張宇航　許少華　許辰

摘要：針對(duì)圖像處理中的邊緣檢測(cè)問題，提出一種基于離散過程神經(jīng)網(wǎng)絡(luò)（DNPP）與混沌遺傳算法（CGA）相融合的模型和算法。DNPP的輸入可以直接為數(shù)據(jù)矩陣，實(shí)現(xiàn)二維圖像關(guān)聯(lián)信息網(wǎng)格化的整體輸入和處理。以圖像網(wǎng)格灰度值作為DPNN處理數(shù)據(jù)集合，利用Sobel算子檢測(cè)的技術(shù)原理和DPNN的判別能力，實(shí)現(xiàn)圖像邊界線的自動(dòng)辨識(shí)和追蹤。文中給出基于混沌遺傳搜索的DNPP求解算法，以油田地震數(shù)據(jù)體切片中砂體的識(shí)別和追蹤為例，實(shí)際資料處理結(jié)果驗(yàn)證了檢測(cè)模型和算法的有效性。

關(guān)鍵詞：圖像處理；邊緣檢測(cè)；離散過程神經(jīng)網(wǎng)絡(luò)；混沌遺傳算法；砂體識(shí)別和追蹤

中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A

Abstract：In view of the edge detection problems in image processing， this paper proposed a detection model and algorithm based on the combination of discrete process neural network （DPNN） and chaotic genetic algorithm（CGA） . Inputting DNPP can be the data matrix， which can realize the goal of inputting as well as processing the twodimensional image correlation gridding information integrally. Putting image grey value as DPNN processing data collection and using the technology principle of Sobel operator detection as well as the recognition ability of DPNN， it can reach the goal that the image border line can identify and track automatically. Taking the identification and tracking of the sand body in the oil field seismic data for example， the results show the DNPP algorithm based on the chaos genetic search is effective in detecting model and algorithm.

Key words：image processing；edge detection；discrete process neural networks；chaos genetic algorithm；sand body tracking and identification

1引言

近年來，隨著智能信息處理技術(shù)的快速發(fā)展和應(yīng)用范圍的不斷擴(kuò)大，面向圖像處理技術(shù)領(lǐng)域，已有多種智能算法得到有效應(yīng)用，例如，人工神經(jīng)網(wǎng)絡(luò)[1，2]、遺傳算法[3]、蟻群算法[4]、粒子群算法[5]等，為圖像數(shù)據(jù)中邊緣檢測(cè)方法和技術(shù)的創(chuàng)新提供了新的理論和算法基礎(chǔ)。離散過程神經(jīng)元網(wǎng)絡(luò)[6]（Discrete Process Neural Network，DPNN）是近幾年提出的一種新型動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型，其輸入可直接為數(shù)據(jù)矩陣，即能實(shí)現(xiàn)二維圖像網(wǎng)格數(shù)據(jù)的整體輸入。在實(shí)際應(yīng)用中，將圖像區(qū)域進(jìn)行適當(dāng)?shù)木W(wǎng)格劃分，以圖像網(wǎng)格灰度值作為DPNN處理數(shù)據(jù)集合。根據(jù)Sobel算子[7]檢測(cè)的技術(shù)原理和DPNN模型構(gòu)建數(shù)據(jù)結(jié)構(gòu)，利用DPNN的信息處理機(jī)制，自適應(yīng)實(shí)現(xiàn)圖像區(qū)域中邊界線的自動(dòng)辨識(shí)和追蹤。

將基于DPNN的圖像邊緣檢測(cè)算法應(yīng)用于油田地質(zhì)研究中，在進(jìn)行地震數(shù)據(jù)體砂體識(shí)別和追蹤時(shí)，以相鄰兩井地震數(shù)據(jù)體二維切片為圖像區(qū)域，以連井剖面地震數(shù)據(jù)體切片分塊網(wǎng)格的灰度圖像值作為DPNN處理數(shù)據(jù)集合，引入Sobel算子，將算子在X方向和Y方向上相鄰的3×3分塊圖像灰度值進(jìn)行整體輸入，以保證輸入圖像信息的結(jié)構(gòu)性和完整性。同時(shí)，利用混沌遺傳算法（Chaos genetic algorithm，CGA）的全局優(yōu)化能力，對(duì)DPNN的權(quán)值矩陣進(jìn)行優(yōu)化求解，建立基于DPNN和CGA相結(jié)合的邊緣檢測(cè)算法，在機(jī)制上對(duì)砂體識(shí)別和邊緣界線展布追蹤具有較好的適應(yīng)性。

2離散過程神經(jīng)網(wǎng)絡(luò)基本模型

離散過程神經(jīng)網(wǎng)絡(luò)的輸入/輸出、連接權(quán)等均可以為離散時(shí)間序列或矩陣，其信息處理過程包括離散時(shí)間數(shù)據(jù)加權(quán)輸入、時(shí)空聚合運(yùn)算及模式類別輸出等運(yùn)算。將DPNN用于圖像邊緣點(diǎn)的檢測(cè)，考慮含一個(gè)離散過程神經(jīng)元隱層、線性單輸出的系統(tǒng)，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)為n-m-1，即輸入層有n個(gè)節(jié)點(diǎn)，隱層包含m個(gè)節(jié)點(diǎn)，1個(gè)非時(shí)變神經(jīng)元輸出節(jié)點(diǎn)，如圖1所示。

3用于邊緣檢測(cè)的DPNN模型構(gòu)建

在圖像區(qū)域中，以像素的N×N網(wǎng)格分塊鄰域中像素的行向量作為DPNN的特征輸入向量，即將N維行向量作為DPNN一個(gè)輸入節(jié)點(diǎn)的輸入向量，這樣，DPNN的輸入層共有N個(gè)節(jié)點(diǎn)，一次輸入即可實(shí)現(xiàn)N×N階網(wǎng)格圖像信息的完整輸入，避免了循環(huán)輸入和預(yù)處理過程，可較大提高網(wǎng)格信息的關(guān)聯(lián)和結(jié)構(gòu)完整性。

用于邊緣點(diǎn)檢測(cè)的DPNN模型采用三層結(jié)構(gòu)：輸入層包含N個(gè)節(jié)點(diǎn)，隱層包含2N個(gè)離散過程神經(jīng)元節(jié)點(diǎn)，輸出層為1個(gè)非時(shí)變神經(jīng)元，網(wǎng)絡(luò)輸出為N×N鄰域中心像素處理后的灰度值，該像素值的輸出決定是否為邊緣點(diǎn)或非邊緣點(diǎn)。對(duì)應(yīng)于Sobel檢測(cè)算子，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示：

在訓(xùn)練算法設(shè)計(jì)中，DPNN權(quán)值矩陣W分塊以Sobel算子模板系數(shù)作為初始權(quán)值，利用Sobel算子的邊緣檢測(cè)機(jī)制，通過優(yōu)化調(diào)整，建立起基于DPNN的邊緣檢測(cè)模型和算法。

4基于CGA的DPNN求解算法

混沌狀態(tài)是自然界中存在的一種隨機(jī)現(xiàn)象，在看似雜亂的運(yùn)動(dòng)中隱含著概率選擇、狀態(tài)遍歷和系統(tǒng)內(nèi)在運(yùn)動(dòng)規(guī)律等性質(zhì)?；煦缢阉魇菍⒒煦缧再|(zhì)引人到求解算法的控制規(guī)則中，通過對(duì)變量施加混沌擾動(dòng)，使其按系統(tǒng)內(nèi)在規(guī)律，在可行解空間不重復(fù)地搜索到所有狀態(tài)[8]。

混沌遺傳算法[9]是將混沌變量的運(yùn)動(dòng)性質(zhì)和GA的遺傳操作相結(jié)合，對(duì)參數(shù)進(jìn)行染色體編碼。根據(jù)遺傳算法的進(jìn)化機(jī)制，進(jìn)行選擇、交叉、變異等操作，通過在可行解空間的迭代尋優(yōu)，最后收斂到最優(yōu)解。

CGA具體求解步驟：

Step1 初始化：將DPNN中的待求解參數(shù)整合為一條染色體，每個(gè)參數(shù)占有一個(gè)基因位，采用十進(jìn)制對(duì)參數(shù)進(jìn)行編碼；

Step2 定義適應(yīng)度函數(shù)：根據(jù)DPNN訓(xùn)練目標(biāo)，適應(yīng)度定義為網(wǎng)絡(luò)誤差函數(shù)（2）的倒數(shù)；

Step3 選擇操作：確定種群規(guī)模和初始種群G，以及適應(yīng)度函數(shù)F；在G中，采用轉(zhuǎn)輪規(guī)則選擇染色體，染色體被選擇的概率正比于其適應(yīng)度值；

Step4 被選擇的染色體混沌交叉操作：W′1=λ→W1+（1→-λ→）W2，W′2=λ→W2+（1→-λ→）W1；λi∈（-1，1）。

Step5 染色體混沌變異操作：設(shè)變異基因wi，變異后為w'i=wi+β（wUi-wi）或w'i=wi+β（wi-wLi）。其中wUi和wLi為wi上下界，β∈（-1，1）為混沌變量。

Step6 進(jìn)行全局最優(yōu)解更新；

Step7若滿足終止條件，保存最優(yōu)解停機(jī)；否則，返回步Step3。

5實(shí)際資料處理和分析

地震-測(cè)井信息結(jié)合的油藏綜合評(píng)價(jià)是油田開發(fā)重要的基礎(chǔ)性工作[10，11]。在基于地震數(shù)據(jù)體并結(jié)合測(cè)井信息的砂體識(shí)別和追蹤中，首先將聲波速度場(chǎng)的地震資料通過區(qū)域時(shí)深對(duì)比關(guān)系轉(zhuǎn)換到深度域，經(jīng)過層位校正，使井筒剖面上測(cè)井解釋層位與地震層位對(duì)齊。然后，在相鄰兩口井確定的地震數(shù)據(jù)體二維切片圖像上，根據(jù)測(cè)井砂體小層解釋結(jié)果形成井剖面縱向分層數(shù)據(jù)。從某一測(cè)井砂體小層出發(fā)，采用圖像區(qū)域沿層位方向遍歷掃描檢測(cè)策略，進(jìn)行邊界點(diǎn)的辨識(shí)，實(shí)現(xiàn)對(duì)砂體連通關(guān)系的追蹤，以及對(duì)砂體尖滅、缺失等地質(zhì)現(xiàn)象的判別。在實(shí)際資料處理中，選擇某油田區(qū)塊的地震、測(cè)井資料進(jìn)行綜合處理，依據(jù)圖像區(qū)域大小和測(cè)井解釋各小層砂體厚度分布情況，將相鄰兩井地震數(shù)據(jù)體二維切片圖像劃分成240×720矩形網(wǎng)格，圖2所示的DPNN的結(jié)構(gòu)確定為（3×3）-18-1，CGA算法的種群規(guī)模確定為20。采用37個(gè)已有精確層位解釋的地震、測(cè)井?dāng)?shù)據(jù)樣本對(duì)DPNN與CGA相結(jié)合的圖像檢測(cè)模型進(jìn)行訓(xùn)練，完成建立檢測(cè)模型和算法。對(duì)包括4口測(cè)井資料的工區(qū)地震數(shù)據(jù)進(jìn)行處理，砂體追蹤結(jié)果如圖3所示。

圖3中，對(duì)于厚層和地震層位信息清晰的砂體，井間砂體追蹤結(jié)果表明連通性較好；但對(duì)于同向軸扭曲、信噪比較低的砂體，出現(xiàn)地層尖滅或缺失的情況較多，這與該區(qū)塊油田的實(shí)際地質(zhì)情況相一致。

6結(jié)論

本文建立了一種基于離散過程神經(jīng)網(wǎng)絡(luò)的二維數(shù)字圖像邊緣檢測(cè)模型和算法。該模型可實(shí)現(xiàn)二維圖像網(wǎng)格數(shù)據(jù)的整體輸入，在機(jī)制上提高了輸入圖像信息的結(jié)構(gòu)關(guān)聯(lián)性和完整性。采用混沌遺傳算法進(jìn)行DPNN和檢測(cè)算法參數(shù)的自適應(yīng)優(yōu)化計(jì)算，可滿足針對(duì)不同實(shí)際應(yīng)用問題建模時(shí)的靈活性和普遍適用性。文中建立的模型和算法也可應(yīng)用于其他圖像處理領(lǐng)域，具有較為廣泛的實(shí)用性。

參考文獻(xiàn)

[1]DOKUR Z. A unified framework for image compression and segmentation by using an incremental neural network[J].Expert Systems with Applications，2008，34 （1）：611-619.

[2]LI Huaqing，LIAO Xiaofeng，LI Chuandong，et al.Edge detection of noisy images based on cellular neural networks[J].Communications in Nonlinear Science and Numerical Simulation，2011，16（9）： 3746-3759.

[3]CHANG J， LI B. Shock train leadingedge detection in an isolator using genetic algorithm[J]. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering，2012，226（11）：1424-1431.

[4]GUPTA C， GUPTA S. Edge detection of an image based on ant colony optimization technique[J/OL]. International Journal of Science and Research，2013，2（ 6） ：114-120.

[5]DUAN Hongyu，YANG Fengxia.Development of CMOS image sensor system based on chaos particle swarm[J].International Journal of Hybrid Information Technology，2013，6（6）：237-248.

[6]何新貴，許少華.過程神經(jīng)元網(wǎng)絡(luò)[M] 北京：科學(xué)出版社，2007

[7]SUN Jing. Image edge detection based on relative degree of grey incidence and sobel operator[J]. Lecture Notes in Computer Science， 2012：762-768.

[8]許少華，何新貴.一種基于混沌遺傳與粒子群混合優(yōu)化的過程神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法[J].控制與決策，2013，28（9）：1393-1398.

[9]WU Tiebin，CHENG Yun， ZHOU Taoyun，et al.Optim ization Control of PID Based on ChaosGenetic Algorithm [J]. Computer Simulation， 2009，26（5）：202-205.

[10]LI Ming. Lithologic stratigraphic reservoir geophysical exploration technology and Application[M].BeiJing：Petroleum industry press，2005.

[11]CHENG Yuhong，GUO Yanru.The interpretation method and application effect determined by multiple seismic and logging factors[J].Lithologic Reservolrs，2007，02（19）：97-101.