开题报告 基于细胞神经网络的图像边缘提取算法研究.doc

毕 业 设 计 开 题 报 告 基于细胞神经网络的图像边缘提取算法研究 系 别： 班 级： 学生姓名： 指导教师： 2011 年 11 月22日 毕业设计开题报告 课题题目 基于细胞神经网络的图像边缘提取算法研究 课题性质 A B C D E ■ □ □ □ □ 课题来源 A B C D □ □ ■ □ 成果形式 A B C D E ■ □ □ ■ □ 同组同学 无 开题报告内容 见附页 指导教师意见（课题难度是否适中、工作量是否饱满、进度安排是否合理、工作条件是否具备等） 指导教师签名： 年 月 日 专家组及学院意见（选题是否适宜、各项内容是否达到毕业设计（论文）大纲要求、整改意见等） 专家组成员签字： 教学院长（签章）： 年 月 日 附页： 基于细胞神经网络的图像边缘提取算法研究 一、研究的目的 边缘是图像中重要的特征之一，是计算机视觉、模式识别等研究领域的重要基础。细胞神经网络(CNN）是一种并行处理器，在图像处理上有很大的发展空间。 首先详细描述了用 CNN 提取图像边缘的过程，给出了所设计的二值图像算法的流程图。利用设计出的网络参数，对二值图像进行了边缘提取，提取结果表明该网络参数是合理的。在二值图像的基础上，实现对灰度图像的边缘提取，改进了前人提出的分 8 层的算法，给出了一组灰度图像的边缘提取的结果，结果表明改进的算法是更加有效的。 建立了基于 CNN 的算法与传统的算法对图像边缘处理的仿真模型，两者比较得出基于 CNN 的算法在硬件实现上能够高速并行计算，且处理速度与图像大小无关，所以能够实现图像的实时处理，不失为一种有效的应用方法。 提出了基于 CNN 的图像边缘提取的模板取值范围，在确定范围内对图像进行了验证，结果表明该范围是正确的。在此基础上，深入分析了灰度图像的模板取值，推导了模板取值和其像素值之间的关系，从而确定了灰度图像的自适应模板。 最后，详细描述基于CNN 的边缘提取算法的实现方法，并给出实验结果，通过结果表明这种方法是切实可行的 二、主要技术指标 细胞神经网络在应用于图像处理的时候，它的规模与待处理图像的规模相同，如果待处理的图像包含了 N×M 像素，那么细胞神经网络也同样包含M×N个细胞神经元。这种情况下，像素就与细胞一一对应。处理时，每一个神经元的状态将按照某特定的数学迭代公式改变，直到整个网络收敛。这种方法就是将整个图像函数转化为一个动态系统，而动态方程则指导神经元的状态向细胞神经网络所定义的最低能量方向变化。 一般来说，用于图像识别的边缘提取比仅仅用于视觉效果增强的边缘提取要复杂一些。因为从人们的直观感受来说，边缘对应于物体的边界。图像上灰度变化剧烈的区域比较符合这个要求，所以就以这个特征来提取图像的边缘。 既然边缘提取是要保留图像的灰度剧烈变化的区域，从数学上，最直观的方法就是微分，而对于数字图像来说就是差分；从信号处理的角度来看，也就是高通滤波器，即保留高频信号。这是最关键的一步。用于图像识别的边缘提取往往需要输出的边缘是二值图像，即只有黑白两个灰度的图像，其中一个灰度代表边缘，另一个则代表背景。 由于图像的边缘具有较高的空间频率，因此可以采用高通滤波的方法让高频分量通过，而抑制低频分量，从而使图像的边缘变得清晰，以实现图像的锐化。这一思想反映在空间域处理中，就是让图像和高通滤波模板H进行卷积。下面就是一个高通滤波模板： 因为所需要处理的是数字图像，所以需要将细胞状态方程进行差分处理，这样才能够更好的考察细胞神经网络的动态特性。下面不加推导，给出一细胞状态方程： 其中1≤ i ≤M ; 1≤ j ≤N。 在该式里细胞C(i , j)在n时刻的状态由细胞的初始状态，外界输入和网络参数等决定。当n→∞时，状态变量趋于一个常数值，而输出趋于+1或者-1，因此恰好可以用来分开边缘点和非边缘点这两种状态，其中用+1来表示边缘点，用-1来表示非边缘点。 在上式中，t = nh，步长h如果取的过小，会导致收敛速度过慢，如果取的过大，差分方程与微分方程又相差太大。甚至可能会导