涉及一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割方法及裝置。

背景技術(shù)：

圖像分割是指給圖像中的每個像素分配一個標(biāo)簽，以使相同標(biāo)簽的像素具有相似特征的過程。根據(jù)分割結(jié)果可以對場景中的目標(biāo)和感興趣區(qū)域進(jìn)行識別，在機器視覺、圖像理解和基于內(nèi)容的檢索中具有重要作用。隨著計算機技術(shù)和圖像傳感器技術(shù)的發(fā)展，彩色圖像處理成為了圖像處理領(lǐng)域研究的熱點。

由于彩色圖像分割的算法復(fù)雜、計算量大，圖像分割的早期研究主要針對灰度圖像，忽略了圖像的顏色信息。脈沖耦合神經(jīng)網(wǎng)絡(luò)(pulsecoupledneuralnetworks,pcnn)是一種第三代神經(jīng)網(wǎng)絡(luò)，是依據(jù)貓的大腦視覺皮層上的同步脈沖發(fā)放現(xiàn)象提出的。它是一個二維的平面晶格結(jié)構(gòu)，與圖像中的像素一一對應(yīng)。像素所對應(yīng)的脈沖耦合神經(jīng)元的動態(tài)發(fā)放模式同時可以描述像素的自身屬性(灰度或顏色)和其在圖像中的空間結(jié)構(gòu)屬性，神經(jīng)元間通過動態(tài)脈沖耦合實現(xiàn)信息的傳播和交互。在圖像分割中，具有相似特征的相鄰像素對應(yīng)的神經(jīng)元在同一時刻激發(fā)，這些神經(jīng)元具有相同的標(biāo)記。

由于傳統(tǒng)pcnn神經(jīng)元的饋入單元只能接收標(biāo)量形式的輸入，不能接收向量的輸入，因此只能進(jìn)行灰度圖像的分割，不能進(jìn)行彩色圖像的分割。

技術(shù)實現(xiàn)要素：

為克服上述pcnn模型不能用于彩色圖像分割的問題，本發(fā)明提供了一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割方法及裝置。

根據(jù)本發(fā)明的第一方面，提供一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割方法，包括：

s1，將第一彩色圖像的顏色空間轉(zhuǎn)換成lab顏色空間，生成第二彩色圖像；

s2，使用改進(jìn)的pcnn模型分別給所述第二彩色圖像中的所有像素標(biāo)記上對應(yīng)的標(biāo)簽，所述改進(jìn)的pcnn模型包括連接控制單元。

具體地，s2進(jìn)一步包括：

s21，使用連接強度為初始值的所述改進(jìn)的pcnn模型對所述第二彩色圖像進(jìn)行特征提??；

s22，增大所述改進(jìn)的pcnn模型的連接強度，使用連接強度增大后的所述改進(jìn)的pcnn模型對所述第二彩色圖像進(jìn)行特征提取，直到不滿足所述第一預(yù)設(shè)條件和所述第二預(yù)設(shè)條件；或者，

當(dāng)不滿足所述第一預(yù)設(shè)條件和所述第二預(yù)設(shè)條件時，將最后一次迭代提取的所述第二彩色圖像的特征對應(yīng)的像素標(biāo)記為相同標(biāo)簽；

其中，所述第一預(yù)設(shè)條件為增大后的連接強度小于第一預(yù)設(shè)閾值；

所述第二預(yù)設(shè)條件為計算該次迭代前后提取出的所述第二彩色圖像的特征之間的距離，所述距離小于第二預(yù)設(shè)閾值，或此次迭代提取出的所述第二彩色圖像的特征的個數(shù)小于第三預(yù)設(shè)閾值。

所述連接控制單元lcu的公式為：

其中，lcukl[n]表示第n次迭代中連接控制單元關(guān)于第kl個鄰域的輸出，(i，j)表示當(dāng)前神經(jīng)元的坐標(biāo)，n(i，j)表示當(dāng)前神經(jīng)元的鄰域，sfij^c表示當(dāng)前神經(jīng)元的第c維頻譜特征，sfkl^c表示當(dāng)前神經(jīng)元的鄰域的第c維頻譜特征。|sfij^c-sfkl^c|表示當(dāng)前神經(jīng)元的頻譜特征與當(dāng)前神經(jīng)元的鄰域的頻譜特征之間的距離，θ為第四預(yù)設(shè)閾值。

具體地，所述改進(jìn)的pcnn模型的公式為：

fij[n]＝sij，

uij[n]＝fij[n](1+βnlij[n])，

其中，f表示饋入部分，l表示連接部分，u表示內(nèi)部狀態(tài)，y表示輸出，p表示標(biāo)簽，t表示第五預(yù)設(shè)閾值，s表示所述第二彩色圖像的l分量，n表示迭代次數(shù)，β表示連接強度，wt表示初始閾值，ω表示第六預(yù)設(shè)閾值。

具體地，

所述改進(jìn)的pcnn模型的連接強度的初始值為：

其中，βini表示連接強度的初始值，inputseed表示種子的l值，diffmin表示種子與種子的鄰域的最小距離。

具體地，在s2之后還包括：

統(tǒng)計具有相同標(biāo)簽的像素的個數(shù)；

若判斷所述像素的個數(shù)小于第七預(yù)設(shè)閾值，則對所述像素的標(biāo)簽進(jìn)行更改。

根據(jù)本發(fā)明的第二方面，提供一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割裝置，包括：

轉(zhuǎn)換單元，用于將第一彩色圖像的顏色空間轉(zhuǎn)換成lab顏色空間，生成第二彩色圖像；

標(biāo)記單元，用于使用改進(jìn)的pcnn模型分別給所述第二彩色圖像中的所有像素標(biāo)記上對應(yīng)的標(biāo)簽，所述改進(jìn)的pcnn模型包括連接控制單元。

具體地，所述標(biāo)記單元進(jìn)一步包括：

提取子單元，用于使用連接強度為初始值的所述改進(jìn)的pcnn模型對所述第二彩色圖像進(jìn)行特征提??；

增大子單元，用于增大所述改進(jìn)的pcnn模型的連接強度，使用連接強度增大后的所述改進(jìn)的pcnn模型對所述第二彩色圖像進(jìn)行特征提取，直到不滿足所述第一預(yù)設(shè)條件和所述第二預(yù)設(shè)條件；或者，

當(dāng)不滿足所述第一預(yù)設(shè)條件和所述第二預(yù)設(shè)條件時，將最后一次迭代提取的所述第二彩色圖像的特征對應(yīng)的像素標(biāo)記為相同標(biāo)簽；

其中，所述第一預(yù)設(shè)條件為增大后的連接強度小于第一預(yù)設(shè)閾值；

所述第二預(yù)設(shè)條件為計算該次迭代和前一次迭代提取出的所述第二彩色圖像的特征之間的距離，所述距離小于第二預(yù)設(shè)閾值，或此次迭代提取出的所述第二彩色圖像的特征的個數(shù)小于第三預(yù)設(shè)閾值。

根據(jù)本發(fā)明的第三方面，提供一種計算機程序產(chǎn)品，包括程序代碼，所述程序代碼用于執(zhí)行上述所述的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割方法。

根據(jù)本發(fā)明的第四方面，提供一種非暫態(tài)計算機可讀存儲介質(zhì)，用于存儲如前所述的計算機程序。

本發(fā)明通過對第一彩色圖像進(jìn)行空間轉(zhuǎn)換，生成第二彩色圖像，從所述第二彩色圖像中沒有被標(biāo)記的像素中選取像素作為種子，根據(jù)所述種子，將所述第二彩色圖像的頻譜特征作為輸入，使用能接受向量輸入的改進(jìn)的pcnn模型對所述第二彩色圖像中的像素進(jìn)行標(biāo)記，從而使pcnn用于彩色圖像的分割，并能區(qū)分出不同區(qū)域。

附圖說明

圖1為現(xiàn)有技術(shù)中pcnn模型中的神經(jīng)元結(jié)構(gòu)圖；

圖2為現(xiàn)有技術(shù)中pcnn模型的分割結(jié)果；

圖3為本發(fā)明實施例提供的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割方法流程圖；

圖4為本發(fā)明實施例中改進(jìn)的pcnn模型的神經(jīng)元結(jié)構(gòu)圖；

圖5為本發(fā)明又一實施例提供的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割方法流程圖；

圖6為本發(fā)明實施例提供的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割方法中所述第二預(yù)設(shè)條件中的第二個條件的效果對比圖；

圖7為本發(fā)明實施例中后續(xù)處理示意圖；

圖8為本發(fā)明實施例中區(qū)域合并的效果對比圖

圖9為本發(fā)明實施例提供的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割裝置結(jié)構(gòu)圖；

圖10為本發(fā)明又一實施例提供的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割裝置結(jié)構(gòu)圖。

具體實施方式

下面結(jié)合附圖和實施例，對本發(fā)明的具體實施方式作進(jìn)一步詳細(xì)描述。以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

在介紹本發(fā)明之前，先介紹pcnn模型。圖1為pcnn模型中的神經(jīng)元結(jié)構(gòu)圖。如圖1所示，每個所述神經(jīng)元通過饋入部分和連接部分接收來自相鄰神經(jīng)元的輸入，所述神經(jīng)元通過突觸上的權(quán)重m和w與所述相鄰神經(jīng)元進(jìn)行連接。所述饋入部分和所述連接部分的值由以下公式?jīng)Q定：

其中，fij為第ij各神經(jīng)元的饋入部分，lij是對應(yīng)的連接部分。ykl是第n-1次迭代中所述相鄰神經(jīng)元的輸出。fij和lij分別保留了通過指數(shù)衰減因子和對之前狀態(tài)的更改，因此衰減時間常數(shù)αf和αl為負(fù)數(shù)。只有饋入部分接收輸入激勵s。在數(shù)字圖像處理中。常數(shù)vf和vl是正則化常數(shù)。所述fij和所述lij以二階的方式相結(jié)合形成內(nèi)部狀態(tài)uij，即：

uij[n]＝fij[n](1+βlij[n])；

其中，β為所述fij和所述lij的連接強度。所述內(nèi)部狀態(tài)uij與動態(tài)閾值tij進(jìn)行比較，生成第ij各神經(jīng)元的輸出yij，即：

其中，閾值t是動態(tài)的。當(dāng)神經(jīng)元激發(fā)時，即uij[n]＞tij[n-1]時，閾值通過增加一個較大的常量vt大幅增加。這樣可以阻止該神經(jīng)元在一段時間內(nèi)被激發(fā)，直到所述閾值通過衰減時間常數(shù)αt再次衰減到小于所述內(nèi)部狀態(tài)。通過迭代使用上述公式可以得到一系列二進(jìn)制圖像。圖2為pcnn模型的分割結(jié)果。如圖2所示，第一幅圖像為原始圖像，其他圖像為不同迭代次數(shù)的輸出結(jié)果。

如果沒有特殊說明，以下實施例中的特征平均圖像為將圖像中具有相同標(biāo)簽的像素的特征的平均值作為具有該標(biāo)簽的像素的特征值而形成的圖像。

圖3為本發(fā)明實施例提供的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割方法流程圖，如圖3所示，包括：s1，將第一彩色圖像的顏色空間轉(zhuǎn)換成lab顏色空間，生成第二彩色圖像；s2，使用改進(jìn)的pcnn模型分別給所述第二彩色圖像中的所有像素標(biāo)記上對應(yīng)的標(biāo)簽，所述改進(jìn)的pcnn模型包括連接控制單元。

具體地，s1中，所述lab顏彩空間是目前最均勻的顏色空間，且與設(shè)備無關(guān)，能用于基于幾何距離公式的顏色比較。所述第一彩色圖像為待分割的圖像，可以為任意種類和頻譜數(shù)量的彩色圖像。對所述第一彩色圖像進(jìn)行空間轉(zhuǎn)換，轉(zhuǎn)換成lab顏色空間的第二彩色圖像。s2中，在每次迭代中，從所述第二彩色圖像中選取沒有標(biāo)記的像素，將所述第二彩色圖像中l(wèi)分量最大的沒有標(biāo)記的像素作為種子。如果l分量最大的沒有標(biāo)記的像素有多個，則從中選擇一個作為種子，所述改進(jìn)的pcnn模型可以自動選取種子。然后將所述種子對應(yīng)的神經(jīng)元的狀態(tài)設(shè)置為激發(fā)狀態(tài)，使用所述第二彩色圖像的頻譜作為輸入，使用改進(jìn)的pcnn模型給所述第二彩色圖像中的像素標(biāo)記上對應(yīng)的標(biāo)簽，所述標(biāo)簽可以為迭代的次數(shù)，一次迭代中標(biāo)記的像素的標(biāo)簽相同，不同迭代之間標(biāo)記的標(biāo)簽不同。迭代執(zhí)行選擇種子和根據(jù)所述種子使用所述改進(jìn)的pcnn進(jìn)行標(biāo)記的操作，直到所述第二彩色圖像中的所有像素被標(biāo)記。在s2之前，還包括對所述第二彩色圖像進(jìn)行預(yù)處理。所述預(yù)處理包括降低分辨率、正則化和平滑處理中的一種或多種。其中，降低分辨率能提高圖像分割的速度，正則化使所述改進(jìn)的pcnn算法一般化，平滑處理用于減少噪聲。

圖4為改進(jìn)的pcnn模型中的神經(jīng)元結(jié)構(gòu)圖，如圖4所示，與標(biāo)準(zhǔn)的pcnn模型相比，所述改進(jìn)的pcnn模型引入連接控制單元lcu(linkingcontrolunit)，用于接收當(dāng)前神經(jīng)元及其鄰域的頻譜輸入，所述頻譜為彩色空間中的向量。所述lcu輸出連接信號lcukl以控制第ij個神經(jīng)元和它的鄰域之間建立的連接。本實施例不限于鄰域的種類。當(dāng)所述鄰域為常用的八鄰域時，所述kl∈[1,2…8]。本實施例中，所述改進(jìn)的pcnn模型不受頻譜維度的限制，可以用于處理任意維度的多頻譜圖像。所述連接控制單元lcu的公式為：

其中，lcukl[n]表示第n次迭代中連接控制單元關(guān)于第kl個鄰域的輸出，(i，j)表示當(dāng)前神經(jīng)元的坐標(biāo)，n(i，j)表示當(dāng)前神經(jīng)元的鄰域，sfij^c表示當(dāng)前神經(jīng)元的第c維頻譜特征，sfkl^c表示當(dāng)前神經(jīng)元的鄰域的第c維頻譜特征。|sfij^c-sfkl^c|表示當(dāng)前神經(jīng)元的頻譜特征與當(dāng)前神經(jīng)元的鄰域的頻譜特征之間的距離，θ為第四預(yù)設(shè)閾值。其中，對于lab圖像，c＝{1、2、3}，|sfij^c-sfkl^c|＝|sfij¹-sfkl¹|+|sfij²-sfkl²|+|sfij³-sfkl³|。

所述改進(jìn)的pcnn模型的公式為：

fij[n]＝sij，

uij[n]＝fij[n](1+βnlij[n])，

其中，f表示饋入部分，l表示連接部分，u表示內(nèi)部狀態(tài)，y表示輸出，p表示標(biāo)記的標(biāo)簽，t表示第五預(yù)設(shè)閾值，s表示所述第二彩色圖像的l分量，n表示迭代次數(shù)，β表示連接強度，wt表示初始閾值，ω表示第六預(yù)設(shè)閾值。

本發(fā)明通過對第一彩色圖像進(jìn)行空間轉(zhuǎn)換，生成第二彩色圖像，使用連接控制單元接收所述第二彩色圖像的頻譜輸入，使用改進(jìn)的pcnn模型對所述第二彩色圖像中的像素進(jìn)行標(biāo)記，且每次迭代分割出一個區(qū)域，從而擴展pcnn的應(yīng)用，使pcnn用于彩色圖像的分割。

圖5為本發(fā)明實施例提供的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割方法流程圖，如圖5所示，在上述實施例的基礎(chǔ)上，本實施例中，s2進(jìn)一步包括：s21，使用連接強度為初始值的所述改進(jìn)的pcnn模型對所述第二彩色圖像進(jìn)行特征提?。籹22，增大所述改進(jìn)的pcnn模型的連接強度，使用連接強度增大后的所述改進(jìn)的pcnn模型對所述第二彩色圖像進(jìn)行特征提取，直到不滿足所述第一預(yù)設(shè)條件和所述第二預(yù)設(shè)條件；或者，當(dāng)不滿足所述第一預(yù)設(shè)條件和所述第二預(yù)設(shè)條件時，對最后一次迭代中提取的所述第二彩色圖像的特征對應(yīng)的像素進(jìn)行標(biāo)記；其中，所述第一預(yù)設(shè)條件為增大后的連接強度小于第一預(yù)設(shè)閾值；所述第二預(yù)設(shè)條件為計算該次迭代前后提取出的所述第二彩色圖像的特征之間的距離，所述距離小于第二預(yù)設(shè)閾值，或此次迭代提取的所述第二彩色圖像的特征的個數(shù)小于第三預(yù)設(shè)閾值。

具體地，連接強度增大前后，使用所述改進(jìn)的pcnn模型對所述第二彩色圖像進(jìn)行特征提取時，都是以種子神經(jīng)元作為起始著火點，觸發(fā)其他神經(jīng)元的激發(fā)。當(dāng)同時滿足第一預(yù)設(shè)條件和第二預(yù)設(shè)條件時，迭代執(zhí)行增大連接強度和特征提取的操作，直到不滿足所述第一預(yù)設(shè)條件和所述第二預(yù)設(shè)條件。當(dāng)所述第一預(yù)設(shè)條件和所述第二預(yù)設(shè)條件有一個條件不滿足或兩個條件都不滿足時，對最后一次迭代中提取的所述第二彩色圖像的特征對應(yīng)的像素進(jìn)行標(biāo)記。所述第二預(yù)設(shè)條件中，該次迭代前后提取出的所述第二彩色圖像的特征之間距離可以為該次迭代前后提取的第二彩色圖像中l(wèi)分量或所有分量之間的距離，本實施例中不限于所述距離的計算方式。所述第二預(yù)設(shè)條件中的第二個條件可以降低過分割的程度，減少后續(xù)處理的負(fù)擔(dān)。

如圖6所示，圖6中的第1行圖像為原圖像，第2行圖像為不使用第二預(yù)設(shè)條件中第二個條件的效果圖，第3行圖像為使用第二預(yù)設(shè)條件中第二個條件的效果圖。其中，第2行第1幅和第3行第1幅圖像為標(biāo)記圖像，第2行第2幅和第3行第2幅圖像為特征平均圖像。第2行第3幅和第3行第3幅圖像為后續(xù)處理后的標(biāo)記圖像，第2行第4幅和第3行第4幅圖像為后續(xù)處理后的特征平均圖像。所述后續(xù)處理為下面實施例中的基于最近鄰域的原則合并較小區(qū)域的方法。從中可以看出第3行第4幅圖像明顯比第2行第4幅圖像中的分割效果好。本實施例中通過增大連接強度，計算連接強度增大前后提取的特征是否滿足條件。如果不滿足條件，將最后一次迭代提取的所述第二彩色圖像的特征對應(yīng)的像素標(biāo)記為相同標(biāo)簽。如果滿足條件，則依然進(jìn)行迭代操作，擴大區(qū)域的范圍，從而克服過分割的現(xiàn)象，減少后續(xù)處理的負(fù)擔(dān)。以下為本實施例提供的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割方法的偽代碼。

在上述各實施例的基礎(chǔ)上，本實施例中所述改進(jìn)的pcnn模型的連接強度的初始值為：

其中，βini表示連接強度的初始值，inputseed表示種子的l值，diffmin表示種子與種子的鄰域的最小距離。

具體地，所述改進(jìn)的pcnn模型中連接強度的初始值的設(shè)置應(yīng)當(dāng)能使種子對應(yīng)的神經(jīng)元的至少一個鄰域神經(jīng)元被激發(fā)，即x(1+βinil)＞wt，其中x為與種子的l分量差值最小的鄰域像素的l分量，l為x對應(yīng)的神經(jīng)元的連接部分，βini表示連接強度的初始值，wt表示閾值。解不等式得到其中inputseed表示種子的l分量，diffmin表示種子與鄰域的最小距離。因此，所述改進(jìn)的pcnn模型的連接強度的初始值可以設(shè)置為：

本實施例中，對所述改進(jìn)的pcnn模型的連接強度的初始值進(jìn)行設(shè)置，使設(shè)置的連接強度能使種子對應(yīng)的神經(jīng)元的至少一個鄰域神經(jīng)元被激發(fā)，避免了特征相似的像素由于連接強度過小而不能分為一類的情況和分割出的結(jié)果為孤立點的情況，從而提高了分割的精度和后續(xù)處理的復(fù)雜度。

在上述各實施例的基礎(chǔ)上，本實施例中，在s2之后還包括：統(tǒng)計具有相同標(biāo)簽的像素的個數(shù)；若判斷所述像素的個數(shù)小于第七預(yù)設(shè)閾值，則對所述像素的標(biāo)簽進(jìn)行更改。

具體地，對圖像進(jìn)行分割后，進(jìn)行后續(xù)處理很重要。圖7為本實施例中后續(xù)處理示意圖，如圖7所示。a、b、c、d和e表示不同區(qū)域，每個區(qū)域中的像素具有相同標(biāo)簽，不同區(qū)域中像素的標(biāo)簽不同。a區(qū)域中像素的個數(shù)較少，假設(shè)小于第七預(yù)設(shè)閾值，則將a區(qū)域與其鄰域進(jìn)行合并，即將a區(qū)域中像素的標(biāo)簽更改為其領(lǐng)域中像素的標(biāo)簽。由于a區(qū)域與c區(qū)域共享的邊界最長，因此將a區(qū)域與c區(qū)域進(jìn)行合并。也可以計算a區(qū)域和其相鄰區(qū)域中像素的特征平均值之間的距離，獲取與a區(qū)域距離最小的領(lǐng)域，將a區(qū)域與距離最小的領(lǐng)域進(jìn)行區(qū)域合并。圖8為本實施例中區(qū)域合并的效果對比圖，如圖8所示，第一幅圖像為原圖像，第二幅圖像為沒有進(jìn)行區(qū)域合并的標(biāo)記圖像，第三幅圖像為沒有進(jìn)行區(qū)域合并的特征平均圖像，第四幅圖像為區(qū)域合并后的標(biāo)記圖像，第五幅圖像為區(qū)域合并后的特征平均圖像。本實施例中通過將圖像分割中的過小區(qū)域與鄰域進(jìn)行合并，大大減少了分割中區(qū)域的數(shù)量，降低過分割的程度，便于后續(xù)基于圖像分割的應(yīng)用。

將本實施例提供的彩色圖像方法與ctm、mean-shift、ncuts、fh和kmsgc進(jìn)行比較。具體從pri(probabilisticrandindex,概率邊緣指數(shù))、voi(variationofinformation，信息差異)、gce(globalconsistencyerror，全局一致性錯誤)和bde(boundarydisplacementerror，邊界偏移誤差)四個方面比較分割的準(zhǔn)確性。比較所用的圖像從berkeleysegmentationdatasetbsd300中選取。該數(shù)據(jù)庫包含300幅分辨率為321×481的圖像，每幅圖像對應(yīng)有大約10幅人工標(biāo)注的分割圖像，將人工標(biāo)注的分割圖像作為基準(zhǔn)，計算分割的準(zhǔn)確性。如表1所示，當(dāng)所述第二預(yù)設(shè)閾值smin＝15，所述第三預(yù)設(shè)閾值amin＝500時，本實

表1分割結(jié)果比較

施例提供的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割方法在gce和bde方面的準(zhǔn)確性好，但在voi和pri方面的準(zhǔn)確性較差。

本發(fā)明提供的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割方法為無監(jiān)督分割方法，僅使用彩色圖像的顏色特征進(jìn)行圖像分割。引入連接控制單元以接收彩色圖像的頻譜輸入，對pcnn進(jìn)行改進(jìn)，使其應(yīng)用于彩色圖像。每次迭代選擇一個種子，從而保證每次迭代只分割出一個區(qū)域。使用多個終止條件，使得在分割的初始階段分割的區(qū)域能繼續(xù)增大，在增大到一定程度停止，并通過對連接強度的初始設(shè)置和對較小區(qū)域的合并，大大減少了較小區(qū)域的數(shù)量，降低了過分割的程度。

圖9為本發(fā)明實施例提供的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割裝置結(jié)構(gòu)圖，如圖9所示，該裝置包括轉(zhuǎn)換單元1和標(biāo)記單元2，其中：

所述轉(zhuǎn)換單元1用于將第一彩色圖像的顏色空間轉(zhuǎn)換成lab顏色空間，生成第二彩色圖像；所述標(biāo)記單元2用于使用改進(jìn)的pcnn模型分別給所述第二彩色圖像中的所有像素標(biāo)記上對應(yīng)的標(biāo)簽，所述改進(jìn)的pcnn模型包括連接控制單元。

具體地，所述lab顏彩空間是目前最均勻的顏色空間，且與設(shè)備無關(guān)，能用于基于幾何距離公式的顏色比較。所述第一彩色圖像為待分割的圖像，可以為任意種類和頻譜數(shù)量的彩色圖像。所述轉(zhuǎn)換單元1對所述第一彩色圖像進(jìn)行空間轉(zhuǎn)換，轉(zhuǎn)換成lab顏色空間的第二彩色圖像。在每次迭代中，所述標(biāo)記單元2中在每次迭代中，從所述第二彩色圖像中選取沒有標(biāo)記的像素，將所述第二彩色圖像中l(wèi)分量最大的沒有標(biāo)記的像素作為種子。如果l分量最大的沒有標(biāo)記的像素有多個，則從中選擇一個作為種子，所述改進(jìn)的pcnn模型可以自動選取種子。然后，將所述種子對應(yīng)的神經(jīng)元的狀態(tài)設(shè)置為激發(fā)狀態(tài)，使用所述連接控制單元接收所述第二彩色圖像的頻譜輸入，使用改進(jìn)的pcnn模型給所述第二彩色圖像中的像素標(biāo)記上對應(yīng)的標(biāo)簽，所述標(biāo)簽可以為迭代的次數(shù)，一次迭代中標(biāo)記的像素的標(biāo)簽相同，不同迭代之間標(biāo)記的標(biāo)簽不同。迭代執(zhí)行選擇種子和根據(jù)所述種子使用所述改進(jìn)的pcnn進(jìn)行標(biāo)記的操作，直到所述第二彩色圖像中的所有像素被標(biāo)記。

本發(fā)明通過對第一彩色圖像進(jìn)行空間轉(zhuǎn)換，生成第二彩色圖像，使用連接控制單元接收所述第二彩色圖像的頻譜輸入，使用改進(jìn)的pcnn模型對所述第二彩色圖像中的像素進(jìn)行標(biāo)記，且每次迭代分割出一個區(qū)域，從而擴展pcnn的應(yīng)用，使pcnn用于彩色圖像的分割。

圖10為本發(fā)明實施例提供的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的彩色圖像分割裝置結(jié)構(gòu)圖，如圖10所示，所述標(biāo)記單元2進(jìn)一步包括：提取子單元21和增大子單元22，其中：

所述提取子單元21用于使用連接強度為初始值的所述改進(jìn)的pcnn模型對所述第二彩色圖像進(jìn)行特征提??；所述增大子單元22用于增大所述改進(jìn)的pcnn模型的連接強度，直到不滿足所述第一預(yù)設(shè)條件和所述第二預(yù)設(shè)條件；或者，當(dāng)不滿足所述第一預(yù)設(shè)條件和所述第二預(yù)設(shè)條件時，將最后一次迭代提取的所述第二彩色圖像的特征對應(yīng)的像素標(biāo)記為相同標(biāo)簽；其中，所述第一預(yù)設(shè)條件為增大后的連接強度小于第一預(yù)設(shè)閾值；所述第二預(yù)設(shè)條件為計算該次迭代和前一次迭代提取出的所述第二彩色圖像的特征之間的距離，所述距離小于第二預(yù)設(shè)閾值，或此次迭代提取出的所述第二彩色圖像的特征的個數(shù)小于第三預(yù)設(shè)閾值。

具體地，所述提取子單元21和所述增大子單元22在使用所述改進(jìn)的pcnn模型對所述第二彩色圖像進(jìn)行特征提取時，都是以種子神經(jīng)元作為起始著火點，觸發(fā)其他神經(jīng)元的激發(fā)。當(dāng)同時滿足第一預(yù)設(shè)條件和第二預(yù)設(shè)條件時，所述增大子單元22迭代執(zhí)行增大連接強度和特征提取的操作，直到不滿足所述第一預(yù)設(shè)條件和所述第二預(yù)設(shè)條件。當(dāng)所述第一預(yù)設(shè)條件和所述第二預(yù)設(shè)條件有一個不滿足或兩個條件都不滿足時，對最后一次迭代中提取的所述第二彩色圖像的特征對應(yīng)的像素進(jìn)行標(biāo)記。所述第二預(yù)設(shè)條件中，該次迭代前后提取出的所述第二彩色圖像的特征之間距離可以為該次迭代前后提取的第二彩色圖像中l(wèi)分量或所有分量之間的距離，本實施例中不限于所述距離的計算方式。所述第二預(yù)設(shè)條件中的第二個條件可以降低過分割的程度，減少后續(xù)處理的負(fù)擔(dān)。

本實施例中通過增大連接強度，計算連接強度增大前后提取的特征之間的距離，判斷所述距離是否滿足條件。如果所述距離不滿足條件，則將最后一次迭代提取的所述第二彩色圖像的特征對應(yīng)的像素標(biāo)記為相同標(biāo)簽。如果滿足條件，則依然進(jìn)行迭代操作，擴大區(qū)域的范圍，從而克服過分割的現(xiàn)象，減少后續(xù)處理的負(fù)擔(dān)。

本實施例公開一種計算機程序產(chǎn)品，所述計算機程序產(chǎn)品包括存儲在非暫態(tài)計算機可讀存儲介質(zhì)上的計算機程序，所述計算機程序包括程序指令，當(dāng)所述程序指令被計算機執(zhí)行時，計算機能夠執(zhí)行上述各方法實施例所提供的方法，例如包括：s1，將第一彩色圖像的顏色空間轉(zhuǎn)換成lab顏色空間，生成第二彩色圖像；s2，使用改進(jìn)的pcnn模型分別給所述第二彩色圖像中的所有像素標(biāo)記上對應(yīng)的標(biāo)簽，所述改進(jìn)的pcnn模型包括連接控制單元。

本實施例提供一種非暫態(tài)計算機可讀存儲介質(zhì)，所述非暫態(tài)計算機可讀存儲介質(zhì)存儲計算機指令，所述計算機指令使所述計算機執(zhí)行上述各方法實施例所提供的方法，例如包括：s1，將第一彩色圖像的顏色空間轉(zhuǎn)換成lab顏色空間，生成第二彩色圖像；s2，使用改進(jìn)的pcnn模型分別給所述第二彩色圖像中的所有像素標(biāo)記上對應(yīng)的標(biāo)簽，所述改進(jìn)的pcnn模型包括連接控制單元。

本領(lǐng)域普通技術(shù)人員可以理解：實現(xiàn)上述方法實施例的全部或部分步驟可以通過程序指令相關(guān)的硬件來完成，前述的程序可以存儲于一計算機可讀取存儲介質(zhì)中，該程序在執(zhí)行時，執(zhí)行包括上述方法實施例的步驟；而前述的存儲介質(zhì)包括：rom、ram、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

以上所描述的顯示裝置的測試設(shè)備等實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上。可以根據(jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本實施例方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性的勞動的情況下，即可以理解并實施。

通過以上的實施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到各實施方式可借助軟件加必需的通用硬件平臺的方式來實現(xiàn)，當(dāng)然也可以通過硬件?；谶@樣的理解，上述技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品可以存儲在計算機可讀存儲介質(zhì)中，如rom/ram、磁碟、光盤等，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，

服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行各個實施例或者實施例的某些部分所述的方法。

最后，本申請的方法僅為較佳的實施方案，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。