基于BP神经网络和纹理特征的马尾松图像分割方法_黄健

机器人;视觉;控制

福建农林大学学报(自然科学版)

JournalofFujianAgricultureandForestryUniversity(NaturalScienceEdition)第38卷第6期2009年11月

基于BP神经网络和纹理特征

的马尾松图像分割方法

黄　健,黄习培,李金铭

(福建农林大学计算机与信息学院,福建福州350002)

摘要:马尾松图像中树干部分的纹理可以很好地描述图像中的分割目标,表明神经网络可应用于该分类问题,如果给予较理想的训练样本,就可以得到较好的网络;再用此训练好的网络对输入图像进行分割就会得到较好的结果.结果表明这种方法效果良好.

关键词:图像分割;Gabor滤波器;纹理特征;BP网络;马尾松

中图分类号:TP391.41文献标识码:A文章编号:1671-5470(2009)06-0649-04

ImagesegmentationofpinusmassonianabasedonBPneuralnetworkandtexturefeature

HUANGJian,HUANGXi-pei,LIJin-ming

(CollegeofComputerandInformation,FujianAgricultureandForestryUniversity,Fuzhou,Fujian350002,China)

Abstract:Theimagetextureofpinusmassonianatrunkscouldbeagooddescriptionofthetargetimagesegmentation.Theresultshowedtheneuralnetworkcouldbeappliedtothiskindproblem.Ifidealtrainingsampleswereprovided,theresultofsegmentationcouldbebetter.Theexperimentresultsshowedtheeffectofthismethodwasbetter.

Keywords:imagesegmentation;Gaborfilter;texturefeature;BPnetwork;pinusmassoniana

林分蓄积量是鉴定森林数量和质量的重要指标,可对森林进行评价,为森林的经营、管理、区划提供可靠的依据.国内外许多学者在森林蓄积遥感估测方面进行了大量的研究工作,例如使用光学遥感数据和微波遥感数据进行森林蓄积量估测.马尾松树干部分的纹理符合霍金斯判别纹理特征的3要素:一是某种局部的序列性;二是序列,由基本部分非随机排列组成;三是各部分大致都是均匀的统一体.BP神经网络因其具有并行处理能力和非线性的特点而特别适合于解决分类问题.它将图像分割问题转化为诸如能量最小化、分类等问题,即先利用训练样本集对网络进行训练,再用训练好的网络去分割新的图像.BP神经网络在农林科学的研究领域也有广泛应用.

本文提出用Gabor小波滤波器提取马尾松树干的纹理特征,利用所提取的树干纹理特征作为BP网络的训练样本,采用神经网络对含马尾松图像的林木进行分割,并对实测的马尾松图像进行分割,分割得到的树干部分可作为马尾松蓄积估算的依据[5][3-4][2][1].

1　马尾松树干部分纹理特征提取

1.1　纹理特征提取

纹理特征是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质.与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算.作为一种统计特征,纹理特征常具有旋转不变性,并且对于噪声有较强的抵抗能力.可利用纹理特征分割粗细、疏密等差别较大的纹理图像.但当纹理之间的粗细、疏密等信息相差不大的时候,通常的纹理特征很难准确地反映出纹理之间的差别.常用的纹理特征提取方法有统计方法、几何法、模型法和信号处理法.

1.2　马尾松树干纹理的Gabor小波提取

Gabor小波滤波是一种纹理提取方法,它能够针对人的视觉更加有效地刻画出纹理的特性,因而在图收稿日期:2009-03-06　　修回日期:2009-07-10

作者简介:黄健(1975-),男,实验师,硕士.研究方向:图形图像处理与计算机网络管理.

机器人;视觉;控制

650

[6]福建农林大学学报(自然科学版)第38卷　像处理方面得到了广泛应用,一个二维Gabor小波的基函数可以定义为:

21xg(x,yeω+2πj2πσ2σxσyx(1)

　　其中,g(x,y)是经过复数正弦函数调制的Gaussian函数,σabor小波基函数沿x轴和yx、σy分别为G

轴方向的方差,w为中心频率.这里Gabor小波基函数是以(w,θ)为中心频率的带通滤波器.通过对Gabor小波基函数g(x,y)进行尺度伸缩和旋转形成Gabor小波族:

-mgx,y)=ag(x′,y′),a>1,m,n∈Z(2)mn(

-m-mnπ-m　　其中:x′=a(xcosθ,ysinθ),y′=a(-xcosθ,ysinθ),θ,k是方向数,a是尺度因子.用Gabork

小波提取图像的纹理特征,只要将输入图像与Gabor小波进行卷积运算即可得到不同方向和尺度的子带.由此可知,只要给定x方向、y方向的方差、基函数的频率,以及滤波方向,就可以构造出一个Gabor小波滤

[7]波器,而这些参数会影响滤波器的性能.人们根据不同的目标提出许多参数设定的方法.设输入纹理图

像为I(x,y),则经Gabor分解输出的图像为

Ix,y)=I(x

,y) gx,y)(3)mn(mn(

π图1是一个马尾松　　本研究对获得的样本作了统计分析,得到参数的近似值,各参数分别取2、4、6.3

树干的Gabor小波分解结果.

A.马尾松树干的Gabor小波分解结果;B.由图1A得到的Gabor小波滤波结果;C.由图1B得到的纹理边缘.

图1　Gabor小波滤波器提取的马尾松树干纹理

Fig.1　TrunktextureofpinusmassonianaextractedbyGaborwaveletfilter

2　基于BP网络的图像分割

2.1　构造用于图像分割处理的BP网络

2.1.1　学习样本数据的归一化　训练集各个样本数据的数值范围直接关系到网络学习的结果,由于森林图像的成像受外界光线的影响严重,当图像处于阴影之中时数值的变化范围很小,直接用Gabor滤波器组提取它们的纹理特征并不能有效地对网络权值进行修正,所以在对图像进行纹理特征提取前必须进行图像均衡化处理.同时为了让纹理提取算法具有旋转不变性(由于树干不全是直的),每个样本将按照4个角度(0°、30°、60°、90°)旋转得到4个样本.

2.1.2　BP网络相关参数的选择　具有偏差和至少一个S型隐含层加上一个线性输入层的网络,能够逼近任何有理函数.增加层数可以进一步降低误差,提高精度,但同时也使网络复杂化.另外不能用仅具有非线性激活函数的单层网络来解决问题.因为能用单层网络解决的问题也可用自适应线性网络解决,而且自适应线性网络的运算速度更快.而对于只能用非线性函数解决的问题,单层精度不够高,也只有通过增加层数才能达到期望的结果.根据前人的研究成果和实际应用经验,BP神经网络在模式识别及分类中具有

[8]良好的性能,而且一个具有无限隐含层节点的3层BP网络可以实现任意从输入到输出的非线性映射,

所以这里采用3层BP网络.

尽管输入和输出单元数分别由输入向量的维数和类别数决定,但是隐单元个数并不简单地与此类问题的外在特性相关.隐单元个数决定了网络的表达能力,从而决定了边界的复杂度.如果模式较易分开或线性可分,那么仅需要较少的隐单元;相反,如果从具有较高分散性的复杂度概率密度中抽取的,则需要更

机器人;视觉;控制

　第6期黄健等:基于BP神经网络和纹理特征的马尾松图像分割方法651多的隐单元.过多的隐单元可以精细地调节到特定的训练集上,但测试样本的误差率过高;过少的隐单元则不具备足够的自由度来较好地拟合训练样本,测试误差率依然很高.一个基本的方法是根据训练数据相应地调节网络的复杂程度.由试验结果可知,当输入层节点数为32、隐含层节点数为32、输出层节点数为

[9]2时,可以取得很好的效果.

隐含层和输出层的传递函数均选用非线性S型函数,以完成输入模式到输出模式的非线性映射.标准的BP学习算法通常具有收敛速度慢、易陷入局部极小等缺点,因此出现了许多改进的算法.初始权值为(-0.5,+0.5)之间的随机数,误差为0.01.

2.2　基于纹理特征和BP网络的马尾松图像分割方法

选取训练样本(大小为16×16像素的子图像)40个,含马尾松树干纹理和不含马尾松树干纹理子图像各20个.为了提高识别效果,将所有样本图像按照4个方向(0°、30°、60°、90°)进行旋转得到160个样本图像.对160个样本图像进行直方图均衡化处理,用Gabor滤波器组卷积得到特征能量图,并计算它们的均值和方差,得到的神经网络输入向量(图2)即为提取得到的纹理特征.当其含有树干纹理时输出向量为[1,0],当其不含有树干纹理时输出向量为[0,1].通过训练神经网络得到用于识别树干纹理子图像的网络.

　　将待处理的整幅图像分割为16×16的子图像,同时生成一幅与整幅图像大小相同的结果图像;将它赋值255(即背景色),对每个子图像直方图均衡化;用多通道Gabor滤波器组求得特征能量图,并计算它们的均值和方差,得到神经网络的输入向量.

将神经网络的输入向量输入训练好的网络,如果输出向量的第1个分量大于第2个分量,将结果图像中对应的点赋值0

.

图2　Gabor小波滤波后提取的纹理特征

Fig.2　TexturefeatureextractedbyGaborwaveletfilter

3　结论与讨论

为了说明整个纹理提取算法的有效性,对不同成分的森林图像进行纹理提取,其中含有马尾松的80幅,不含马尾松的20幅.图3给出了算法试验结果的3个例子的原始图像;图4为提取的纹理区域图像(白色表示树干区域).图像为480×480像素,子图像为16×16像素.

机器人;视觉;控制

652福建农林大学学报(自然科学版)第38卷　　　从结果可以看出,在没有噪声的情况下识别的效果十分理想,如图4A所示,在背景较少或背景色与目标颜色相差很大时也有利于目标的识别(图4B).当背景色与前景色相差不大时,由于背景中也可能有相似纹理存在而导致分割结果不太理想,如图4C所示.

参考文献

[1]于海鹏,刘一星,刘镇波.木材纹理的定量化算法探究[J].福建林学院学报,2005,25(2):157-162.

[2]杨嘉麟,郑文岭,马文丽,等.基于改进的BP神经网络的血液细胞图像分割[J].微型电脑应用,2008,24(4):4-7.

[3]唐南奇,谭明军.基于人工神经网络农用地分等研究Ⅰ.分等模型与精度检测[J].福建农林大学学报:自然科学版,

2004,33(2):241-244.

[4]唐南奇,谭明军.基于人工神经网络农用地分等研究Ⅱ.前置数据优化处理[J].福建农林大学学报:自然科学版,2004,

33(4):512-516.

[5]孙红,孙明.农作物无损检测的机器视觉系统标定方法研究[J].农机化研究,2007(2):61-66.

[6]MANJUNATHBS,MAWY.Texturefeaturesforbrowsingandretrievalofimagedata[J].IEEETransactionsonPatternA-

nalysisandMachineIntelligence,1996,18(8):837-842.

[7]赵英男,杨静宇,孟宪权.一种实用的Gabor滤波器组参数设置方法[J].计算机工程,2006,32(19):173-175.

[8]董长虹.Matlab神经网络与应用[M].北京:国防工业出版社,2007.

[9]RICHARDOD,PETEREH,DAVIDGS.模式分类[M].2版.李宏东,姚天翔,译.北京:机械工业出版社,2003.

(责任编辑:叶济蓉)