Алгоритм сегментации изображения с помощью искусственной нейронной сети без использования других изображений


https://doi.org/10.24108/rdopt.0317.0000108

Полный текст:


Аннотация

В работе представлен алгоритм выделения сегментов на графических изображениях. Предложенный алгоритм использует нейронную сеть для определения принадлежности отдельно взятого пикселя конкретному кластеру. В качестве метода сегментации используется метод выращивания областей, основанный на сравнивании ближайших соседей отдельно взятого пикселя изображения. Для принятия решения о схожести двух пикселей используется трёхслойный персептрон. Осуществляется сравнение трёх цветовых компонент пикселей в рамках модели RGB. Таким образом, во входном слое нейронной сети 6 нейронов – 3 для RGB компонент первого пикселя и 3 для RGB компонент второго. В данной реализации в среднем слое нейросети содержится 50 нейронов. В выходном слое содержится 2 нейрона, которые показывают схожесть или различие сравниваемых пикселей. Обучающее множество нейронной сети формируется с помощью специально сгенерированного импульсного шума. Для генерации шума используется линейный конгруэнтный генератор псевдослучайных чисел. Генератор используется для получения как цвета, так и координаты зашумлённого пикселя. Для формирования обучающего множества генерируется определённое количество зашумлённых пикселей. В рамках данной работы это количество равно 10% всех пикселей изображения. Затем для каждой испорченной точки происходит формирование обучающих наборов так, что все ближайшие соседи считаются находящимися в различных кластерах с повреждённым пикселем. Проведён компьютерный эксперимент как в автоматическом, так и в интерактивном режимах. Результаты эксперимента показали что алгоритм достаточно хорошо обучает нейронную сеть для сегментации изображения без привлечения дополнительных изображений.


Об авторах

С. В. Белим
ОмГУ им. Ф.М. Достоевского, Омск
Россия

Белим Сергей Викторович

Профессор, заведующий кафедрой информационной безопасности Омского государственного университета им. Ф. М. Достоевского.

В 1996 году окончил Омский государственный университет по специальности «Физика». В 2009 году защитил диссертацию на соискание ученой степени доктора физико-математических наук. Область научных интересов – модели безопасности компьютерных систем, интеллектуальные системы защиты информации.



С. Б. Ларионов
ОмГУ им. Ф.М. Достоевского, Омск
Россия

Ларионов Станислав Борисович

Аспирант кафедры информационной безопасности Омского государственного университета им. Ф. М. Достоевского.

В 2014 году окончил Омский государственный университет по специальности «Компьютерная безопасность». Область научных интересов – обработка изображений, нейронные сети, программирование

 



Список литературы

1. Kuntimad G., Ranganath H.S. Perfect image segmentation using pulse coupled neural networks // IEEE Trans. on Neural Networks. 1999. Vol. 10. No. 3. Pp. 591–598. DOI: 10.1109/72.761716

2. Ma Yide, Liu Qing, Qian Zhibo. Automated image segmentation using improved PCNN model based on cross-entropy // Intern. symp. on intelligent multimedia, video and speech processing: ISIMP 2004 (Hong Kong, October 20–22, 2004): Proc. N.Y.: IEEE, 2004. Pp. 743-746. DOI: 10.1109/ISIMP.2004.1434171

3. Ma Yi-de, Qi Chun-liang. Study of automated PCNN system based on genetic algorithm // J. of System Simulation. 2006. No. 3. Pp. 722-725.

4. Xiao-Dong Gu, Shi-De Guo, Dao-Heng Yu. A new approach for automated image segmentation based on unit-linking PCNN // 1st Intern. conf. on machine learning and cybernetics: ICMLC 2002 (Beijing, China, November 4-5, 2002): Proc. N.Y.: IEEE, 2002. Pp. 175-178. DOI: 10.1109/ICMLC.2002.1176733

5. Stewart R.D., Fermin I., Opper M. Region growing with pulse-coupled neural networks: An alternative to seeded region growing // IEEE Trans. on Neural Networks. 2002. Vol. 13. No. 6. Pp. 1557–1562. DOI: 10.1109/TNN.2002.804229

6. Qing Z., Guanhui Y., Tingling G., Hong Z., Junxiao L. Fabric defect segmentation based on region growing PCNN model // Computer application and software. 2011. Vol. 28. No. 11. Pp. 171-175.

7. Hai-Rong Ma, Xin-Wen Cheng. Automatic image segmentation with PCNN algorithm based on grayscale correlation // Intern. J. of Signal Processing, Image Processing and Pattern Recognition. 2014. Vol. 7. No. 5. Pp. 249–258. DOI: 10.14257/ijsip.2014.7.5.22

8. Привалов М.В., Скобцов Ю.А., Кудряшов А.Г. Применение нейросетевых методов классификации для сегментации компьютерных томограмм // Вестник Херсонского национального техн. ун-та. 2010. № 2. С. 103-109.

9. Chandhok C. A novel approach to image segmentation using artificial neural networks and K-means clustering // Intern. J. of Engineering Research and Applications (IJERA). 2012. Vol. 2. Iss. 3. Pp. 274-279.

10. Nemirovsky V.B., Stoyanov A.K. Multi-step segmentation of images by means of a recurrent neural network // 7th Intern. forum on strategic technology: IFOST-2012 (Tomsk, Russia, Sept. 18–21, 2012). N.Y.: IEEE, 2012. Vol. 1. Pp. 557–560. DOI: 10.1109/IFOST.2012.6357619

11. Bugao Xu, Sheng Lin. Automatic color identification in printed fabric images by a fuzzy neural network // AATCC Review. 2002. Vol. 2. No. 9. Pp. 42–45.

12. Yao K.C., Mignotte M., Collet C., Galerne P., Burel G. Unsupervised segmentation using a self-organizing map and a noise model estimation in sonar imagery // Pattern Recognition. 2000. Vol. 33. No. 9. Pp. 1575–1584. DOI: 10.1016/S0031-3203(99)00135-1

13. Aria E.H., Saradjian M.R., Amini J., Lucas C. Generalized cooccurence matrix to classify IRS-1D images using neural network // 20th ISPRS Congress (Istanbul, Turkey, July 12-23, 2004).: Proc. 2004. Pp. 117–123.

14. Awad M., Chehdi K., Nasri A. Multicomponent image segmentation using a genetic algorithm and artificial neural network // IEEE Geoscience and Remote Sensing Letters. 2007. Vol. 4. No. 4. Pp. 571–575. DOI: 10.1109/LGRS.2007.903064

15. Zhou Z., Wei S., Zhang X., Zhao X. Remote sensing image segmentation based on self-organizing map at multiple-scale // Proc. of the Society of Photo-Optical Instrumentation Engineers (SPIE). 2007. Vol 6752. Pp. 122-126. DOI: 10.1117/12.760420

16. Kurnaz M.N., Dokur Z., Olmez T. Segmentation of remote-sensing images by incremental neural network // Pattern Recognition Letters. 2005. Vol. 26. No. 8. Pp. 1096–1104. DOI: 10.1016/j.patrec.2004.10.004

17. Белим С.В., Кутлунин П.Е. Выделение контуров на изображениях с помощью алгоритма кластеризации // Компьютерная оптика. 2015. Т. 39. №. 1. С. 119–124. DOI: 10.18287/0134-2452-2015-39-1-119-124

18. Белим С.В., Ларионов С.Б. Алгоритм сегментации изображений, основанный на поиске сообществ на графах // Компьютерная оптика. 2016. Т. 40. № 6. С. 904-910. DOI: 10.18287/2412-6179-2016-40-6-904-910


Дополнительные файлы

Для цитирования: Белим С.В., Ларионов С.Б. Алгоритм сегментации изображения с помощью искусственной нейронной сети без использования других изображений. Радиостроение. 2017;(3):43-53. https://doi.org/10.24108/rdopt.0317.0000108

For citation: Belim S.V., Larionov S.B. The Neural Network-aided Image Segmentation Algorithm Without Involving Additional Images. Radio Engineering. 2017;(3):43-53. (In Russ.) https://doi.org/10.24108/rdopt.0317.0000108

Просмотров: 520

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2587-926X (Online)