基于細(xì)胞神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測(cè)研究.pdf

1、邊緣是圖像的重要特征之一，是計(jì)算機(jī)視覺(jué)、模式識(shí)別等研究領(lǐng)域的重要基礎(chǔ)。近年來(lái)，隨著計(jì)算機(jī)視覺(jué)、機(jī)器視覺(jué)的發(fā)展，邊緣檢測(cè)作為圖像處理中的一個(gè)重要問(wèn)題而備受關(guān)注。由于細(xì)胞神經(jīng)網(wǎng)絡(luò)(Cellular Neural Networks，CNN)具有的二值輸出特性和并行處理能力使其非常適合于圖像邊緣檢測(cè)。本文主要就細(xì)胞神經(jīng)網(wǎng)絡(luò)在邊緣檢測(cè)前的圖像去噪、灰度圖像邊緣檢測(cè)和彩色圖像邊緣檢測(cè)的應(yīng)用三個(gè)方面展開(kāi)研究。首先由細(xì)胞神經(jīng)網(wǎng)絡(luò)在穩(wěn)定時(shí)的狀態(tài)和期望輸出

2、建立起目標(biāo)網(wǎng)絡(luò)的線性不等式條件，在此條件基礎(chǔ)上分別建立起基于梯度閾值的灰度圖像邊緣檢測(cè)CNN模型和基于人眼亮度感知限值的彩色圖像邊緣檢測(cè)CNN模型，再利用優(yōu)化算法設(shè)計(jì)出細(xì)胞神經(jīng)網(wǎng)絡(luò)的參數(shù)模板，并將設(shè)計(jì)的PSO-CNN或TVSC-PSO-CNN分別用于灰度圖像和彩色圖像邊緣檢測(cè)，在檢測(cè)效果和速度上均取得了顯著改善。本文的主要工作包括以下幾個(gè)方面：
　　 ①建立了二值圖像去噪時(shí)不變模板CNN模型和灰度圖像去噪時(shí)變模板CNN模型，并利

3、用粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)在多維實(shí)數(shù)空間搜索出較優(yōu)的細(xì)胞神經(jīng)網(wǎng)絡(luò)模板參數(shù)。仿真實(shí)驗(yàn)結(jié)果表明，優(yōu)化出的CNN用于圖像去噪時(shí)在效果和速度上都具有優(yōu)勢(shì)。這表明CNN用于圖像邊緣檢測(cè)時(shí)對(duì)噪聲具有一定的抗干擾能力。
　　 ②分析比較了經(jīng)典邊緣檢測(cè)算法，針對(duì)現(xiàn)有邊緣檢測(cè)研究中存在的問(wèn)題，提出了灰度圖像邊緣檢測(cè)空間不變模板和空間變模板CNN。然后利用PSO算法優(yōu)化訓(xùn)練出細(xì)胞神經(jīng)網(wǎng)絡(luò)參數(shù)，

4、最后對(duì)設(shè)計(jì)出的細(xì)胞神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行了評(píng)價(jià)。從仿真實(shí)驗(yàn)中檢測(cè)的邊緣圖像來(lái)看，設(shè)計(jì)出的CNN檢測(cè)邊緣更精確，效果較好。
　　 ③在RGB顏色空間中以人眼對(duì)彩色色差的感知限值為基礎(chǔ)，建立起彩色圖像邊緣檢測(cè)CNN模型。首先對(duì)彩色圖像的顏色空間進(jìn)行了簡(jiǎn)單介紹，并對(duì)顏色空間中的色差度量進(jìn)行了分析。接著根據(jù)人眼視覺(jué)特性，給出了人眼視覺(jué)感知限值，并在此基礎(chǔ)上彩色圖像邊緣檢測(cè)的CNN模型。最后利用TVSC-PSO算法優(yōu)化設(shè)計(jì)出CNN的參數(shù)模板。