论文部分内容阅读
边缘是图像的重要特征之一，是计算机视觉、模式识别等研究领域的重要基础。近年来，随着计算机视觉、机器视觉的发展，边缘检测作为图像处理中的一个重要问题而备受关注。由于细胞神经网络（Cellular Neural Networks，CNN）具有的二值输出特性和并行处理能力使其非常适合于图像边缘检测。本文主要就细胞神经网络在边缘检测前的图像去噪、灰度图像边缘检测和彩色图像边缘检测的应用三个方面展开研究。首先由细胞神经网络在稳定时的状态和期望输出建立起目标网络的线性不等式条件，在此条件基础上分别建立起基于梯度阈值的灰度图像边缘检测CNN模型和基于人眼亮度感知限值的彩色图像边缘检测CNN模型，再利用优化算法设计出细胞神经网络的参数模板，并将设计的PSO-CNN或TVSC-PSO-CNN分别用于灰度图像和彩色图像边缘检测，在检测效果和速度上均取得了显著改善。本文的主要工作包括以下几个方面：①建立了二值图像去噪时不变模板CNN模型和灰度图像去噪时变模板CNN模型，并利用粒子群优化算法（Particle Swarm Optimization，PSO）在多维实数空间搜索出较优的细胞神经网络模板参数。仿真实验结果表明，优化出的CNN用于图像去噪时在效果和速度上都具有优势。这表明CNN用于图像边缘检测时对噪声具有一定的抗干扰能力。②分析比较了经典边缘检测算法，针对现有边缘检测研究中存在的问题，提出了灰度图像边缘检测空间不变模板和空间变模板CNN。然后利用PSO算法优化训练出细胞神经网络参数，最后对设计出的细胞神经网络的性能进行了评价。从仿真实验中检测的边缘图像来看，设计出的CNN检测边缘更精确，效果较好。③在RGB颜色空间中以人眼对彩色色差的感知限值为基础，建立起彩色图像边缘检测CNN模型。首先对彩色图像的颜色空间进行了简单介绍，并对颜色空间中的色差度量进行了分析。接着根据人眼视觉特性，给出了人眼视觉感知限值，并在此基础上彩色图像边缘检测的CNN模型。最后利用TVSC-PSO算法优化设计出CNN的参数模板。仿真实验结果表明，优化设计出的CNN收敛率100%，检测出的边缘图像效果好。