CN106023224A - 一种中药材显微图像的pcnn自动分割方法 - Google Patents

Abstract

本发明公开了一种中药材显微图像的PCNN自动分割方法。分别建立利用交叉熵分割判据的PCNN自动二值图像分割算法；以最大互信息为分割目标，以互信息熵差作为一种分类判据的中药材显微图像PCNN多值图像自动分割算法，并设计矢量脉冲耦合神经网络模型，利用指数熵准则作为分割判据，实现对中药材显微彩色图像的自动分割；以模糊指数熵作为优化分割准则，建立多通道或三维PCNN中药材显微图像分割算法；可进一步提高中药材质量评价的客观性、准确性、可重复性和智能化程度，为中药材检测与分析的现代化提供一种新的途径。

Description

一种中药材显微图像的PCNN自动分割方法

技术领域

本发明属于生物医学信息处理领域，尤其涉及一种中药材显微图像的PCNN自动分割方法。

背景技术

脉冲耦合神经网络(PCNN)是根据猫、猴等哺乳动物大脑视觉皮层上同步脉冲发放现象提出的，有着良好的生物学背景，该模型具有动态变阈值、非线性调制耦合、同步脉冲发放、动态脉冲发放及时空总和等特性，使得PCNN在信号处理应用，特别是在图像处理应用中显示了巨大的优越性。但传统PCNN模型还存在以下理论不足及技术缺点：

(1)该模型在非线性调制耦合和阈值指数衰变方面，其阈值衰减是反复变化的，这种阈值变化不能很好地符合人眼对亮度响应的非线性指数要求，并且通过这种阈值规律处理后的图像(或其他信号)中大量信息蕴含在神经元的激活周期(频率)或者激活相位中，而输出的图像却并不包含全部的可用信息；

(2)PCNN模型中大量漏电积分器和一些反馈连接的存在，虽然提高了模型仿生学的逼近程度及生物处理信息的真实性，但这不仅增加了模型的复杂性，同时也加大了对信号处理时间的开销；

(3)传统PCNN模型参数过多，对参数的(自动)设定及优化会增加许多困难；

(4)由于中药材显微图像的复杂性与特殊性，传统PCNN模型不适宜处理显微组织类图像。

发明内容

本发明的目的在于提供一种中药材显微图像的PCNN自动分割方法，旨在解决传统PCNN模型阈值衰减是反复变化的，不能很好地符合人眼对亮度响应的非线性指数要求，输出的图像不包含全部的可用信息，模型复杂，参数过多，不适宜处理显微组织类图像的问题。

本发明是这样实现的，一种中药材显微图像的PCNN自动分割方法包括：

步骤一、引入二维模糊集或超模糊集隶属函数对中药材显微图像进行自适应修正，完善图像模糊熵或超模糊熵表达式，搭建单位链接ULPCNN神经元模型；

步骤二、在当前图像上随机选择一个像素点；通过变换视觉信息计算模型的窗口大小，计算所述像素点与其邻域对应的方向通道的最大能量；

步骤三、根据每个所述方向通道的最大能量确定所述视觉信息计算模型的最大尺度和有效方向，根据所述最大尺度和所述有效方向确定ULPCNN神经元模型的参数W和M，其中，M为反馈输入域的连接矩阵；W耦合连接域的连接矩阵；

步骤四、依据中药材显微图像的特征，优化ULPCNN神经元模型的参数设置；

步骤五、把ULPCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割，提取中药材二值图像目标，建立引入交叉熵分割判据的PCNN中药材显微图像分割算法；

步骤六、以最大互信息优化多值图像分割并进行图像去噪，建立相邻分割图像互信息熵差最小分类判据，选取中药显微图像建立基于最小互信息熵差的PCNN自动多值目标分割算法，得到完善的多值目标图像；

步骤七、在彩色图像RGB或HIS空间中，对构建的PCNN模型优化与推广；

步骤八、引入模糊指数熵分割准则，优化完善多通道或三维显微图像PCNN处理模型，建立多通道或三维PCNN中药材显微图像目标自动分割算法。

进一步，优化ULPCNN神经元模型的参数设置的具体方法为：

从ULPCNN神经元模型形态结构和统计两方面优化ULPCNN神经元模型链接输入L及反馈输入F非线性方程的参数设置、处理图像的局部信息自适应优化耦合链接强度β以及最佳利用输出信息改进反复指数衰减的动态阈值θ。

进一步，对构建的PCNN模型优化与推广的具体方法为：

引入改进的指数衰减动态阈值矢量，建立矢量PCNN模型；利用改进指数动态阈值矢量与神经元内部活动项矢量间的信息对比关系确定显微分割图像的目标和背景区域，结合最大指数熵判据完成对中药材彩色图像的自动分割。

进一步，图像去噪的具体方法为：

步骤一、将含噪图像f(x，y)进行二维平稳小波变换，分别获得子带系数：低频系数、水平细节系数、垂直细节系数和对角细节系数；

步骤二、对第一层的低频系数利用PCNN进行区域分割；

步骤三、将低频系数保持不变，对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理；

步骤四、采用脉冲耦合神经网络对噪声图像进行处理，得到熵序列En，将En作为边缘检测算子；

步骤五、进行阈值寻优，得到最优去噪阈值k；

步骤六、根据求得的边缘检测算子En和最优去噪阈值k，采用改进的各向异性扩散模型对图像进行去噪。

进一步，所述ULPCNN神经元模型还包括检测优化模块，该检测优化模块用于：

将采集到的图像建立图像的显著模型，所述建立图像的显著性模型包括：

利用预定过分割算法对所述图像进行过分割，和模板参数提取，对整个输入图像，以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

确定每个所述区域的颜色值和质心；

根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型。

进一步，所述的所述显著性模型为：

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；

进一步，所述改进的各向异性扩散模型为：

$\left\{\begin{array}{c}\frac{\∂I}{\∂t}=div(g\left(\▿I,En\right)\▿I)\\ I(x,y,0)=I_0\end{array}\right.$

其中：

$g(\▿I,En)=\frac{1}{1+|G_{\mathrm{\σ}}*\▿I+En|\·k}$

$G_{\mathrm{\σ}}=\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\σ}}^2})$

σ为尺度函数，I表示噪声图像，I0表示原始图像，div表示散度算子，▽表示梯度算子。

进一步，平均灰度值的灰度校正装置包括：

变化量计算部，其计算输入亮度信号的规定帧的变化量；

变化量存储部，其存储所述变化量；

变化量比较部，其对存储在所述变化量存储部的各个帧的变化量进行比较判定；

直方图存储器，其以帧为单位创建并存储所述输入亮度信号的每个亮度电平的频率数据；

校正量计算部，根据所述直方图存储器的频率数据计算出所述输入亮度信号的多个亮度电平中每一个的校正值数据；以及，

查询表存储部，将来自所述校正量计算部的所述校正值数据，作为对应于各个亮度电平的表数据进行存储，读出与所述输入亮度信号的亮度电平对应的电平数据，将其作为灰度校正亮度信号输出；

所述校正量计算部包括：

校正值计算表存储部，其根据所述直方图存储器的频率数据计算出所述校正值数据，并以帧为单位进行存储；以及，

表选择部，其根据所述变化量比较部的帧间的变化量的判定结果，对所述校正值计算表存储部里存储的校正值表进行选择；

帧间的变化量的判定结果，当所述变化量大于规定值时，选择发生变化前的帧的校正值表，当所述变化量在规定值以下时，选择1帧前的校正值表来进行灰度校正；

所述校正量计算部包括：

校正用表，其用于对所述校正值计算表存储部的校正值表进行校正；以及，

表校正部，其根据来自所述变化量比较部的变化量对所述校正值表进行校正；

所述判定的结果，当所述变化量在规定值以下时，预测当前帧的变化量，使用所述校正用表对所述校正值计算表存储部的校正值表按照帧间变化量的比例量进行校正；

所述校正量计算部具有以帧为单位检测闪烁成分，并判定是否有闪烁成分的闪烁检测部，

不使用检测出有闪烁的帧的校正值数据。

进一步，所述二值图像目标的目标物体轮廓的边界跟踪方法包括：

边界跟踪从梯度图像的左上角点开始逐像点扫描，当遇到目标点时开始顺序跟踪，直至跟踪的后续点回到起始点对于封闭轮廓或其后续点再没有新的后续点对于非封闭线段为止；如果为非封闭轮廓，则跟踪到一侧的终结后需从起始点开始朝相反的方向跟踪到另一终结点；当存在多个分离的轮廓时，逐个跟踪，为避免陷入死循环，前面的区域处理好后应采用背景色对它进行填充；

具体包括：

当前点(x，y)为一个边界点，则下一个边界点必定在点(x，y)的8邻域内；

根据前一点和当前点的相互位置可以大致确定出边界的走向，在对下一点的搜寻时不必再对当前点的8邻域进行计算比较，根据前一点P和当前点C在位置上的不同，对边缘方向上的5个像素进行计算比较即可；

当前点P(x，y)在上一边界点C的8邻域内的位置编码为n，则从当前点(x，y)的8邻域内的编码为n的位置，顺时针方向移动2个像素的位置就是下一边界点的起始搜索位置；若不是边界点，则从搜索的起始点开始按照逆时针方向顺次搜索，共搜索5次便找到下一个边界点；

当前点P在上一边界点的位置编码为1，则按上述准则可知搜索的起始点是位置编码为7的点；若不是目标点，从7点开始顺次搜索位置编码为0，1，2，3的点，当第一次出现其灰度等于目标区域值时，该像素点就是所要求的下一边界点。

进一步，所述二值图像目标的目标物体轮廓的边界跟踪方法具体包括：图像中背景点值为0，目标点为1，Pk为第k个边界点，k的初值为0，t表示边界终结点的个数；

(1)感兴趣的目标区域的标签值label；

(2)从左到右自上而下扫描图像，发现第一个像素为1的点且标签值为label的点即为边界的起始点P0，并把其坐标(x，y)存入边界点序列表，预置t为0，位置编码为0；

(3)确定下一目标点搜索的起始位置，然后从该位置开始按逆时针方向依次检查当前边界点的8邻近像素，当第一次出现其像素点的标签值等于预定标签值时，这一像素点就是新的边界点Pk(k＝k+1)，并记下它在8邻域中的位置编码值；

(4)若新边界点Pk＝P0，即回到了起始点，该轮廓跟踪结束，此时边界点序列中存放的就是该目标的外边界点坐标，转(7)；

(5)若新边界点Pk≠P0，则以Pk作为当前点，记下其位置编码，然后转(3)；

(6)若没有找到目标点，说明当前点是轮廓的终结点，终结点个数t加1，如果t＝1，则令P0为当前点，置位置编码为4，转(3)，即对不封闭轮廓从起始点开始朝相反的方向搜索，直到找到另一个终结点为止，如果t＝2，则转(7)；

(7)若还需跟踪其他目标的轮廓，转回(2)。

本发明在不同图像分割判据准则下，建立了中药材显微图像的PCNN二值图像、多值图像、彩色图像及多通道或三维图像目标的自动分割算法，可进一步提高中药材质量评价的客观性、准确性、可重复性和智能化程度，为中药材检测与分析的现代化提供一种新的途径。本发明提出一种通用性强的边界跟踪算法,能够根据上一边界点的位置判断轮廓走向。在搜索下一个边界点时,只需要对候选的5个点进行判断,便可以找到下一个边界点的位置，从而减少了搜索的次数，使得边界跟踪的时间大为减少。算法对于轮廓不封闭的线段也可以一次扫描得到其轮廓信息。实验表明。算法不仅速度快，而且轮廓识别准确。对于目标物较复杂的图像，算法更能体现出其优越性。

附图说明

图1是本发明实施例提供的中药材显微图像的PCNN自动分割方法流程图；

图2是本发明实施例提供的ULPCNN神经元模型示意图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

请参阅图1和图2：

中药材显微图像获取预处理及建库：

(1)拟根据药典收载分布在甘肃省不同地域的当归、党参、甘草、大黄、黄芪、百合、麻黄、柴胡、板蓝根、茴香、红花、天麻、贝母等几百种药用植物为研究的原始对象，在不同药材生长季节从生长地采集道地药材样本(或药材花粉样本)，同时用高分辨率数码相机获取中药形态图像。

(2)在经过多名中药栽培和鉴定专家初步识别与鉴定的基础上取样、粉末化前处理、切片制作等处理，最后通过扫描电镜(或光学显微镜)分别获取标本的5-10个视野显微图像、花粉显微图像的原始图像。

(3)对显微图像获取过程中由于光线亮暗不均匀等因素，造成图像曝光不足或曝光过度的图像引入图像直方图修正或灰度非线性变换等算法实现图像增强；对环境条件、CCD相机及其他传感器件影响，导致获取图像产生的噪声干扰，分别运用中值滤波、维纳滤波等方法达到图像滤波目的。

(4)使用大型关系数据库管理系统Oracle构建中药材显微图像信息库。

一种中药材显微图像的PCNN自动分割方法包括：

S101、引入二维模糊集或超模糊集隶属函数对中药材显微图像进行自适应修正，完善图像模糊熵或超模糊熵表达式，搭建单位链接ULPCNN神经元模型；

S102、在当前图像上随机选择一个像素点；通过变换视觉信息计算模型的窗口大小，计算所述像素点与其邻域对应的方向通道的最大能量；

S103、根据每个所述方向通道的最大能量确定所述视觉信息计算模型的最大尺度和有效方向，根据所述最大尺度和所述有效方向确定ULPCNN神经元模型的参数W和M，其中，M为反馈输入域的连接矩阵；W耦合连接域的连接矩阵；

S104、依据中药材显微图像的特征，优化ULPCNN神经元模型的参数设置；

S105、把ULPCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割，提取中药材二值图像目标，建立引入交叉熵分割判据的PCNN中药材显微图像分割算法；

S106、以最大互信息优化多值图像分割并进行图像去噪，建立相邻分割图像互信息熵差最小分类判据，选取中药显微图像建立基于最小互信息熵差的PCNN自动多值目标分割算法，得到完善的多值目标图像；

S107、在彩色图像RGB或HIS空间中，对构建的PCNN模型优化与推广；

S108、引入模糊指数熵分割准则，优化完善多通道或三维显微图像PCNN处理模型，建立多通道或三维PCNN中药材显微图像目标自动分割算法。

进一步，平均灰度值的灰度校正装置包括：

变化量计算部，其计算输入亮度信号的规定帧的变化量；

变化量存储部，其存储所述变化量；

变化量比较部，其对存储在所述变化量存储部的各个帧的变化量进行比较判定；

直方图存储器，其以帧为单位创建并存储所述输入亮度信号的每个亮度电平的频率数据；

校正量计算部，根据所述直方图存储器的频率数据计算出所述输入亮度信号的多个亮度电平中每一个的校正值数据；以及，

查询表存储部，将来自所述校正量计算部的所述校正值数据，作为对应于各个亮度电平的表数据进行存储，读出与所述输入亮度信号的亮度电平对应的电平数据，将其作为灰度校正亮度信号输出，

所述校正量计算部包括：

校正值计算表存储部，其根据所述直方图存储器的频率数据计算出所述校正值数据，并以帧为单位进行存储；以及，

表选择部，其根据所述变化量比较部的帧间的变化量的判定结果，对所述校正值计算表存储部里存储的校正值表进行选择，

帧间的变化量的判定结果，当所述变化量大于规定值时，选择发生变化前的帧的校正值表，当所述变化量在规定值以下时，选择1帧前的校正值表来进行灰度校正；

所述校正量计算部包括：

校正用表，其用于对所述校正值计算表存储部的校正值表进行校正；以及，

表校正部，其根据来自所述变化量比较部的变化量对所述校正值表进行校正，

所述判定的结果，当所述变化量在规定值以下时，预测当前帧的变化量，使用所述校正用表对所述校正值计算表存储部的校正值表按照帧间变化量的比例量进行校正；

所述校正量计算部具有以帧为单位检测闪烁成分，并判定是否有闪烁成分的闪烁检测部，

不使用检测出有闪烁的帧的校正值数据。

进一步，优化ULPCNN神经元模型的参数设置的具体方法为：

从ULPCNN神经元模型形态结构和统计两方面优化ULPCNN神经元模型链接输入L及反馈输入F非线性方程的参数设置、处理图像的局部信息自适应优化耦合链接强度β以及最佳利用输出信息改进反复指数衰减的动态阈值θ。

进一步，对构建的PCNN模型优化与推广的具体方法为：

引入改进的指数衰减动态阈值矢量，建立矢量PCNN模型；利用改进指数动态阈值矢量与神经元内部活动项矢量间的信息对比关系确定显微分割图像的目标和背景区域，结合最大指数熵判据完成对中药材彩色图像的自动分割。

进一步，图像去噪的具体方法为：

步骤一、将含噪图像f(x，y)进行二维平稳小波变换，分别获得子带系数：低频系数、水平细节系数、垂直细节系数和对角细节系数；

步骤二、对第一层的低频系数利用PCNN进行区域分割；

步骤三、将低频系数保持不变，对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理；

步骤四、采用脉冲耦合神经网络对噪声图像进行处理，得到熵序列En，将En作为边缘检测算子；

步骤五、进行阈值寻优，得到最优去噪阈值k；

步骤六、根据求得的边缘检测算子En和最优去噪阈值k，采用改进的各向异性扩散模型对图像进行去噪。

进一步，所述ULPCNN神经元模型还包括检测优化模块，该检测优化模块用于：

将采集到的图像建立图像的显著模型，所述建立图像的显著性模型包括：

利用预定过分割算法对所述图像进行过分割，和模板参数提取，对整个输入图像，以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

确定每个所述区域的颜色值和质心；

根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型。

进一步，所述的所述显著性模型为：

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；

进一步，所述改进的各向异性扩散模型为：

$\left\{\begin{array}{c}\frac{\∂I}{\∂t}=div(g\left(VI,En\right)\▿I)\\ I(x,y,0)=I_0\end{array}\right.$

其中：

$g(\▿I,En)=\frac{1}{1+|G_{\mathrm{\σ}}*\▿I+En|\·k}$

$G_{\mathrm{\σ}}=\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\σ}}^2})$

σ为尺度函数，I表示噪声图像，I0表示原始图像，div表示散度算子，▽表示梯度算子。

搭建单位链接ULPCNN神经元模型，构建具有单调指数上升阈值函数的ULPCNN抑制捕获模型，如图2所示。

进一步，所述二值图像目标的目标物体轮廓的边界跟踪方法包括：

边界跟踪从梯度图像的左上角点开始逐像点扫描，当遇到目标点时开始顺序跟踪，直至跟踪的后续点回到起始点对于封闭轮廓或其后续点再没有新的后续点对于非封闭线段为止；如果为非封闭轮廓，则跟踪到一侧的终结后需从起始点开始朝相反的方向跟踪到另一终结点；当存在多个分离的轮廓时，逐个跟踪，为避免陷入死循环，前面的区域处理好后应采用背景色对它进行填充；

具体包括：

当前点(x，y)为一个边界点，则下一个边界点必定在点(x，y)的8邻域内；

根据前一点和当前点的相互位置可以大致确定出边界的走向，在对下一点的搜寻时不必再对当前点的8邻域进行计算比较，根据前一点P和当前点C在位置上的不同，对边缘方向上的5个像素进行计算比较即可；

当前点P(x，y)在上一边界点C的8邻域内的位置编码为n，则从当前点(x，y)的8邻域内的编码为n的位置，顺时针方向移动2个像素的位置就是下一边界点的起始搜索位置；若不是边界点，则从搜索的起始点开始按照逆时针方向顺次搜索，共搜索5次便找到下一个边界点；

当前点P在上一边界点的位置编码为1，则按上述准则可知搜索的起始点是位置编码为7的点；若不是目标点，从7点开始顺次搜索位置编码为0，1，2，3的点，当第一次出现其灰度等于目标区域值时，该像素点就是所要求的下一边界点。

进一步，所述二值图像目标的目标物体轮廓的边界跟踪方法具体包括：图像中背景点值为0，目标点为1，Pk为第k个边界点，k的初值为0，t表示边界终结点的个数；

(1)感兴趣的目标区域的标签值label；

(2)从左到右自上而下扫描图像，发现第一个像素为1的点且标签值为label的点即为边界的起始点P0，并把其坐标(x，y)存入边界点序列表，预置t为0，位置编码为0；

(3)确定下一目标点搜索的起始位置，然后从该位置开始按逆时针方向依次检查当前边界点的8邻近像素，当第一次出现其像素点的标签值等于预定标签值时，这一像素点就是新的边界点Pk(k＝k+1)，并记下它在8邻域中的位置编码值；

(4)若新边界点Pk＝P0，即回到了起始点，该轮廓跟踪结束，此时边界点序列中存放的就是该目标的外边界点坐标，转(7)；

(5)若新边界点Pk≠P0，则以Pk作为当前点，记下其位置编码，然后转(3)；

(6)若没有找到目标点，说明当前点是轮廓的终结点，终结点个数t加1，如果t＝1，则令P0为当前点，置位置编码为4，转(3)，即对不封闭轮廓从起始点开始朝相反的方向搜索，直到找到另一个终结点为止，如果t＝2，则转(7)；

(7)若还需跟踪其他目标的轮廓，转回(2)。

本发明在不同图像分割判据准则下，建立了中药材显微图像的PCNN二值图像、多值图像、彩色图像及多通道或三维图像目标的自动分割算法，可进一步提高中药材质量评价的客观性、准确性、可重复性和智能化程度，为中药材检测与分析的现代化提供一种新的途径。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (4)

1.一种中药材显微图像的PCNN自动分割方法，其特征在于，所述的中药材显微图像的PCNN自动分割方法包括：

步骤一、引入二维模糊集或超模糊集隶属函数对中药材显微图像进行自适应修正，完善图像模糊熵或超模糊熵表达式，搭建单位链接ULPCNN神经元模型；

步骤二、在当前图像上随机选择一个像素点；通过变换视觉信息计算模型的窗口大小，计算所述像素点与其邻域对应的方向通道的最大能量；

步骤三、根据每个所述方向通道的最大能量确定所述视觉信息计算模型的最大尺度和有效方向，根据所述最大尺度和所述有效方向确定ULPCNN神经元模型的参数W和M，其中，M为反馈输入域的连接矩阵；W耦合连接域的连接矩阵；

步骤四、依据中药材显微图像的特征，优化ULPCNN神经元模型的参数设置；

步骤五、把ULPCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割，提取中药材二值图像目标，建立引入交叉熵分割判据的PCNN中药材显微图像分割算法；

步骤六、以最大互信息优化多值图像分割并进行图像去噪，建立相邻分割图像互信息熵差最小分类判据，选取中药显微图像建立基于最小互信息熵差的PCNN自动多值目标分割算法，得到完善的多值目标图像；

步骤七、在彩色图像RGB或HIS空间中，对构建的PCNN模型优化与推广；

步骤八、引入模糊指数熵分割准则，优化完善多通道或三维显微图像PCNN处理模型，建立多通道或三维PCNN中药材显微图像目标自动分割算法；

图像去噪的具体方法为：

步骤一、将含噪图像f(x，y)进行二维平稳小波变换，分别获得子带系数：低频系数、水平细节系数、垂直细节系数和对角细节系数；

步骤二、对第一层的低频系数利用PCNN进行区域分割；

步骤三、将低频系数保持不变，对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理；

步骤四、采用脉冲耦合神经网络对噪声图像进行处理，得到熵序列En，将En作为边缘检测算子；

步骤五、进行阈值寻优，得到最优去噪阈值k；

步骤六、根据求得的边缘检测算子En和最优去噪阈值k，采用改进的各向异性扩散模型对图像进行去噪；

优化ULPCNN神经元模型的参数设置的具体方法为：

从ULPCNN神经元模型形态结构和统计两方面优化ULPCNN神经元模型链接输入L及反馈输入F非线性方程的参数设置、处理图像的局部信息自适应优化耦合链接强度β以及最佳利用输出信息改进反复指数衰减的动态阈值θ；

对构建的PCNN模型优化与推广的具体方法为：

引入改进的指数衰减动态阈值矢量，建立矢量PCNN模型；利用改进指数动态阈值矢量与神经元内部活动项矢量间的信息对比关系确定显微分割图像的目标和背景区域，结合最大指数熵判据完成对中药材彩色图像的自动分割；

所述ULPCNN神经元模型还包括检测优化模块，该检测优化模块用于：

将采集到的图像建立图像的显著模型，所述建立图像的显著性模型包括：

利用预定过分割算法对所述图像进行过分割和模板参数提取，对整个输入图像，以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

确定每个所述区域的颜色值和质心；

根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；

所述显著性模型为：

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；

所述改进的各向异性扩散模型为：

$\left\{\begin{array}{c}\frac{\∂I}{\∂t}=div(g\left(\▿I,En\right)\▿I)\\ I(x,y,0)=I_0\end{array}\right.;$

其中：

$g(\▿I,En)=\frac{1}{1+|G_{\mathrm{\σ}}*\▿I+En|\·k};$

$G_{\mathrm{\σ}}=\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\σ}}^2});$

σ为尺度函数，I表示噪声图像，I₀表示原始图像，div表示散度算子，▽表示梯度算子。

2.如权利要求1所述的中药材显微图像的PCNN自动分割方法，其特征在于，所述平均灰度值的灰度校正装置包括：

变化量计算部，其计算输入亮度信号的规定帧的变化量；

变化量存储部，其存储所述变化量；

变化量比较部，其对存储在所述变化量存储部的各个帧的变化量进行比较判定；

直方图存储器，其以帧为单位创建并存储所述输入亮度信号的每个亮度电平的频率数据；

校正量计算部，根据所述直方图存储器的频率数据计算出所述输入亮度信号的多个亮度电平中每一个的校正值数据；以及，

查询表存储部，将来自所述校正量计算部的所述校正值数据，作为对应于各个亮度电平的表数据进行存储，读出与所述输入亮度信号的亮度电平对应的电平数据，将其作为灰度校正亮度信号输出；

所述校正量计算部包括：

校正值计算表存储部，其根据所述直方图存储器的频率数据计算出所述校正值数据，并以帧为单位进行存储；以及，

表选择部，其根据所述变化量比较部的帧间的变化量的判定结果，对所述校正值计算表存储部里存储的校正值表进行选择；

帧间的变化量的判定结果，当所述变化量大于规定值时，选择发生变化前的帧的校正值表，当所述变化量在规定值以下时，选择1帧前的校正值表来进行灰度校正；

所述校正量计算部包括：

校正用表，其用于对所述校正值计算表存储部的校正值表进行校正；以及，

表校正部，其根据来自所述变化量比较部的变化量对所述校正值表进行校正；

所述判定的结果，当所述变化量在规定值以下时，预测当前帧的变化量，使用所述校正用表对所述校正值计算表存储部的校正值表按照帧间变化量的比例量进行校正；

所述校正量计算部具有以帧为单位检测闪烁成分，并判定是否有闪烁成分的闪烁检测部；

不使用检测出有闪烁的帧的校正值数据。

3.如权利要求1所述的中药材显微图像的PCNN自动分割方法，其特征在于，所述二值图像目标的目标物体轮廓的边界跟踪方法包括：

边界跟踪从梯度图像的左上角点开始逐像点扫描，当遇到目标点时开始顺序跟踪，直至跟踪的后续点回到起始点对于封闭轮廓或其后续点再没有新的后续点对于非封闭线段为止；如果为非封闭轮廓，则跟踪到一侧的终结后需从起始点开始朝相反的方向跟踪到另一终结点；当存在多个分离的轮廓时，逐个跟踪，前面的区域处理好后应采用背景色对它进行填充；

当前点(x，y)为一个边界点，则下一个边界点必定在点(x，y)的8邻域内；

根据前一点和当前点的相互位置大致确定出边界的走向，在对下一点的搜寻时不必再对当前点的8邻域进行计算比较，根据前一点P和当前点C在位置上的不同，对边缘方向上的5个像素进行计算比较即可；

当前点P(x，y)在上一边界点C的8邻域内的位置编码为n，则从当前点(x，y)的8邻域内的编码为n的位置，顺时针方向移动2个像素的位置就是下一边界点的起始搜索位置；若不是边界点，则从搜索的起始点开始按照逆时针方向顺次搜索，共搜索5次便找到下一个边界点；

当前点P在上一边界点的位置编码为1，则按上述准则可知搜索的起始点是位置编码为7的点；若不是目标点，从7点开始顺次搜索位置编码为0，1，2，3的点，当第一次出现其灰度等于目标区域值时，该像素点就是所要求的下一边界点。

4.如权利要求3所述的中药材显微图像的PCNN自动分割方法，其特征在于，所述二值图像目标的目标物体轮廓的边界跟踪方法具体包括：图像中背景点值为0，目标点为1，Pk为第k个边界点，k的初值为0，t表示边界终结点的个数；

(1)感兴趣的目标区域的标签值label；

(2)从左到右自上而下扫描图像，发现第一个像素为1的点且标签值为label的点即为边界的起始点P0，并把其坐标(x，y)存入边界点序列表，预置t为0，位置编码为0；

(3)确定下一目标点搜索的起始位置，然后从该位置开始按逆时针方向依次检查当前边界点的8邻近像素，当第一次出现其像素点的标签值等于预定标签值时，这一像素点就是新的边界点Pk(k＝k+1)，并记下它在8邻域中的位置编码值；

(4)若新边界点Pk＝P0，即回到了起始点，该轮廓跟踪结束，此时边界点序列中存放的就是该目标的外边界点坐标，转(7)；

(5)若新边界点Pk≠P0，则以Pk作为当前点，记下其位置编码，然后转(3)；

(6)若没有找到目标点，说明当前点是轮廓的终结点，终结点个数t加1，如果t＝1，则令P0为当前点，置位置编码为4，转(3)，即对不封闭轮廓从起始点开始朝相反的方向搜索，直到找到另一个终结点为止，如果t＝2，则转(7)；

(7)若还需跟踪其他目标的轮廓，转回(2)。