离散过程神经网络和CGA相融合的边缘检测

张宇航　许少华　许辰

摘要：针对图像处理中的边缘检测问题，提出一种基于离散过程神经网络（DNPP）与混沌遗传算法（CGA）相融合的模型和算法。DNPP的输入可以直接为数据矩阵，实现二维图像关联信息网格化的整体输入和处理。以图像网格灰度值作为DPNN处理数据集合，利用Sobel算子检测的技术原理和DPNN的判别能力，实现图像边界线的自动辨识和追踪。文中给出基于混沌遗传搜索的DNPP求解算法，以油田地震数据体切片中砂体的识别和追踪为例，实际资料处理结果验证了检测模型和算法的有效性。

关键词：图像处理；边缘检测；离散过程神经网络；混沌遗传算法；砂体识别和追踪

中图分类号：TP183文献标识码：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

近年来，随着智能信息处理技术的快速发展和应用范围的不断扩大，面向图像处理技术领域，已有多种智能算法得到有效应用，例如，人工神经网络[1，2]、遗传算法[3]、蚁群算法[4]、粒子群算法[5]等，为图像数据中边缘检测方法和技术的创新提供了新的理论和算法基础。离散过程神经元网络[6]（Discrete Process Neural Network，DPNN）是近几年提出的一种新型动态神经网络模型，其输入可直接为数据矩阵，即能实现二维图像网格数据的整体输入。在实际应用中，将图像区域进行适当的网格划分，以图像网格灰度值作为DPNN处理数据集合。根据Sobel算子[7]检测的技术原理和DPNN模型构建数据结构，利用DPNN的信息处理机制，自适应实现图像区域中边界线的自动辨识和追踪。

将基于DPNN的图像边缘检测算法应用于油田地质研究中，在进行地震数据体砂体识别和追踪时，以相邻两井地震数据体二维切片为图像区域，以连井剖面地震数据体切片分块网格的灰度图像值作为DPNN处理数据集合，引入Sobel算子，将算子在X方向和Y方向上相邻的3×3分块图像灰度值进行整体输入，以保证输入图像信息的结构性和完整性。同时，利用混沌遗传算法（Chaos genetic algorithm，CGA）的全局优化能力，对DPNN的权值矩阵进行优化求解，建立基于DPNN和CGA相结合的边缘检测算法，在机制上对砂体识别和边缘界线展布追踪具有较好的适应性。

2离散过程神经网络基本模型

离散过程神经网络的输入/输出、连接权等均可以为离散时间序列或矩阵，其信息处理过程包括离散时间数据加权输入、时空聚合运算及模式类别输出等运算。将DPNN用于图像边缘点的检测，考虑含一个离散过程神经元隐层、线性单输出的系统，网络结构设计为n-m-1，即输入层有n个节点，隐层包含m个节点，1个非时变神经元输出节点，如图1所示。

3用于边缘检测的DPNN模型构建

在图像区域中，以像素的N×N网格分块邻域中像素的行向量作为DPNN的特征输入向量，即将N维行向量作为DPNN一个输入节点的输入向量，这样，DPNN的输入层共有N个节点，一次输入即可实现N×N阶网格图像信息的完整输入，避免了循环输入和预处理过程，可较大提高网格信息的关联和结构完整性。

用于边缘点检测的DPNN模型采用三层结构：输入层包含N个节点，隐层包含2N个离散过程神经元节点，输出层为1个非时变神经元，网络输出为N×N邻域中心像素处理后的灰度值，该像素值的输出决定是否为边缘点或非边缘点。对应于Sobel检测算子，网络结构如图2所示：

在训练算法设计中，DPNN权值矩阵W分块以Sobel算子模板系数作为初始权值，利用Sobel算子的边缘检测机制，通过优化调整，建立起基于DPNN的边缘检测模型和算法。

4基于CGA的DPNN求解算法

混沌状态是自然界中存在的一种随机现象，在看似杂乱的运动中隐含着概率选择、状态遍历和系统内在运动规律等性质。混沌搜索是将混沌性质引人到求解算法的控制规则中，通过对变量施加混沌扰动，使其按系统内在规律，在可行解空间不重复地搜索到所有状态[8]。

混沌遗传算法[9]是将混沌变量的运动性质和GA的遗传操作相结合，对参数进行染色体编码。根据遗传算法的进化机制，进行选择、交叉、变异等操作，通过在可行解空间的迭代寻优，最后收敛到最优解。

CGA具体求解步骤：

Step1 初始化：将DPNN中的待求解参数整合为一条染色体，每个参数占有一个基因位，采用十进制对参数进行编码；

Step2 定义适应度函数：根据DPNN训练目标，适应度定义为网络误差函数（2）的倒数；

Step3 选择操作：确定种群规模和初始种群G，以及适应度函数F；在G中，采用转轮规则选择染色体，染色体被选择的概率正比于其适应度值；

Step4 被选择的染色体混沌交叉操作：W′1=λ→W1+（1→-λ→）W2，W′2=λ→W2+（1→-λ→）W1；λi∈（-1，1）。

Step5 染色体混沌变异操作：设变异基因wi，变异后为w'i=wi+β（wUi-wi）或w'i=wi+β（wi-wLi）。其中wUi和wLi为wi上下界，β∈（-1，1）为混沌变量。

Step6 进行全局最优解更新；

Step7若满足终止条件，保存最优解停机；否则，返回步Step3。

5实际资料处理和分析

地震-测井信息结合的油藏综合评价是油田开发重要的基础性工作[10，11]。在基于地震数据体并结合测井信息的砂体识别和追踪中，首先将声波速度场的地震资料通过区域时深对比关系转换到深度域，经过层位校正，使井筒剖面上测井解释层位与地震层位对齐。然后，在相邻两口井确定的地震数据体二维切片图像上，根据测井砂体小层解释结果形成井剖面纵向分层数据。从某一测井砂体小层出发，采用图像区域沿层位方向遍历扫描检测策略，进行边界点的辨识，实现对砂体连通关系的追踪，以及对砂体尖灭、缺失等地质现象的判别。在实际资料处理中，选择某油田区块的地震、测井资料进行综合处理，依据图像区域大小和测井解释各小层砂体厚度分布情况，将相邻两井地震数据体二维切片图像划分成240×720矩形网格，图2所示的DPNN的结构确定为（3×3）-18-1，CGA算法的种群规模确定为20。采用37个已有精确层位解释的地震、测井数据样本对DPNN与CGA相结合的图像检测模型进行训练，完成建立检测模型和算法。对包括4口测井资料的工区地震数据进行处理，砂体追踪结果如图3所示。

图3中，对于厚层和地震层位信息清晰的砂体，井间砂体追踪结果表明连通性较好；但对于同向轴扭曲、信噪比较低的砂体，出现地层尖灭或缺失的情况较多，这与该区块油田的实际地质情况相一致。

6结论

本文建立了一种基于离散过程神经网络的二维数字图像边缘检测模型和算法。该模型可实现二维图像网格数据的整体输入，在机制上提高了输入图像信息的结构关联性和完整性。采用混沌遗传算法进行DPNN和检测算法参数的自适应优化计算，可满足针对不同实际应用问题建模时的灵活性和普遍适用性。文中建立的模型和算法也可应用于其他图像处理领域，具有较为广泛的实用性。

参考文献

[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]何新贵，许少华.过程神经元网络[M] 北京：科学出版社，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]许少华，何新贵.一种基于混沌遗传与粒子群混合优化的过程神经网络训练算法[J].控制与决策，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.