В статье предложен алгоритм кластеризации изображения по цветовому признаку с использованием искусственной нейронной сети. Отличительной особенностью предложенного алгоритма является использование кластеризуемого изображения для создания обучающего множества. Обучающее множество формируется с помощью добавления к изображению искусственного импульсного шума с известными координатами. Искусственная нейронная сеть для испорченных шумом пикселей принимает только отрицательные решения. Проведен компьютерный эксперимент. Показана высокая эффективность предложенного метода.
бридным генетическим алгоритмом. Данное совмещение, демонстрируя достаточно хорошие результаты
сегментации, характеризуется низкой скоростью работы. В статье [15] предложен подход, использующий
карты Кохонена для уточнения результатов, получаемых методом -средних. Совмещение карт Кохонена
с методом выращивания областей предложено в работе [
Следует отметить, что большинство алгоритмов носит специализированный характер и ориентировано на изображения определенного типа. Это ограничение связано с проблемой формирования обучающего множества. Для эффективного обучения любой искусственной нейронной сети необходимо достаточно большое количество схожих изображений с известными результатами. При этом попытки сегментировать изображение, существенно отличающееся от изображений, присутствующих в обучающем множестве, приводит значительному снижению результатов.
В данной статье предложен алгоритм формирования обучающего множества, привязанный к конкретному изображению и учитывающий его особенности. Сегментация изображений выполняется с помощью использования трехслойного персептрона в рамках метода выращивания областей. 1
Алгоритм сегментации и обучение нейронной сети Для сегментации изображения необходимо определить схожие пиксели, которые будут объединены в один сегмент. Схожесть будем определять, проводя парное сравнение двух пикселей. Принятие решения об отношении к одному сегменту реализуем с помощью искусственной нейронной сети. Алгоритм сегментации будет состоять из последовательного обхода всех пикселей изображения. Для каждого пикселя выполняется следующий набор шагов:
1. Последовательно перебираем все ближайшие соседние пиксели. Ближайшими соседями считаются пиксели, имеющие с данным пикселем общую сторону или общую вершину.
2. Для каждого ближайшего соседнего пикселя с помощью нейросети принимаем решение, относятся ли они с данным пикселем к одному сегменту или разным.
3. Пиксели, относящиеся к одному сегменту, помечаем одинаковой меткой.
В алгоритме осуществляется обход всех пикселей. Для каждого пикселя количество соседей не превышает восьми, поэтому количество операций будет фиксировано. Таким образом, алгоритм имеет линейную трудоемкость.
Подход к сегментации, основанный на сравнении пикселя с ближайшими соседями, дал хорошие
результаты в рамках графового представления изображения [
Будем осуществлять сегментацию только на основании цветовых характеристик пикселей. В рамках модели RGB каждый пиксель характеризуется тремя цветовыми координатами. В связи с этим нейросеть должна иметь шесть входных аксонов. На выходе принимается решение об отношении пикселя к одному и тому же или к разным сегментам, поэтому на выходе будет два аксона. Будем использовать трехслойный персептрон. Количество нейронов в скрытом слое будем определять экспериментально.
Важным вопросом является формирование обучающего множества. Сложность задачи состоит в том, что имеется ровно одно изображение, для которого изначально ничего не известно. При этом надо сформировать достаточно большое количество обучающих выборок с ответом, определенным априори. Будем формировать обучающую выборку с помощью искусственно сгенерированного импульсного шума. С помощью генератора псевдослучайных последовательностей определим координаты 10% пикселей изображения, цвет которых будет изменен. Палитра изображения содержит m цветов. Пусть цвет -го изменяемого пикселя имеет значение . Если > /2, то выбираем новое значение случайным образом из интервала [0, /2]. Если < /2, то выбираем новое значение случайным образом из интервала [/2, − 1]. Таким образом, цвет нового пикселя будет существенно отличаться от предыдущего и, с высокой вероятностью, он не может быть объединен в один сегмент с окружающими пикселями. Далее перебираем все пары ближайших соседей и формируем обучающую выборку для нейросети, считая, что данные пиксели не могут быть объединены в один сегмент. Высыпание случайных пикселей на изображение повторяем несколько раз. Обучение нейросети осуществляем с помощью метода обратного распространения ошибки. 2
Компьютерный эксперимент Компьютерный эксперимент проводился на цветных изображениях с глубиной палитры = 256. Высыпание поврежденных пикселей на изображение для формирования обучающего множества осуществлялось
Пример работы алгоритма в автоматическом режиме с разбиением всего изображения на отдельные сегменты приведены на рисунке 1. На данном рисунке представлены контуры выделенных сегментов. [2] M. Yide, L. Qing. Automated image segmentation using improved PCNN model based on cross-entropy. 2004 International Symposium on Intelligent Multimedia, Video and Speech Processing , Hongkong, China, October 2004. [3] M. Yide, Q. Chunliang. Study of Automated PCNN System Based on Genetic Algorithm. Journal of system simulation, 18(3):722–724, 2006. [4] G. Xiaodon, G. Shide, Y. Daohen. A new approach for image segmentation based on unit-linking PCNN.
Proceeding of the first International Conference on Machine Learning and Cybernetics , Hebei, China, November 2002. [5] R.D.F. Stewart, M. Opper. Kegion growing with pulse-coupled neural networks: An alternative to seeded region growing. IEEE Transactions on Neural Networks , 13(6):1557–1562, 2002. [6] Z. Qing, Y. Guanhui, G. Tingling, Z. Hong, L. Junxiao. Fabric Defect Segmentation Based on Region Growing
PCNN Model. Computer application and software , 28(11):171–175, 2011. [7] H.-R. Ma, X.-W. Cheng. Automatic Image Segmentation with PCNN Algorithm Based on Grayscale Correlation. International Journal of Signal Processing, Image Processing and Pattern Recognition , 7(5):249– 258, 2014. [8] O. Senyukova, A. Lukin, D. Vetrov. Automated Atlas-Based Segmentation of NISSL-Stained Mouse Brain
Sections Using Supervised Learning. Programming and Computer Software , 37(5):245–251, 2011. [9] C. Chandhok. A Novel Approach to Image Segmentation using Artificial Neural Networks and K-Means Clustering. International Journal of Engineering Research and Applications (IJERA) , 2(3):274–279, May– Jun 2012. [10] V.B. Nemirovsky, A.K. Stoyanov. Multi-step segmentation of images by means of a recurrent neural network.
Proc. of the 7th Intern. forum on strategic technology (IFOST–2012) , Tomsk, 1:557–560, Sept. 2012. [11] B. Xu, S. Lin. Automatic Color Identification in Printed Fabric Images by a Fuzzy Neural Network.
Journal of AATICC Review , 2(9):42–45, 2002.
[12] K. Yao, M. Mignotte, C. Collet, P. Galerne, G. Burel. Unsupervised Segmentation Using a Self Organizing Map and a Noise Model Estimation in Sonar Imagery. Computer Journal of Pattern Recognition Letters , 33(9):1575–1584, 2000. [13] E. Aria, M. Saradjian, J. Amini, C. Lucas. Generalized Cooccurence Matrix to Classify IRS-1d Images
Using Neural Networks. In Proceedings of ISPRS Congress , Turkey, 117–123, 2004. [14] M. Awad, K. Chehdi, A. Nasri. Multi Component Image Segmentation Using Genetic Algorithm and Artificial Neural Network. Computer Journal of Geosciences and Remote Sensing Letters , 4(4):571–575, 2007. [15] Z. Zhou, S. Wei, X. Zhang, X. Zhao. Remote Sensing Image Segmentation Based on Self Organizing Map at Multiple Scale. In Proceedings of SPIE Geoinformatics: Remotely Sensed Data and Information , USA, 122–126, 2007.
Image Clustering by Means of an Artificial Neural Network