第２９卷第５期 ２０１２年５月 计算机应用与软件 Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｓｏｆｔｗａｒｅ Ｖ０１．２９ Ｎｏ．５ Ｍａｖ ２０ｌ２ 一种改进的ＣＨＮＮ图像边缘检测方法ｍＷｅｉｇｈｔｅｄ ＣＨＮＮ 赵广复 张有顺 （郑州职业技术学院软件工程系（郑州大学信息工程学院河南郑州４５０１２１） 河南郑州４５０００１） 摘要 针对文献［１］中提出的ＣＨＮＮ图像边缘检测算法缺乏足够的参数来调节边缘检测的灵敏度以及检测结果图像边缘过宽 的缺陷，提出一种改进的ＣＨＮＮ方法，称之为Ｗｅｉｇｈｔｅｄ ＣＨＮＮ（加权的ＣＨＮＮ，简称ＷＣＨＮＮ）方法。该方法在ＣＨＮＮ神经网络元的ｎ 个连接上施加权值，可以通过各种局部搜索、优化算法，使用指定的样本输入、样本输出等方法来训练该ＷＣＨＮＮ网络从而确定各权 值，使得ＷＣＨＮＮ在保留了ＣＨＮＮ的优点的同时，还可以根据不同的样本输入输出图像来调节边缘检测的灵敏度，从而提高检测结 果质量并避免检测结果中出现边缘过宽的情况。实验结果表明，训练后的ＷＣＨＮＮ网络，比起ＣＨＮＮ有着更低的边缘检测错误率， 并可检出原来ＣＨＮＮ方法漏检的边缘。 关键词 中图分类号图像边缘检测 ＣＨＮＮ人工神经网络ＴＰ３９１．４１ 文献标识码Ａ 加权参数参数训练 ＡＮ ＩＭＰＲｏＶＥＤ ＣＨＮＮ ＩＭＡＧＥ ＥＤＧＥ ＤＥＴＥＣＴＩｏＮ ＭＥＴＨｏＤ—ＷＥＩＧＨＴＥＤ ＣＨＮＮ Ｚｈａｏ Ｇｕａｎｇｆｕ Ｚｈａｎｇ Ｙｏｕｓｈｕｎ （Ｄｅｐａｒｔｍｅｎｔ ｏｆＳｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｚｈｅｎｇｚｈｏｕ Ｔｅｃｈｎｉｃａｌ Ｃｏｌｌｅｇｅ，Ｚｈｅｎｇｚｈｏｕ ４５０１２１，Ｈｅｎａｎ，Ｃｈｉｎａ） （ＣｏｌｌｅｇＰｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｅｅｒｎｉｎｇ，Ｚｈｅｎｇｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ ４５０００１，Ｈｅｎａｎ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｉｎ ｒｅｓｐｏｎｓｅ ｔｏ ｔｈｅ ｓｈｏｒｔｃｏｍｉｎｇｓ ｏｆ ＣＨＮＮ ｉｍａｇｅ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂｒｏｕｇｈｔ ｕｐ ｉｎ ｌｉｔｅｒａｔｕｒｅ ｔｊ ｔｈａｔ ｉｔ ｌａｃｋｓ ｅｎｏｕｇｈ ｐａｒａｍｅｔｅｒｓ ｔｏ ａｄｊｕｓｔ ｔｈｅ ｓｅｎｓｉｔｉｖｉｔｙ ｏｆ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｔｈａｔ ｔｈｅ ｅｄｇｅ ｄｅｔｅｃｔｅｄ ｉｓ ｔｏｏ ｗｉｄｅ，ａｎ ｉｍｐｒｏｖｅｄ ＣＨＮＮ ｍｅｔｈｏｄ ｗｈｉｃｈ ｉｓ ｃａｌｌｅｄ Ｗｅｉｇｈｔｅｄ ＣＨＮＮ（ＷＣＨＮＮ ｉｎ ｓｈｏｒｔ）ｉｓ ｐｒｅｓｅｎｔｅｄ．Ｔｈｉｓ ｍｅｔｈｏｄ ｐｕｔｓ ｗｅｉｇｈｔｓ ｏｎ ｎ ｃｏｎｎｅｃｔｉｏｎｓ ｏｆ ｅａｃｈ ｅｌｅｍｅｎｔ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｏｆ ＣＨＮＮ， ａｎｄ ｔｒａｉｎｓ ｔｈｅ ＷＣＨＮＮ ｎｅｔｗｏｒｋ ｕｓｉｎｇ ｖａｒｉｏｕｓ ｌｏｃａｌ ｓｅａｒｃｈ ａｎｄ ｏｐｔｉｍｉｓａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ，ａｓ ｗｅｌｌ ａｓ ｕｓｉｎｇ ｄｅｓｉｇｎａｔｅｄ ｓａｍｐｌｅ ｉｎｐｕｔ ａｎｄ ｏｕｔｐｕｔ ｉｍａｇｅｓ ｔｏ ｄｅｔｅｒｍｉｎｅ ｅｖｅｒｙ ｗｅｉｇｈｔ ｖａｌｕｅ，ｔｈｅｒｅｆｏｒｅ ｔｈｅ ＷＣＨＮＮ ｇａｉｎｓ ｔｈｅ ａｂｉｌｉｔｙ ｏｆ ｔｕｎｉｎｇ ｔｈｅ ｓｅｎｓｉｔｉｖｉｔｙ ｏｆ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ａｃｃｏｒｄｉｎｇ ｔｏ ｄｉｆｆｅｒｅｎｔ ｉｎｐｕｔｓ ａｎｄ ｏｕｔｐｕｔｓ ｏｆ ｉｍａｇｅｓ ｗｈｉｌｅ ｒｅｔａｉｎｉｎｇ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆ ＣＨＮＮ，ＳＯ ｔｈａｔ ｉｍｐｒｏｖｅｓ ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｄｅｔｅｃｔｉｏｎ ｒｅｓｕｌｔｓ ａｎｄ ｐｒｅｖｅｎｔｓ ｔｈｅ ｓｉｔｕａｔｉｏｎ ｏｆ ｔｏｏ—ｗｉｄｅ ｅｄｇｅｓ ｉｎ ｄｅｔｅｃｔｉｏｎ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｔｒａｉｎｅｄ ＷＣＨＮＮ ｎｅｔｗｏｒｋ ｃａｎ ｇｅｔ ｌｏｗｅｒ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ｅｒｒｏｒ ｒａｔｅ ｔｈａｎ ＣＨＮＮ，ａｎｄ ｉｔ ｃａｎ ａｌｓｏ ｄｅｔｅｃｔ ｔｈｏｓｅ ｅｄｇｅｓ ｍｉｓｓｅｄ ｂｙ ＣＨＮＮ． Ｋｅｙｗｏｒｄｓ Ｉｍａｇｅ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ＣＨＮＮ Ａｒｔｉｉｆｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ Ｗｅｉｇｈｔｅｄ ｐａｒａｍｅｔｅｒｓ Ｐａｒａｍｅｔｅｒ ｔｒａｉｎｉｎｇ 了一种新的基于Ｈｏｐｆｉｅｌｄ神经网络的边缘检测方法，称为Ｃｏｎ— ０ 引 言 图像的边缘是指图像中两个不同区域之间边界的位置，通 常处于灰度、色彩，或是纹理变化剧烈的地方 Ｊ。在许多图像 处理系统中，图像的边缘检测往往处于第一步，后续的各种操 作，比如图像分割、边界检测、模式识别等等，都要依赖于图像边 缘检测步骤的性能与质量，可见图像边缘检测的重要性 Ｊ。至 今研究人员提出的各种图像检测算法大致可分为以下几种：基 于一阶与二阶微分的边缘检测方法、基于小波变换的方法、基于 ｔｅｘｔｕａｌ—Ｈｏｐｆｉｅｌｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＣＨＮＮ），该方法可以有效地抑 制图像噪声对边缘检测结果的影响，所得结果类似于人眼观物 的辨识结…。但ＣＨＮＮ方法亦有其不足之处经。实验证明， ＣＨＮＮ中参数的不同取值对检测结果没有影响，即ＣＨＮＮ方法 缺乏足够的参数来调节边缘检测的灵敏度与对噪声的敏感度； 二是ＣＨＮＮ图像边缘检测的结果中，边缘部分普遍宽约５到１０ 像素点，检测精度较低。为提高算法普适性与检测精度，本文提 出了一种对ＣＨＮＮ进行改进的边缘检测方法，称之为Ｗｅｉｇｈｔｅｄ ＣＨＮＮ（简称ＷＣＨＮＮ）。该方法对每个表示图像像素点的神经 形态学的方法、基于模糊理论的方法、基于分形几何的方法、标 记松弛匹配法、神经网络法、自组织聚类法、遗传算法、动态规划 法、矩不变边缘、最小代价函数法等 Ｊ。其中，Ｙａｎ Ｚｈｕ与Ｈｏｎｇ Ｙａｎ提出了一种基于Ｈｏｐｆｉｅｌｄ神经网络的边缘检测方法 ｊ，该 方法使用非监督式的Ｈｏｐｆｉｅｌｄ神经网络来实现边缘检测，但其 本质仍是只考虑单一像素点特性的边缘检测方法，会造成许多 不连续的碎块…。在前人工作基础之上，Ｃｈｕａｎ．Ｙｕ Ｃｈａｎｇ提出 元与其他表示像素点的神经元的连接上施加权值，可以通过各 种局部搜索、优化算法以及使用指定的样本输入、样本输出等方 法来训练该ＷＣＨＮＮ网络从而确定各权值，然后将训练后的 ＷＣＨＮＮ网络用于对目标图像的边缘检测。与ＣＨＮＮ对比实验 收稿日期：２０１１—０６—０８。赵广复，副教授，主研领域：图形图像处 理及教学。张有顺，教授。 第５期 赵广复等：一种改进的ＣＨＮＮ图像边缘检测方法～ｗｅｉｇｈｔｅｄ ＣＨＮＮ 所得的比率。 ２５７ 结果表明，ＷＣＨＮＮ得到的检测结果具有更高的检测精度，并可 检出原来ＣＨＮＮ方法漏检的边缘。 （２）噪声一信号比率 噪声－信号比率 ］，为实际输出图像的边缘点中与样本图 像不符合的点的个数，除以实际输出图像的边缘点中与样本图 ∑ 像相符合的点的个数，所得的比率。 （３）加权和规范化偏差 １ ＣＨＮＮ方法以及常用检测结果评价指标 １．１ ＣＨＮＮ方法简要描述 ＣＨＮＮ使用一个Ｈｏｐｆｉｅｌｄ神经网络，接受一幅Ｎ×Ｎ的灰度 图像作为输入，每一像素点在二维坐标上对应于一个神经元，每 个神经元接受它所对应的像素点的灰度值以及它在（Ｐ，ｑ）范围 内的邻域内的神经元的输出作为输入，神经网络运行至稳定状 态的输出经过阈值二值化之后即为边缘检测的结果。该方法的 详细描述如下。定义 。为位于坐标（ ，ｉ）的神经元的状态ｏＰ、ｑ 加权和规范化偏差Ｅ６］ＷＮＤ为： １ ∑ ∑ ∑ ｄ ， “ ＷＮＤ 毒 南 （６） 其中， 为实际检测出的边缘点数目；，，为样本输出图像中的边 缘点数目；ＩＮ取值为ｍａｘ（ ，，『）．６为缩放常量；ｅ为从一个实际 检测得出的边缘点，到对应的样本输出图像中边缘点的距离。 表示神经元邻域的范围，定义如式（１）所示： ｑ Ｐ 此评价方法可以全面地对实际边缘检测结果进行评价。所得的 （ｙ， ）＝∑‰ ∑８ 一ｑ ：一Ｐ （１） 值越大，说明边缘检测结果与样本输出越一致。 ｐ，ｑ在文献［１］的实验中取值为１。其中，如果ｉ＝ ，６ ＝１； 否则８。。＝Ｏ ｏ可知函数 （ √）对于位于（ ，ｉ）以Ｐ，ｑ定义的邻 域之内的神经元（ｙＪ）返回１，否则返回０。定义： ｄｘ （２） ２ Ｗｅｉｇｈｔｅｄ ＣＨＮＮ方法 ２．１ 对ＣＨＮＮ方法参数取值的分析 文献［１］中介绍的ＣＨＮＮ方法中， 是最重要的参数，我们 分别对其取不同的值来考察ＣＨＮＮ方法检测结果是否有变化。 使用图１的输入图像以及样本输出图像作为测试用例。 其中，ｇ 代表像素（ ，ｉ）的灰度值；ｍａｘ（Ｇ）表示最大的灰度 值。那么，神经元（ ，ｉ）的输入则可以用以下公式计算： Ｎ ｎｅ ， ＝∑∑ 。 。＋Ｌ， ｙ；１ Ｊ＝１ １ Ｎ Ｎ ＝一÷∑∑ｄ ｐ ｑ ｙ√） ｌ＋ （＂× 而ｎｅｔ ｅｘｐ ． （３） （４） 、。 图１ 样本输入图像ＣＮＮ３．ｉｎ以及ＣＮＮ３—０ｕｔ ］ 神经元的激励函数定义如下： 。） 其中，叩是给定的ｓｉｇｍｏｉｄ函数的陡度（在文献［１］中多取０．７）。 此函数用以将第ｎ次更新时的神经元状态值更新到第ｎ＋１次 时的值。 神经网络的能量函数定义为： ｎｅｔ ＿＝ ），√） ． （５） 对于ＣＨＮＮ方法，令Ｐ＝ｑ＝１，给出不同的叼值，应用 ＣＮＮ３．ｉｎ输入图像所得的结果如图２所示。 可以通过能量函数的值来判断ＣＨＮＮ网络是否已经稳定。 使用ＣＨＮＮ进行图像边缘检测的整个过程如下： （１）所有有神经元的状态初始化。 （２）使用式（３）计算每个神经元（ ，ｉ）的总输入。 （３）用等式（４）计算每个神经元的新状态。 （４）复步骤（２）以及步骤（３），直至ＣＨＮＮ已经达到稳定状 ＝０．０１ ／ 、 ＼ ／ ＝０１ ．态，即所有神经元的状态值都不再改变。可以用状态值的变化 是否都小于一个非常小的值来判定神经网络是否已经稳定。 （５）取稳定后所有神经元最终状态值的平均值为阈值，状 态值高于阈值者为边缘点，低于阈值者为非边缘点。 ／ 、／ １．２对边缘检测算法实际结果的评价 对于一幅样本输入图像以及其对应的样本输出图像，可以 将边缘检测算法对于该样本输入图像的实际检测结果与样本输 出图像相比较，评价出算法实际结果的好坏。常见的评价指标 有以下三种： （１）理想边缘检出率 誉 、、 （， ｌｆ Ｕ １ ＝０．３ 图２叼取不同值时采用ＣＨＮＮ方法得到的边缘检测结果 可以观察到，对于不同的 值，ＣＨＮＮ方法所得的结果并无 太大的变化。将这些输出图像与ＣＮＮ３－ｏｕｔ样本输出相对比，计 算出它们的各项评价指标，如表１所示。 理想边缘检出率 ，为实际输出图像中边缘点与样本输出 图像边缘点相符合的个数，除以样本输出图像中边缘点的个数， ２５８ 计算机应用与软件 表１－ｑ取不同值时得到的边缘检测结果的评价指标 ２０１２生 速度、引入多样性、在可能陷入局部最优时跳出局部最优，还种 群规模：３０。 ”值 Ｏ．Ｏｌ Ｏ．１ Ｏ．２ ０．３ 理想边缘检出率 ０．８１５３１８ Ｏ．８１３１４５ ０．８１０９７２ ０．８０８２５６ 噪声一信号比率 １ ０９７２７ １．０９８２ １．Ｏ９９ｌ３ １．１ｏ０１３ ＷＮＤ ０．７２３３９ ０．７２３３０５ ０．７２３１６５ ０．７２３２０２ 算法步骤： （１）随机初始化整个种群，指定样本输入与样本输出图像。 （２）使用每个体代表的参数组合去运行ＷＣＨＮＮ算法，对 所得的边缘检测结果计算错误率衄，采用１／ＥＲ作为适应值。 （３）采用锦标赛算子来选择种群规模的１／３的父代；并且 Ｏ．５ Ｏ．７ ０．８０２８２５ ０．８０１１９５ １．１０２８４ １．０７５９３ ０．７２２８１４ ０．７２８９５９ 上一代中的最优个体一定会被选入下一代中。此１／３将直接复 制到子代中。 由表１可知，对于参数 的不同取值，所得的结果差别并不 明显，即单纯调节参数 不能有效地调节ＣＨＮＮ边缘检测法的 （４）从该１／３父代中杂交产生另外种群规模的１／３的子 代。每一次从３步的１／３父代中随机挑选两个个体进行交叉， 灵敏度。 ２．２ Ｗｅｉｇｈｔｅｄ ＣＨＮＮ网络的定义 基于对ＣＨＮＮ方法参数的实验与分析，本文提出对其改进 后的Ｗｅｉｇｈｔｅｄ ＣＨＮＮ方法。将ＣＨＮＮ算法的Ｐ、ｑ参数固定为１， 然后为为每个连接添加一个权值，单个神经元（ ，ｉ）与它的邻 域内的神经元的连接如图３所示。 ． ｒ ｌ 图３添加权值后神经元（ ， ）的邻域内的神经元的连接示意图 则需将计算神经元（ ， ）输出值函数修改为： 删 ＝一寺 Ａｙ－ｘ，ｊ－ｉｄ ：， （７） 一【Ｙ，Ｊ）Ｅ （ ｔ‘） 其中，Ｎ（ ，ｉ）＝｛（ 一１，ｉ一１），（ ，ｉ一１），（ ＋１，ｉ一１），（ 一 １，ｉ），（ ＋１，ｉ），（ 一１，ｉ＋１），（ 一１，ｉ＋１），（ ，ｉ＋１），（ ＋１， ｉ＋１）｝。Ａ… 是神经元（ ，ｉ）到神经元（ｙ， ）的连接之上的权 值。表示如下： 厂Ａ—ｌ，一１ Ａ０，一１ Ａ１，一１ １ 厂Ｏ；１ 口２ Ⅱ３１ ｌ Ａ一１．０ 一 Ａ１，ｏ ｌ＝ｌ。４ 一。５ Ｉ （８） Ｌ ＡⅡ７。８＿Ｊ 一１，ｌ Ａ０Ｉ Ａ１１ Ｊ Ｌ ６“．．ｎ 到０８是Ｗｅｉｇｈｔｅｄ ＣＨＮＮ算法的参数；它们的取值范围取 ［一１，１］。由于此算法对ＣＨＮＮ所作的主要改变便是于每一神 经元到其邻域神经元的每一连接之上施加了权值，因此将其命 名为Ｗｅｉｇｈｔｅｄ ＣＨＮＮ（加权的ＣＨＮＮ），简称ＷＣＨＮＮ。 ２．３ Ｗｅｉｇｈｔｅｄ ＣＩ｜口 Ｎ网络的训练 由ＷＣＨＮＮ的定义可以看出，如果令神经元连接权值为１， 则ＷＣＨＮＮ网络事实上就相当于一个ＣＨＮＮ网络。要令 ＷＣＨＮＮ适用于不同性质的图像的边缘检测工作，自然需要使 用相应的样本输出图像、样本输出图像对该ＷＣＨＮＮ网络进行 训练；这一过程即是确定参数组合ｌ ，０。，Ⅱ：，０３，ｑ ，。５，８６，。７， ｏ。］，使ＷＣＨＮＮ对给定的输出图像的处理结果接近于理想的 样本输出图像。 为了较好地训练ＷＣＨＮＮ网络参数，本文针对ＷＣＨＮＮ的 特点设计了的遗传算法来对ＷＣＨＮＮ进行训练。为了加快收敛 这两个个体记为Ｐ１以及Ｐ２，最后１／３的子代随机产生。， ／ 的 （５）对子代进行变异操作。变异的方法为对每个个体随机 个参数赋予处于各参数的上界与下界之内的随机值。ｎ 的计算方法为： ＝ｍｎｄ（０，ｍｉｎ（ａｒｇｃ一１，Ｃ× ＋１）） （９） 其中，ａｒｇｃ代表参数的个数，对于ＷＣＨＮＮ，其值为９。Ｃ代表最 近连续最大适应值都没有发生变化的代数。 （６）Ｃ＞２０时，采用爬山法对最优个体进行优化。方法为 依次对最优个体的每个参数向左、右进行微调，有利的微调将被 接受。依次采用该参数的上界下界的０．０ｌ倍至０．０００００１倍为 步长进行微调，步长每次缩减为上次的１／１０；重复爬山的过程 至最优个体的适应值不再增大为止。 （７）如果满足条件则优化停止。否则跳转到步骤（２）。 ３实验结果与分析 ３．１对ＷＣＨＮＮ网络的参数训练 分别使用无噪声的样本输入图像ＣＮＮ３。ｉｎ与加入了１．８％ 高斯分布的噪声的输入图像ＣＮＮ３ＧａｕｓｓｉａｎＮｏｉｓｅｌ８一ｉｎ，对 ＷＣＨＮＮ进行训练过程。训练中的错误率指标使用ＷＮＤ方法 来计算。 的上界取Ｉ，下界取０．Ｏ１；ａ 至ａ 的取值范围为［一 Ｉ，Ｉ］。相应的样本输入、样本输出如图４所示。 样本输入圈像 样本鞠出图像 ‘ｌ１ ｌ＿ 毒 厂 ／Ｉ／Ｉ／ ｒ一 ） ｇ － 嗽 ０ ｉｎ Ｃｈ￣／３－ｏｕｔ ‘ 睡 ｛ ｝薹曩 １ ｌ尊¨ 厂 ／Ｉ／Ｉ／ Ｉ ＿＿ ’ｒ｜ ＿＿－ Ｈ 鼯ｉａ Ｎｏｉ５ｅ１Ｂ－ｉｎ Ｃｈ￣ｏｕｔ 图４ ＷＣＨＮＮ的训练样本的输入输出用例 得到将使用无噪声样本图像训练所得的该组参数记为 ＷＣＨＮＮＩ，将使用有噪声样本图像训练所得的另一组参数记为 ＷＣＨＮＮ２，其值分别为： ）第５期 赵广复等：一种改进的ＣＨＮＮ图像边缘检测方法一ｗｅｉｇｈｔｅｄ ＣＨＮＮ ２５９ 麓 ，， 高噪声输入，使用有噪声样本训练的ＷＣＨＮＮ２的噪声．信号比 率还是要比原ＣＨＮＮ算法低。ＷＣＨＮＮ１对于高噪声的输入，各 项指标都指示其边缘检测质量大幅下降，而ＷＣＨＮＮ２对各噪声 程度的输入图像的边缘检测结果的质量都比较稳定，各项指标 （１０） 变化幅度不大，即经过训练的ＷＣＨＮＮ网络具有更好的普适性。 将ＷＣＨＮＮ与ＣＨＮＮ用于对图像处理领域的一些常用测试 图像进行边缘检测，对比如图６所示。可以看出，ＷＣＨＮＮ得到 Ｌ０ ｎ ｊ ０．９１８２ ０．４９５１ ０．０９８９ ３．２ ＷＣＨＮＮ与ＣＨＮＮ对比实验 的边缘检测结果依然更加清晰细腻。 图５和图６以及表２分另Ｕ展示了ＷＣＨＮＮ与ＣＨＮＮ对相同 表２ ＣＨＮＮ与ＷＣＨＮＮ边缘检测结果评价指标值统计表 图像进行边缘检测后得到的图像和评价指标值。 样本输入图像 算法 理想边缘检出率 噪声－信号比率 ＷＮＤ ■ ； ＣＨＮＮ ０．８０１１９ １．０７５９３ ０．７２８９５ ＣＮＮ３一ｉｎ ＷＣＨＮＮ１ ０．９６５７７ Ｏ．１８７２８ ０．９２０２９ ““ ＷＣＨＮＮ２ ０．８８５９３ ０．３３４７６ ０．８７４３６ 一 － ＿ 。 ＯＩＳ３－ｉｎ ａ珥 Ｉ ￣ｕｓｓｉｔ嗣ｏ１船１０＿ ａｕ嚣１ａ №１∞１Ｓ－ｉｎ ＣＨＮＮ ０．７８９２４ １．１３４２ｌ ０．７１３４３ ＣＮＮ３Ｇａｕｓｓｉ ／气 ＷＣＨＮＮ１ ０．９２４４９ Ｏ．４ｏ０１ｌ ０．８０３３ ／ ／ ａｎＮｏｉｓｅｌ０ ｉｎ ＷＣＨＮＮ２ ０．８７１２６ ０．３４５３８ ０．８７Ｏ９６ 、 、 ＣＨＮＮ ０．７８７６１ １．１７９３１ ０．７０４３９ ＣＮＮ３Ｇａｕｓｓｉ ０ ａⅫ ＷＣＨＮＮ１ ０．８８８１０ １．９９９３９ ０．４１６６０ ａｎＮｏｉｓｅｌ８．ｉｎ 黼 ＷＣＨＮＮ ０．８４４６５ ０．５Ｏ６１０ ０．７９３６６ （－ ，一’ ．、ｆ ４ 结语 本文提出了一种基于Ｈｏｐｆｉｅｌｄ神经网络的图像边缘检测算 法ＷＣＨＮＮ，其源自文献［１］提出的ＣＨＮＮ神经网络边缘检测 法，主要针对ＣＨＮＮ的不足之处进行了改进，赋予了该方法对 于边缘检测灵敏度以及噪声敏感度的可调节能力，使得检测结 果明晰可辨。相比于ＣＨＮＮ简单易实现，ＷＣＨＮＮ需要训练样 图５ ＣＨＮＮ与ＷＣＨＮＮ进行边缘检测的输出图像 例的输入输出，使用优化方法优化参数选择，但神经网络的训练 ■■圈 是一次训练无限次使用，因此对算法效率的影响还在可接受范 围内 ■■ ■ １－ｒ ２５ １ 参考文献 ； 圈 ［１］Ｃｈｕａｎ—Ｙｕ Ｃｈａｎｇ．Ｃｏｎｔｅｘｔｕａｌ—ｂａｓｅｄ ｈｏｐｆｉｅｌｄ ｎｅｕｒｌａ ｎｅｔｗｏｒｋ ｆｏｒ ｍｅｄｉｃａｌ ｉｍａｇｅ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ［Ｊ］．Ｏｐｔｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，２００９，４５（３）：１６１ —１６８． ［２］Ａｌｐｅｒ Ｂａ￣ｔｔｔｒｋ，Ｅｎｉｓ Ｇｔｉｎａｙ．Ｅｆｆｉｃｉｅｎｔ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ｉｎ ｄｉｇｉｔｌａ ｉｍａｇｅｓ Ｕ— ｓｉｎｇ ａ ｃｅｌｌｕｌａｒ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｏｐｔｉｍｉｚｅｄ ｂｙ ｄｉｆｆｅｒｅｎｔｉａｌ ｅｖｏｌｕｔｉｏｎａｒｙ ａｌ・ ｇｏｒｉｔｈｍ［Ｊ］．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ Ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，２００９，３６（２）：２６４５ ． —２６５０． ｃＴ—ｍ。引自文■［１］ ［３］张小琳．图像边缘检测技术综述［Ｊ］．高能量密度物理，２００７。３ （１）：４８—４９． 图６ ＷＣＨＮＮ与ＣＨＮＮ对经典图像边缘检测结果对比图 ［４］Ｙａｎ Ｚｈｕ，Ｈｏｎｇ Ｙａｈ．Ｃｏｍｐｕｔｅｒｉｚｅｄ ｔｕｍｏｒ ｂｏｕｎｄａｒｙ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ａ 从图５检测结果中可以看出，训练后的ＷＣＨＮＮ１和 Ｈｏｐｆｉｅｌｄ ｎｅｕｒｌａ ｎｅｔｗｏｒｋ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａ￣ａｇ， ＷＣＨＮＮ２都成功检测出来了所有的边缘，而且清晰可见；从表２ ２００９，１６（１）：５５—６７． 中也可以看出，ＷＣＨＮＮ要比原ＣＨＮＮ算法在理想边缘检出率 ［５］Ｔａｍａｒ Ｐｅｌｉ，Ｄａｖｉｄ Ｍａｌａｈ．Ａ ｓｔｕｄｙ ｏｆ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｉｒｔｈｍｓ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ ａｎｄ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２００９，２０（１）：ｌ一２１． 这一指标上得到的值更高。这表明，ＷＣＨＮＮ相比于ＣＨＮＮ有 ［６］Ｙｕｋｓｅｌ Ｍ Ｅ．Ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ｉｎ ｎｏｉｓｙ ｉｍａｇｅｓ ｂｙ ｎｅｕｒｏ－ｆｕｚｚｙ ｐｒｏｃｅｓｓｉｎｇ 更高的边缘检测灵敏度。 『Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２００８，６１ 使用无噪声样本输入图像训练所得的ＷＣＨＮＮ１，则对噪声 （２）：８２—８９． ’ 最为敏感；而使用有噪声样本输入图像训练所得的ＷＣＨＮＮ２， ［７］张宇伟，王耀明，蒋慧钧．一种结合ｓｏｂｅｌ算子和小波变换的图像边 则对噪声的敏感程度较低。这表现为对于低噪声输入，使用无 缘检测方法［Ｊ］．计算机应用与软件，２００７，２４（４）：１３３—１３４，１６１． 噪声样本训练的ＷＣＨＮＮ１以及使用有噪声样本训练的 ［８］李敏，蒋建春．基于腐蚀算法的图像边缘检测的研究与实现［Ｊ］． ＷＣＨＮＮ２，它们的噪声．信号比率都比原ＣＨＮＮ算法低；而对于 计算机应用与软件，２００９，２６（１）：８２—８４．