葛曉葉，喬棟

（山西大同大學煤炭工程學院，山西大同037003）

基于OTSU的細胞神經(jīng)網(wǎng)絡視頻對象分割算法

葛曉葉，喬棟

（山西大同大學煤炭工程學院，山西大同037003）

結(jié)合CNN的特點，提出了一種基于OTSU算法的細胞神經(jīng)網(wǎng)絡視頻對象分割算法，通過仿真實驗證明了此算法的可行性。本算法是對差分圖像合并算法的一種改進，原理簡單，易實現(xiàn)，處理速度快且精度高。

細胞神經(jīng)網(wǎng)絡；視頻對象分割；OTSU算法；閾值

引言

隨著多媒體技術(shù)的迅猛發(fā)展，視頻對象分割技術(shù)廣泛應用于交通流檢測、電視會議、視頻檢索等領(lǐng)域，具有重要的研究意義和應用價值。在視頻對象分割中要進行大量計算，因此必須滿足視頻對象分割的實時性，才能保證其實用價值。

細胞神經(jīng)網(wǎng)絡是大型非線性模擬電路，其芯片整體運算的速度已達兆兆級，具有實時信號處理能力［1］。將細胞神經(jīng)網(wǎng)絡應用于視頻對象分割中，可以實現(xiàn)分割精度高、速度快。

1　OTSU算法與圖像分割

OTSU即最大類間方差法，根據(jù)圖像的灰度特性，選取分割閾值，將圖像分為兩部分，一部分為目標對象（即前景），一部分為背景。對圖像Ⅰ（x，y），設(shè)T為目標與背景的分割閾值，T從灰度值的最小值依次取到最大值，當使目標和背景的方差最大時，T就是所需閾值，即最佳閾值。其中，方差是度量圖像灰度分布均勻性的，其值越大，構(gòu)成目標和背景的差別就越大，若目標和背景有部分錯分，會導致兩部分差別變小，因此，使類間方差最大可使錯分概率最小化［2］。

2　細胞神經(jīng)網(wǎng)絡與圖像處理

細胞神經(jīng)網(wǎng)絡是局部聯(lián)接的非線性模擬電路，其芯片的整體運算速度可達兆兆級，且神經(jīng)元的狀態(tài)和輸出的關(guān)系是分段線性的，可高速并行處理數(shù)據(jù)。一個M×N規(guī)模的細胞神經(jīng)網(wǎng)絡是指個數(shù)為M×N的細胞排列成M行N列，其中細胞是基本電路單元，每個細胞只連接周圍半徑范圍內(nèi)的神經(jīng)元。一個簡單的二維細胞神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖1所示，其中C（i，j）表示第i行、第j列的細胞，如圖1所示：

圖1　CNN結(jié)構(gòu)

近些年來，CNN的研究取得了較多成果，在很多領(lǐng)域得到了廣泛的應用，尤其在圖像處理領(lǐng)域的實際應用最廣。在細胞神經(jīng)網(wǎng)絡模板庫中有許多實現(xiàn)不同圖像處理功能的模板，用細胞神經(jīng)網(wǎng)絡處理器可以用來實現(xiàn)CNN通用編程，并且其基本操作組合起來也可以實現(xiàn)復雜功算法的設(shè)計，用來實現(xiàn)圖像合成、運動預測等復雜的操作。

象素作為數(shù)字圖像最基本的單位，在細胞神經(jīng)網(wǎng)絡中，每一個象素點對應一個CNN細胞，每一個細胞即為一個復雜的動力學系統(tǒng)。細胞神經(jīng)網(wǎng)絡的功能由CNN模板決定，將細胞神經(jīng)網(wǎng)絡應用于處理圖像中就是對模板的設(shè)計，更改模板的參數(shù)用來實現(xiàn)各種處理圖像的方法。具體操作：第一步，根據(jù)問題選擇合適的CNN模型，第二步，根據(jù)要求設(shè)計CNN算法，并且設(shè)計實現(xiàn)具體功能的CNN模板，第三步，進行實驗來調(diào)整模板參數(shù)，以求達到最佳實驗效果。

3　基于OTSU的細胞神經(jīng)網(wǎng)絡視頻對象分割算法

本文中介紹的算法是基于OTSU的細胞神經(jīng)網(wǎng)絡視頻對象分割算法，該算法是基于檢測變化區(qū)域的方法，適用于運動目標背景靜止的視頻序列。本算法是對文獻［3］中的差分圖像合并算法的一種改進，利用閾值模板替代邊緣檢測模板，在達到較好目標分割效果的基礎(chǔ)上，迭代次數(shù)減少，運算時間縮短。在算法中，實驗所用的前一幀、當前幀和后一幀分別取視頻序列中第n-i幀，第n幀和第n+i幀三幅圖像，其中當前幀中的運動目標即是所要進行分割的對象。如果視頻中運動目標的變化平緩，可以將前后相隔的幀數(shù)i做適當?shù)脑黾印?/p>

算法具體步驟如下：

1）利用CNN差分模板，分別對原始灰度圖像的第n-i幀和第n幀、第n幀和第n+i幀分別進行幀間差分操作，輸出的兩幅灰度圖像即可得到幀間圖像的運動區(qū)域；

2）根據(jù)OTSU算法利用公式（1），計算灰度閾值。利用CNN閾值模板，根據(jù)值分別將第一步得到的兩幅灰度圖像的前景象素點和后景象素點區(qū)分開，并對其進行二值化操作，輸出結(jié)果為二值圖像；

3）利用CNN負片模板、膨脹模板、空洞填充模板，對第二步所得的二值圖像進行負片運算、膨脹操作、空洞填充操作，使運動區(qū)域更加完整。

4）利用CNN邏輯與操作模板，對第三步得到的兩幀圖像進行邏輯與運算，獲得運動目標所在區(qū)域；

5）利用CNN目標分割模板，將運動目標從當前幀中分割出來。

以上用到的細胞神經(jīng)網(wǎng)絡模板在圖像處理功能上是獨立的，并不依賴于本算法，也可應用于其它細胞神經(jīng)網(wǎng)絡的相關(guān)算法。

4　實驗結(jié)果與分析

利用Matlab軟件和CNN Visual Mouse Platform（細胞神經(jīng)網(wǎng)絡仿真系統(tǒng)）對本算法進行了仿真實驗。在實驗中，將視頻序列中第130幀、第135幀和第140幀作為前一幀、當前幀和后一幀來進行分割實驗，三幀視頻序列圖像的背景是靜止的，其灰度圖像如圖2所示。

圖2　依次為第130、135、140幀的灰度圖像

1）幀間差分運算

利用CNN差分模板分別將第130幀和第135幀、第135幀和第140幀圖像進行差分運算，得到運動區(qū)域。結(jié)果如圖3。

圖3　兩圖依次為第130和135幀、第135和140幀的差分效果圖

2）閾值模板運算

利用CNN閾值模板將差分后的圖像的前景象素點和后景象素點區(qū)分開，并將圖像進行二值化。結(jié)果如圖4。

圖4　閾值模板操作效果圖

3）負片操作、空洞填充操作和膨脹操作

將上步得到的二值圖像進行負片操作，可得運動區(qū)域的輪廓，結(jié)果如圖5。但負片操作后得到的運動區(qū)域邊緣有些不是閉和的，為了使空洞填充得到良好的效果，要首先對圖5進行兩次膨脹操作，然后再進行空洞填充，最后結(jié)果如圖6。

圖5　負片模板操作效果圖

圖6　圖像處理和空洞填充后效果圖

4）邏輯與操作

將圖6中的兩幅圖進行邏輯與操作，即得到的就是目標區(qū)域。結(jié)果如圖7：

圖7　邏輯與操作后效果圖

5）目標分割運算

利用CNN目標分割模板進行運動對象分割操作，得到運動目標。結(jié)果如圖8。

圖8　第135幀中的運動目標

雖然進行的仿真實驗，但是本算法執(zhí)行所需的時間也可以根據(jù)ACE16K（細胞神經(jīng)網(wǎng)絡芯片）的特征參數(shù)［3］進行估算。在ACE16K芯片上，完成一次灰度圖像處理所需時間為1.2 μs，完成一次二值圖像處理所需時間為0.144 μs，由此可得本文算法運算時間如表1所示。可算得，本算法在ACE16K上運行所需的總運算時間為11.616 μs，而在ACE16K上，文獻［3］中的差分圖像合并算法運行所需的總運算時間為26.016 μs。

由實驗結(jié)果可見，基于OTSU的細胞神經(jīng)網(wǎng)絡視頻對象分割算法可以將運動對象從背景靜止的視頻序列圖像中分割出來，驗證了本算法的可行性，而且具有一定的分割精度，并且縮短了運算時間，達到了預期效果。

表1　本文算法運算時間

5　結(jié)論

細胞神經(jīng)網(wǎng)絡的結(jié)構(gòu)接近真正的生物視覺神經(jīng)系統(tǒng)，且具有分布式處理和并行計算的特點，因此細胞神經(jīng)網(wǎng)絡在圖像處理方面的應用具有廣闊的前景。本文的算法是將CNN應用于靜態(tài)背景視頻對象分割的算法中，用OTSU算法來選取合適的閾值，作為劃分象素的依據(jù)，從而完成運動目標的分割。在保證分割效果的前提下，減少了模板使用次數(shù)，提高了效率。

［1］王懷穎.細胞神經(jīng)網(wǎng)絡在圖像處理中的應用技術(shù)研究［D］.南京：南京航空航天大學，2007:50-64.

［2］陽樹洪.灰度圖像閾值分割的自適應和快速算法研究［D］.重慶：重慶大學，2014：35-41.

［3］孟蜀鍇.細胞神經(jīng)網(wǎng)絡在視頻運動對象分割中的應用［D］.上海：上海大學，2004：62-67.

（編輯：王璐）

Cellular Neural Network Video Object Segmentation Based on OTSU

Ge Xiaoye，Qiao Dong
（Coal Mine and Engineering College of Shanxi Datong University，Datong Shanxi 037003）

Combining with the features of CNN，this paper puts forward a kind of video object segmentation algorithm based on OTSU algorithm，and through simulation experiments to prove its feasibility.The algorithm is the improvement of subtraction merged image algorithm.The algorithm is simple and easy to implement，and it has high accuracy and fast speed.

cellular neural network；video object segmentation；OTSU algorithm；threshold

Q2

A

2095-0748（2015）21-0083-03

10.16525/j.cnki.14-1362/n.2015.21.36

2015-10-12

葛曉葉（1983—），女，山西大同人，研究生，畢業(yè)于中北大學計算機應用專業(yè)，助教，現(xiàn)就職于山西大同大學。