本科生毕业论文设计细胞神经网及在图像阈值分割中应用Word文件下载.docx

本科生毕业论文设计细胞神经网及在图像阈值分割中应用Word文件下载.docx

《本科生毕业论文设计细胞神经网及在图像阈值分割中应用Word文件下载.docx》由会员分享，可在线阅读，更多相关《本科生毕业论文设计细胞神经网及在图像阈值分割中应用Word文件下载.docx（33页珍藏版）》请在冰豆网上搜索。

模板

abstract

Alongwiththedevelopmentofsciencetechniqueandenhancementofneedlevel,rapidlyreal-timeprocessingandanalysisofthelarge-scaleimageiscurrentlykeyissuesintheimageprocessingresearchfield.CellularNeuralNetwork（CNN）isakindofneuralnetworkwhichcanberealizedbyVLSI.Itcongregatesparallelcomputationandparallelstructure,andcanfulfilltheimageprocessingtasksrapidlyandreal-time.Therefore,itisverysignificanttoexplorereal-timeimageprocessingandtosolvetheissueofthecurrentimageprocessingfieldusingcellneuralnetwork.Theapplicationofitstechnologyforimageprocessingisalsohottopicatpresent.ThepaperpresentsthebasictheoriesoftheCNNanditsapplicationsinthresholdsegmentation.Firstly,therelatedtemplatecalculationwayandapplicationarediscussed.Secondly,theimagethresholdsegmentationalgorithmwithoutnoisebasedonCNNisstudied,thethresholdtemplateparameterselectionisdiscussed,andtheexperimentalresultsaregiven.Finally,thenoisethresholdimagesegmentationbasedonCNNisresearched.Experimentalresultsshowthattheproposedalgorithmcanrealizeimagesegmentationquicklyandeffectively.

Keywords:

Cellularneuralnetwork;

Imageprocessing;

Thresholdsegmentation;

Template

1绪论

1.1人工神经网络的发展概论

1982年，美国加州理工学院的Hopfield教授提出了人工神经网络模型，从而有力的推动了人工神经网络的研究。

其电路实现为神经计算机的研究奠定了基础，同时它也开拓了用联想记忆和优化计算的新途径。

另外还有Kosko的双向联想记忆网络、多层网络BP算法、Hecht-Nielsen的反向传播算法、Holland的分类系统以及在1988年由美国加州大学Chua教授提出的细胞神经网络等，这些都对人工神经网络理论和实现研究起到了积极的推动作用。

近年来,由于计算机的广泛应用和多种信息材料的研制成功，为人工神经网络创造了前所未有的发展条件。

国际学术界加紧了对这一重要学科理论、应用和实现的研究。

在神经网络理论取得突破之后，其应用研究也迅速发展。

目前主要应用的领域包括:

图像处理、结构损伤诊断、指纹特征提取、基因鉴别、雷达目标分类与识别、交叉极化雷达目标增强、预测、达波方向（DOA）、线性和非线性时变控制、大规模电信系统管理、复杂的实时优化问题等。

在理论和应用研究的同时，人工神经网络实现研究也取得了长足的发展。

人工神经网络实现是神经网络走向实用化的重要步骤[1]。

我国在人工神经网络理论和应用技术方面的研究虽然起步较晚，但也取得了显著的研究成果。

在理论研究方面，不仅每年举办神经网络大会，各种期刊和学术会议上发表大量文章，而且还有一些专著问世。

我国“863”计划、“攀登”计划和国家自然科学基金等，都对神经网络的研究给予了资助，吸引了大批的优秀青年人才从事神经网络领域的研究工作，促使我国在这个领域研究工作的进一步发展。

由于我国VSLI技术水平远落后于西方国家，所以人工神经网络的VLSI实现研究在我国大受限制。

人工神经网络系统的VLSI实现研究在我国做的不是很多，而且所做芯片离实用还有一定距离。

1.2细胞神经网络的研究与发展

Hopfield神经网络是目前最为广泛应用的网络模型之一。

网络模型[2]是一种结构简单的单层完全连接神经网络，但它有严重的缺陷，Hopfield主要表现在:

其一、记忆和模式识别工程中，没有利用模式的几何特征，正是这些几何特征才使得它们在大脑中得以记忆。

而模式几何特征的一个重要表现是:

模式中任意一个点的象素值仅与其最近郊若干象素的值密切关联，而与远离它的象素值关联不大，即所谓最近邻相关性。

其二、尽管人们普遍认为Hopfield神经网络模型较易用VLSI来实现，但当网络总神经元个数很大时，其VLSI实现而有许多实质性困难。

现有的VLSI技术仅适合于实现局域和规则连接神经网络，却难以实现几千个神经元的完全连接。

其三，由于神经网络是大脑的简化、抽象和模拟，所以它反映了人脑功能的基本特性。

大脑大约有1011－1012个神经元，每个神经元有10-105了个突触，可见神经元间并非完全连接。

因此，作为人脑抽象模型的神经网络应和人脑结构特征一致，即局域连接而非完全连接。

欲克服上述缺陷，应将神经网络局域化。

细胞神经网络就是其中之一。

　细胞神经网络（CNN:

CellularNeuralNetwork）是由美国加州伯克莱大学的华裔学者蔡绍棠教授在1988年提出来的，实际上是在Hopfield神经网络基础上派生出来的。

细胞神经网络有几个突出的优点:

第一，其连续时间的特点使其在数字领域中具有所需的实时信号处理能力:

第二，其局部互连特点使其适于VLSI实现，并特别适于高速并行处理；

第三，其处理速度与图像规模无关。

1.3本文主要研究内容

1.3.1选题意义

近些年来，细胞神经网络研究取得了很大发展，并在图像处理和模式识别等方面取得了较好结果。

目前，细胞神经网络[3]己经广泛应用于图像处理水平线检测、垂直线检测、噪声移去、边缘提取、空洞填充、运动检测、特征检测和字钧识别等诸多领域。

还有的研究领域包括:

图像处理中的二维滤波器、图像编码、机器人视觉、水印加密、目标跟踪等。

我国在这方面的研究也取得了一些成果。

如:

将CNN应用于字符图像平滑，用CNN解决通信NP复杂度问题，同时在扩频通信和混频通信也运用了CNN,取得了一些重要的进展。

而由于细胞神经网的快速发展,并且能在图像处理和模式识别等方面取得较好效果,所以本文的研究有比较深的意义。

1.3.2选题目的

本文研究的主要目的是基于细胞神经网的图像阈值分割技术,是在细胞神经网络领域方面的基础上，进行图像阈值分割相关算法的研究及应用。

熟悉细胞神经网络的理论知识及应用技术，包括细胞神经网络的基本概念、背景、发展现状、结构模型、特点，动态性和稳定性等，以及基于细胞神经网络的理论应用于图像阈值分割算法的研究。

1.3.3研究内容

本文从细胞神经网络模型研究开始，将细胞神经网络的模型、算法研究与具体的图像处理特别是在图像阈值分割中的应用紧密结合，充分将理论和实践联系起来。

全文结构安排如下：

第一章：

绪论。

简要概述了人工神经网络的发展状况，介绍了细胞神经网络的发展现状；

说明了本论文研究的意义，研究目的及本文的内容和结构安排。

第二章：

细胞神经网络理论及图像分割原理。

在本章中，将会系统性的介绍细胞神经网络的理论知识，包括结构、定义、数学描述及基因库等。

并介绍了图像分割的原理，阈值分割的原理。

第三章：

基于CNN的无噪声图像阈值分割，论述基于CNN的图像阈值分割技术，主要是理论上分析阈值分割，设置分割模板，选取不同的阈值仿真分析。

第四章：

基于CNN的有噪声图像阈值分割。

重点论述有噪声的图像阈值分割，设计好模板应用到图像的阈值分割中，滤除噪声，通过软件仿真将结果显示出来。

而局部阈值分割以理论形式提出。

第五章：

总结及展望：

对全文进行总结，指出本文所做的工作和后续工作的内容及方向。

2细胞神经网络理论及图像分割原理

2.1细胞神经网络理论

细胞神经网（CellularNeuralNetwork,简称CNN），又称为细胞非线性网络[4]，是一种局部联结的大规模、并行、模拟、非线性、网状结构的细胞阵列。

位于网格节点处的子系统称为细胞（cell），细胞结构简单，是细胞神经网的基本单元。

每个细胞都是具有输入、输出及状态变量的非线性动力学系统。

较之其它类型的神经网络，细胞神经网的最大特点细胞（相当于神经元）结构简单，且细胞之间仅为局域互联。

一个规模为M×

N的细胞神经网络共有M×

N个细胞排列成M行N列。

每一个细胞仅和它邻域的细胞相连，不直接相连的细胞通过连续动态的传播效应而互相影响。

从理论上讲，可以定义任意维数的细胞神经网络，但对图像处理和模式识别等应用领域，则只需研究二维算法。

一个简单的细胞神经网络如图2－1（细胞神经网络的基本结构）所示，表示一个3×

3规模的细胞神经网络。

以C（i,j）表示第i行第j列的细胞,连接关系可能是各种各样的，甚至是自适应的。

更复杂一点的细胞神经网络是一个细胞会与更多的细胞连接，但是局部连接这一点是不变的。

较之其他种类的神经网络，其最大的优点在于它的连接键少，因而有极好的可实现性，这使得它可以用硬件来实现，从而更接近于一个实用的并行算法。

　图2-1细胞神经网络的基本结构

2.1.1细胞神经网络的定义

定理2.1[6]　邻域（影响域Sij）

C（i,j）的r-邻域可如下定义（r为正整数）:

（2-1）

图2-2　　C（i,j）的r-邻域

图2-2（C（i,j））的r-邻域）给出了同一个细胞（中心细胞）的三种邻域以符号N（i,j）表示细胞C（i,j）的半径为r的邻域。

通常r=1的邻域又称为3x3的邻域，r=2的邻域称为5x5的邻域，r=3的邻域即7x7的邻域。

定理2.2[4]邻域对称性:

对由邻域定义所给出的邻域系统，邻域内细胞具有对称性,即如果C（i,j）∈Nr（k,l），那么同时也有Nr（k,l）∈C（i,j）。

在邻域内具有（2r+1）2个邻域细胞的细胞称为内部细胞（innercells）,所有其它的细胞称为边界细胞（boundarycells）。

定理2.3[7]　CNN的数学描述

一类M×

N的标准的CNN由M×

N个呈矩阵排列的细胞C（i,j）组成，位于（i,j），i=1,2，…，M；

j=1,2,…,N。

任一个细胞C（i,j）都被数学描述为:

A标准CNN方程

（2-2）

i=1,2，…，M；

j=1,2,…,N

其中Xij为状态变量，ykl为输出变量，ukl为输入变量，Zij为域值，bkl为控制系数,akl为反馈系数，Sij是以（i,j）为中心,其半径为r的影响区域。

B输出方程:

　　　　　（2-3）　

输出图如图2-3（输出方程状态图）:

图2-3输出方程状态图

标准CNN输出方程是非线性的，其分段线性形式为:

（2-4）

C　边界条件

指定ykl、ukl∈Sr（i,j）,但在矩阵M×

N之外的ykl、ukl值

（1）固定边界条件:

这种情况下标准方程中边界之外的每个神经元Ckl的状态xkl，都认为是固定的常量。

（2）零流量边界条件

这种情况下垂直于边界方向的邻神经元的相关状态xkl，都强制互相相等。

（3）周期边界条件

这种情况下，矩阵第一行和最后一行（或列）相同，形成一个圆环面。

D初始状态

　　　　　　　　　（2-5）

E虚拟细胞

任何细胞C（i,j）满足｜k-i｜≤r,｜l-j｜≤r，且k

{1,2,…,M}或I

{1,2,…,N}，称为虚拟细胞，相应的xi,j，yi,j,ui,j,zi,j，称为虚拟状态，虚拟输出，虚拟输入和虚拟域值。

2.1.2标准CNN的结构

细胞神经网络是一个由大体相同动力学性质的细胞组成的2维或3维或n维阵列，一个细胞神经网络应当满足如下两个特征[6]：

（1）每一个细胞与其他细胞的互连局限在有限域r范围内，且连接关系满足一定的规则，这就是细胞神经网络的局域连接性和复制性。

（2）所有状态变量值是连续的，这体现了细胞神经网络是一种有别于现在数字逻辑电路的网络。

即输入的电信号是连续的，而时间值不必是连续的，这种离散时间输入的细胞神经网络实际上对应着一大类离散时间细胞神经网络。

而第一个条件实际上保证了细胞神经网络的可实现性。

每个细胞神经网络中一个细胞C（i,j）的等效电路,如图2-4（细胞等效电路模型），每个细胞C（i,j）包含一个独立电压源Eij一个独立电流源I、一个线性电容C、两个线性电阻Rx与Ry,至多2m个线性压控电流源以及一个非线性压控电流源。

等效电路图具体推证过程参见文献[5]。

　图2-4细胞等效电路模型

下标u、x、y分别表示输入、状态和输出，Vuij是C（i,j）的输入电压，且假定它是幅度小于等于1的常值，用一个独立电压源Eij来表示；

Vxij称为C（i,j）的状态电压，且假定其初始条件的幅度小于等于1,Vxij由电容C上的电压决定，与邻近神经元的关系由至多2m个压控电流源Ixy（i,j;

k,1）与Ixij（i,j;

k,1）来决定，m等于邻域细胞的个数（对于内部细胞，m=（2r+1）2;

对于边界细胞,m<

（2r十1）2）。

如果邻近神经元C（k,l）的输入为vukl,输出为vykl，那么线性压控电流源Ixy（i,j;

k,1）与Ixu（i,j;

k,1）可表示为:

（2-6）

A（i,j;

k,l）表示C（k,l）的输出Vykl与C（i,j）之间的联接权，B（i,j;

k,l）表示C（k,1）的输入Vukl与C（i,j）之间的联接权，它们可以通过在电容上并联压控电流源来实现，设由A（i,j;

k,l）组成的矩阵为A，由B（i,j;

k,l）组成的矩阵为B。

A,B矩阵称为模板，它们由（2r+1）2个元组成，而每个神经元与相邻神经元之间的联接都是由A和B中的元所决定的。

Rx、Ry是线性电阻，I为独立的电流源，Rx、Ry的存在是由电路实现时的阻抗决定的，一般是一个常数。

Vyij是C（i,j）的输出电压，它是由一个非线性压控电流源组成，Iyx=（1/Ry）f（Vxij）,Vxij=RyIyx=f（Vxij）,f（*）的特性为饱和特性。

对于一个3×

3（即r=1）影响区域的空间不变CNN，其状态方程式由十九个实数确定，即一个域值Zij，九个前向控制系数bkl及9个反馈系数akl,常用Z,B,A三个模板（template）分别表示它们。

重新排列这三个模板使之成为具有十九个实数的一维数组，称其为一个CNN基因模板[4]，并用G表示，G=[zb9b8b7b6b5B4b3b2b1,a9a8a7a6a5a4a3a2a1]，如图2-5（CNN的基因）。

图2-5　CNN的基因

CNN的模板相当于计算机程序中的子程序概念，不同的子程序用来完成不同的任务。

。

目前知道的CNN基因有很多个。

其中用于图像处理的少部分CNN基因分为四组:

第一组包括基本的3×

3复制模板；

第二组包括非线性3×

第三组是一些3×

3的时延模板；

第四组是一些5×

5模板。

本文重点研究基本的3×

3复制模板

图像处理CNN基因库中包括域值:

G=[Z000000000000020000]；

点提取:

G=[-8-1-1-1-1-1-1-1-1000010000]；

点消除:

G=[-l111181111000010000]；

逻辑非:

G=[00000-20000000010000]；

逻辑与:

G=[-1000010000000020000]；

逻辑或:

G=[1000010000000020000]；

边缘检测:

G=[0.5-1-1-1-18-1-1-1-1000020000]；

轮廓检测CNN、拐角检测CNN、腐蚀CNN,膨胀CNN、梯度检测CNN、空洞填充CNN等等。

2.1.3CNN输入输出的量化

在图像处理中，无论灰度图像还是二值图像，每一象素的值均为离散量化的，采用CNN进行图像处理时，存在对其输入与输出量化[10]的问题。

在M×

N的二维图像中，不一般设它任意一点的值为f（x,y），通常对于二值图象，f（x,y）仅取两个整数值，即f（x,y）∈{0,1}；

而对灰度图像则f（x,y）为灰度值，以8比特灰度图像为例f（x,y）∈{0,1,…,255}。

在CNN系统中，其输入为uij∈[-1,1],输出为Yij（t）∈［-1,1]，因而在处理二值图象时，需要使原来的f（x,y）∈{0,1}，映射为f（x,y）∈{-1,1}，但必须注意这种映射为:

原来0映射为1（纯黑色），原来的1映射为-1（纯白色）。

而处理灰度图像时，首先要对输入与输出的值域［-1,1］进行256级的均匀量化，然后使f（x,y）∈{0,1,…,255}映射到这个均匀量化的[-1,1]中，同样必须注意:

原来0映射为1（纯黑色），原来的255映射为-1（纯白色），其余灰度值均按照由小到大的顺序依次映射到由1到-1这个由大到小的量化体系中。

显然，CNN的图像灰度体系与传统的灰度体系不同，它是传统灰度体系按照大小的倒序排列，即-1代表纯白色而1代表纯黑色，随着量化值的递增灰度逐渐加深。

这一点必须高度重视，否则在CNN算法中将引起混乱。

本文在以下内容中如无特别说明，均采用CNN的灰度体系。

2.1.4基于CNN的图像处理的基本思想

由于图像在空间域与时间域是离散的，为了将CNN用于图象处理，使用差分方程[7]来近似标准CNN方程，令t=nh，h为一常数时间步长，并用对应的差分逼近xij（t）的导数，则有

　　（2-7）

　　　　　（2-8）

其中：

令h=1,则由方程（2-7）得

（2-9）

方程（2-7）可看作用于图象变换xij（n）→xij（n+1）的二维非线性滤波器，且具有空间不变性。

对于图象处理的局部性与全局性，可通过滤波器的迭代次数n来调整。

当n足够大时，xij（n）将收敛于平衡稳定点.在另一方面，当需要特定输出时，则指定n的大小，此时xij（n）不一定收敛于平衡稳定点，而使输出值Yij（n）由输出方程来确定，这种情况也常在CNN的图象处理算法中出现。

对于标准CNN，其输入uij,状态xij与输出Yij的关系由反馈模板A、控制模板B和阈值Z来确定。

因而如何设计确定反馈模板A、控制模板B和阈值Z对CNN系统而言至关重要。

通常将A、B和Z统称为CNN的模板。

对于xij收敛于平衡稳定点时产生输出Yij（n）的CNN模板，我们称为稳态输出型模板，而对于xij（n）不收敛于平衡稳定点时产生特定输出Yij（n）的CNN模板，称为暂态输出型模板[10]。

2.1.5细胞神经网络的应用

自创立细胞神经网以来，作为一种新型的计算机模型，细胞神经网由最初的主要用于二值图像发展到应用于灰度、彩色立体图像、视频等复杂任务的实时处理。

具有局部模拟逻辑存储器的可编程高性能细胞神经网通用机的研制成功，使得CNN进一步走向实用阶段，并进一步激发了人们对细胞神经网应用研究的热情。

最近，细胞神经网络己经在信号处理、图像处理等领域获得广泛应用，如运动目标的水平检测、垂直检测、方向检测、图像细化、边缘检测、二维图像的滤波与速度估计、手写体识别与联想记忆等。

细胞神经网络己经成为神经网络中发展最迅速的一个分支。

2.2图像分割的基本概念

图像分割[15]就是把图像中的目标分成许多感兴趣的区域与图像中各种物体目标相对应。

全面理解图像中所包括的全部信息包括分区分割和对各区的描述，目前可能的理解图像分割方法只限于信息中的特征，如：

灰度差别、局部纹理差别、彩色差别、局部统计特征或局部区域的频谱特征的差别等成熟技术表征的特征。

图像分割的结果是图像特征提取和识别等图像理解的基础，只有在图像被分割后，图像的分析才成为可能。

图像分割在计算机视觉和图像识别的各种应用系统中占有相当重要的地位，它是研制和开发计算机视觉系统、字符识别和目标自动获取等图像识别和理解系统首先要解决的问题。

只要需对图像目标进行提取，测量等都离不开图像分割。

由于图像分割问题的特殊性，再加上问题本身具有一定的难度和复杂性，到目前为止还不存在一个通用的方法，也不存在一个判断分割是否成功的客观标准。

图像分割的实质是要正确地划分属性空间，使得相同属性的像素归属同一区域，不同属性的像素归属不同的区域。

图像分割的数学定义[8]：

令集合R代表整个图像区域，对R的分割看作将R分成N个满足以下五个条件的非空子集（子区域）R1,R2,…,RN：

（1）

（2）对所有的i和j,i≠j,有Ri∩Rj=Φ；

（3）对i=1,2,…,N,有P（Ri）＝TRUE；

（4）对于i≠j，有P（Ri∪Rj）＝FALSE；

（5）对i=1,2,…,N,R是连通的区域。

条件

（1）指出在对一幅图像的分割结果中全部子区域的总和（并集）应能包括图像中所有像素（就是原图像），或者说分割应将图像中的每个像素都分进某个子区域中。

条件

（2）指出在分割结果中各个子区域是互不重叠的，或者说在分割结果中一个像素不能同时属于两个区域。

条件（3）指出在分割结果中每个子区域都有独特的特性，或者说属于同一个区域中的像素应该具有某些相同特性。

条件（4）指出在分割结果中，不同的子区域具有不同的特性，没有公共元素，或者说属于不同区域的像素应