基于憶阻細(xì)胞神經(jīng)網(wǎng)絡(luò)的彩色圖像邊緣提取.pdf

1、圖像邊緣包含圖像最重要的特征，邊緣提取是模式識別，人臉識別，圖像分割等后續(xù)復(fù)雜圖像處理的基礎(chǔ)。隨著物聯(lián)網(wǎng)，大數(shù)據(jù)的普及，圖像復(fù)雜度也隨之增加，已有灰度圖像邊緣提取算法在處理復(fù)雜的彩色圖像存在缺陷。一方面，傳統(tǒng)梯度邊緣提取算法計(jì)算簡便，但存在自適應(yīng)性低且抗噪性能差等缺點(diǎn)，在傳統(tǒng)梯度邊緣提取中加入復(fù)雜學(xué)習(xí)算法可在一定程度上提高算法的自適應(yīng)性及準(zhǔn)確度，卻由于算法復(fù)雜度高和數(shù)據(jù)量過于龐大，為硬件實(shí)現(xiàn)帶來了巨大挑戰(zhàn)；另一方面，在處理彩色圖像時(shí)，大

2、多數(shù)現(xiàn)有的邊緣提取算法先進(jìn)行彩色圖像轉(zhuǎn)化為灰度圖像的預(yù)處理，經(jīng)過預(yù)處理的圖像丟失了色彩信息，造成提取邊緣精度下降，無法全面反映圖像特征。所以亟待提出一種自適應(yīng)能力強(qiáng)，準(zhǔn)確度高且硬件容易實(shí)現(xiàn)的彩色圖像邊緣提取算法。細(xì)胞神經(jīng)網(wǎng)絡(luò)（Cellular neural network，CNN）作為一種高速并行處理實(shí)時(shí)信號的系統(tǒng)，憑借硬件易實(shí)現(xiàn)的優(yōu)勢在圖像處理中得以廣泛應(yīng)用，引入納米級尺寸元件：憶阻器，為細(xì)胞神經(jīng)網(wǎng)絡(luò)的硬件設(shè)計(jì)注入了新的活力，有望解決

3、網(wǎng)絡(luò)中因神經(jīng)元數(shù)量劇增帶來的硬件實(shí)現(xiàn)難題。本文提出一種改進(jìn)傳統(tǒng)細(xì)胞神經(jīng)網(wǎng)絡(luò)邊緣提取算法：分別提取彩色圖像的紅，綠，藍(lán)三種顏色分量邊緣再合并；算法中融合人眼識別特性和像素空間分布影響因子，提高邊緣提取的自適應(yīng)能力同時(shí)大幅度增強(qiáng)邊緣提取的準(zhǔn)確性。文章圍繞彩色圖像邊緣提取展開，內(nèi)容可分為以下幾部分：
　　首先，為了解決CNN受現(xiàn)有CMOS管等硬件尺寸限制，電路搭建的神經(jīng)元數(shù)量無法進(jìn)一步增加的難題。引入納米級元件憶阻器，該器件具有阻值連續(xù)

4、可變，功耗低，非易失性和快速開關(guān)轉(zhuǎn)換率等優(yōu)勢，可用于模擬生物神經(jīng)元間的突觸連接。本文提出一種憶阻細(xì)胞神經(jīng)網(wǎng)絡(luò)（Memristor-Cellular neuralnetwork，M-CNN）。一方面，該網(wǎng)絡(luò)中CNN中的線性電阻被憶阻器代替；另一方面，用憶阻器交叉陣列結(jié)構(gòu)作為突觸來實(shí)現(xiàn)CNN中的控制和反饋模板，進(jìn)一步縮小CNN電路尺寸。文章詳細(xì)描述了M-CNN的數(shù)學(xué)模型和憶阻細(xì)胞單元電路結(jié)構(gòu)；對提出憶阻交叉陣列結(jié)構(gòu)突觸進(jìn)行分析說明，同時(shí)從數(shù)

5、學(xué)理論上分析了M-CNN的穩(wěn)定性和容錯(cuò)性，將時(shí)域連續(xù)的M-CNN離散化用于圖像處理。
　　其次，為了改善邊緣提取算法自適應(yīng)差和準(zhǔn)確度低的缺點(diǎn)，提出一種全新的基于M-CNN的閾值自適應(yīng)彩色圖像邊緣提取算法。算法中結(jié)合人眼在亮度和色彩上的識別特性，考慮像素空間分布的影響，設(shè)計(jì)基于顏色差值的自適應(yīng)模板，增強(qiáng)M-CNN在彩色圖像處理中的自適應(yīng)性和邊緣識別準(zhǔn)確度。將提出的算法與傳統(tǒng)的邊緣提取算法進(jìn)行對比，通過數(shù)值仿真觀測邊緣提取結(jié)果并計(jì)算對

6、應(yīng)邊緣圖像的FOM(Figure of Merit)值，從主觀判斷和客觀評價(jià)充分驗(yàn)證了算法的有效性。為了進(jìn)一步證實(shí)算法的抗噪性能，在數(shù)值仿真中加入隨機(jī)噪聲來模擬實(shí)際處理中受到的噪聲影響，計(jì)算仿真結(jié)果的峰值信噪比(PNSR)，證實(shí)了以M-CNN為處理工具的基于像素空間分布的閾值自適應(yīng)算法在彩色圖像邊緣提取中的魯棒性更強(qiáng)。
　　最后，為了彌補(bǔ)彩色邊緣提取中色彩信息的丟失，將單層M-CNN拓展到三層M-CNNs，每一層分別處理彩色圖像的