【正文】 個(gè)基礎(chǔ)的工具 .經(jīng)典 的邊緣提取方法是通過(guò)考察圖像的每個(gè)像素鄰域內(nèi)灰度的變化 ,即利用邊緣臨近一階或二階方向?qū)?shù) 變化規(guī)律來(lái)檢測(cè)邊緣 .如 :Sobel算子是基于一階方向?qū)?shù)在邊緣處取最大值的這一變化規(guī)律來(lái)提取邊 緣的 ,Laplacian算子則是基于二階導(dǎo)數(shù)在邊緣處過(guò)零的特點(diǎn)來(lái)提取邊緣 .CNN完全不同于傳統(tǒng)的邊緣 檢測(cè)方式 ,它通過(guò)狀態(tài)方程引導(dǎo)神經(jīng)元 (即 ,圖像中的像素 )的狀態(tài)向著網(wǎng)絡(luò)所定義的最低能量方向變 化 ,從而實(shí)現(xiàn)邊緣提取 .CNN無(wú)論是在 二值圖像還是灰度圖像中均有很好的效果 ,加之以神經(jīng)網(wǎng)絡(luò)所具 有的并行計(jì)算、便于硬件實(shí)現(xiàn)等特征 ,使其具有很大的發(fā)展前景 . 經(jīng)典的圖像處理進(jìn)行邊緣檢測(cè)常用的有 Sobel算子、 Prewitt算子、 Roberts算子、 Canny算 子、 LoG算子等各種算子 .而采用 CNN進(jìn)行邊緣檢測(cè)時(shí) ,已經(jīng)由 CNN實(shí)現(xiàn) .圖 以 Lena圖像為例 ,分別示出了用著幾個(gè)算子和 CNN分別進(jìn)行邊緣檢測(cè)的結(jié)果 .從最終結(jié)果可以看 出 ,CNN能很好地實(shí)現(xiàn)對(duì)二值圖像的檢測(cè) .采用 CNN最大的優(yōu)點(diǎn)是其具有 高并行計(jì)算能力和硬件容易 實(shí)現(xiàn)的特點(diǎn) . (a)原始圖像 (b)CTCNN (c)DTCNN (d)Sobel (e)Prewitt (f)Roberts (g)LoG (h)Canny 圖 :各種邊緣檢測(cè)算子對(duì)二值圖像處理的結(jié)果 1如無(wú)特殊說(shuō)明 ,本文處理的均為雙極性圖像 . 26 廈門大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) (a)原始灰度圖 形 (b)CNN處理后 (c)Sobel (d)Prewitt 圖 :各種邊緣檢測(cè)算子對(duì)灰度圖像處理的結(jié)果 在對(duì)于灰度圖像的檢測(cè) ,利用 CNN有兩種解決方案 ,一種實(shí)現(xiàn)方法為 ,將灰度圖像的邊緣提取轉(zhuǎn) 化為二值圖像的邊緣提取 [2].對(duì)于灰度級(jí)為 2 n 的圖像 ,由于灰度值在各個(gè)位面 上分別為 0或 1,因此 考慮用 CNN分別檢測(cè)各位面上的改變 ,最后綜合各位面上的結(jié)果 .具體做法為 : 設(shè)圖像的灰度級(jí)為 28=256,則圖像中對(duì)于任一像素的灰度值用二進(jìn)制表示為 g 7 g 6 7 } , gk 表示在位面 2 k 上的值 .此時(shí)灰度值的變化就體現(xiàn)在 gk 上 ,并且高位 體現(xiàn)像素灰度變化明顯 ,低位則體現(xiàn)像素灰度變化微弱 .提取灰度圖像的邊緣時(shí) ,可從高位到低位分別 對(duì)這 8個(gè)位面邊緣提取 ,然后再綜合成灰度圖像的邊緣 .因?yàn)?從各個(gè)位面上檢測(cè)出的邊緣代表不同程 度的灰度變化 ,所以合成時(shí)需考慮各為的權(quán)重 2 k .這種操作比較繁瑣 ,本文直接用 邊緣檢測(cè)模板實(shí)現(xiàn) 。 yij ( t + δ )= ? 1, 式 .具體的推理過(guò)程詳見(jiàn)文獻(xiàn) [1]. ˙ xij = ? xij + 010 121 010 yij + 010 1 ? 51 010 uij? 5 , xij (0)=1 andfixed? 1 boundarycondition. () 對(duì)應(yīng)的 DTCNN的實(shí)現(xiàn)為 : xij ( t +1)= 010 101 010 yij ( t )+ 010 1 ? 51 010 uij + c,c∈ ( ? 5 ,? 3) , xij (0)=1 andfixed? 1 boundarycondition. () DTCNN模板 生長(zhǎng) DTCNN實(shí)現(xiàn)的是將圖像沿水平豎直方向生長(zhǎng) ,最終生成一個(gè)包圍圖像的最小矩形 .生長(zhǎng) DTCNN的局域規(guī)則為 : yij ( t )=1且 ,那么 yij ( t +1)=1。 yij ( t + δ )= ? 1. 對(duì)應(yīng)的 A 模板應(yīng)具備如下形式 : aaa aa 00 a aaa () 這里令 b 00 0且 ( A )模板的所有元素為正 ,則 : ? 8 a + a 00+ b 00+ c≥ 1 ,rule 1 8 a + a 00 ? b 00+ c 1 ,rule 2 8 a? a 00 ? b 00+ c≤ ? 1 ,rule 2 ? 6 a? a 00+ b 00+ c? 1 ,rule 3 ? 8 a? a 00+ b 00+ c≤ ? 1 ,rule 4() 經(jīng)化簡(jiǎn)并選擇 a =1, a 00=2, b 00=9這組參數(shù) ,進(jìn)而有 c∈ ( ? 2 , 0).式 . ˙ xij = ? xij + 111 121 111 yij +9 uij? 1 , xij (0)= mask,uij = markandfixed? 1 boundarycondition. () 對(duì)應(yīng)的 DTCNN的實(shí)現(xiàn)為 : xij ( t +1)= 111 111 111 yij ( t )+9 uij ( t )+ c,c∈ ( ? 2 , 0) fixed? 1 boundarycondition. () 圖 DTCNN實(shí)現(xiàn)圖像重構(gòu)的例子 . 孔洞填充 CNN的局域規(guī)則為 : 約束 : xij (0)=1 uij =1且 ,那么 yij ( ∞ )=1。 如果 uij =1,那么 yij ( ∞ )= ? 1. 以下直接給出結(jié)論 : I當(dāng)初始條件 a 00 1時(shí) : ˙ xij = ? xij + a 00 yij + b 00 uij + c, c∈ ( b 00 ? ( a 00 ? 1) α ,? b 00 ? ( a 00 ? 1) α ) ,b 00 0 , xij (0)= α andarbitraryboundarycondition. () 其中一個(gè)可能的實(shí)現(xiàn)為 : ˙ xij = ? xij +2 yij? uij? 1 , xij (0)=1 ,andarbitraryboundarycondition. () II當(dāng)初始條件 a 00=1時(shí) : ˙ xij = ? xij + yij + b 00 uij + c,c∈ ( b 00 ,b 00) ,b 00 0 arbitraryxij (0) andarbitraryboundarycondition. () 其中的一個(gè)可能的實(shí)現(xiàn)為 : ˙ xij = ? xij + yij? 2 uij + c, arbitraryxij (0) andarbitraryboundarycondition. () III當(dāng)初始條件 a 00 1時(shí) : ˙ xij = ? xij + a 00 yij + b 00 uij + c, c∈ ( b 00 ? ( a 00 ? 1) α ,? b 00 ? ( a 00 ? 1) α ) ,b 00 0 , arbitraryxij (0) andarbitraryboundarycondition. () 在這種情況下 ,需滿足 |B uij + c|≥ 1 ? a 00其中一個(gè)可能的實(shí)現(xiàn)為 : ˙ xij = ? xij +2 yij? uij? 1 , arbitraryxij (0) andarbitraryboundarycondition. () 對(duì)應(yīng)的 DTCNN實(shí)現(xiàn)為 : xij ( t +1)= ? uij (t ) , arbitraryboundarycondition. () 19 廈門大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 與與與操操操作作作模模模板板板 與操作模板的局域在規(guī)則為 : 如果 uij 為 ture 且 xij (0)為 true ,那么輸出為 true 。否則中心細(xì)胞的輸出為 false . 與之對(duì)應(yīng)的元胞邏輯為 : yij ( ∞ )= xij (0) Ckl∈ N skl≥ (2 m? n ) () 與之對(duì)應(yīng)的 DTCNN的是實(shí)現(xiàn)類似于 FloorSum局域規(guī)則推理過(guò)程 ,可得 6: a 00+(2 m? n ) b + c 0 ,? a 00+ nb + c 0 , a 00+(2 m? n? 2) b + c 0 ,b 0 . () 6在此類 CNN中也令 b 00= b . 13 廈門大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 相應(yīng)的與之對(duì)應(yīng)的 CTCNN的是實(shí)現(xiàn)為 : ( a 00 ? 1)+(2 m? n ) b + c 0 ,? ( a 00 ? 1)+ nb + c 0 , ( a 00 ? 1)+(2 m? n? 2) b + c 0 ,b 0 ,a 00 1 . () 則則類類類 TStateFloorPeriSum類局域規(guī)則為 7: 如果 sij 為 ture 且在輸入樣式中非中心元素有不少于 m 個(gè)細(xì)胞的值為 ture , 那么中心細(xì)胞下一步的輸出為 true 。 1的吸引域?yàn)? ( ? ∞ , + ∞ ). 3Basinofattraction:或稱為吸引盆、吸引槽，由位于趨近于一給定吸引子的軌道上的所有點(diǎn)所組成的集合構(gòu)成。 k,l ) ukl. () 同理 ,對(duì)于空間不變性的 DTCNN,對(duì)應(yīng)的有 : xij ( t +1)= axij ( t )+ A yij ( t )+ B uij + c () 定定定義義義 入樣樣樣式式式 : 輸入樣式是指用符號(hào)表示的對(duì)輸入圖像的配置 . 在本文中定義的符號(hào)集合為 : 1和 ? 1分別表示黑色和白色像素 。 k,l ) ykl ( t )+ Ckl∈ Nb ( ij ) B ( i,j 。 k,l ) Vykl ( τ ) + Ckl∈ Nb ( ij ) Rx ? B ( i,j 。 k,l )和 B ( i,j 。, 34 致謝 22 17 11 6 2第二章： CNN基礎(chǔ) 5 本科畢業(yè)論文 (科 研訓(xùn)練、畢業(yè)設(shè)計(jì) ) 題目 :基于 CNN的圖像處理及簡(jiǎn)單應(yīng)用 姓名 :阮長(zhǎng)城 學(xué)院 :信息科學(xué)與技術(shù)學(xué)院 系 :電子工程系 專業(yè) :電子信息工程 年級(jí) :2020級(jí) 指導(dǎo)教師 (校內(nèi) ):楊濤職稱：教授 指導(dǎo)教師 (校外 ):無(wú)職稱： 2020年 5月 28日 廈門大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 基于 CNN的圖像處理及簡(jiǎn)單應(yīng)用 摘要 細(xì)胞神經(jīng)網(wǎng)絡(luò)自提出以來(lái)，因其處理數(shù)據(jù)的高效特性，應(yīng)用正得到不斷地推廣 .目前在圖 像和信號(hào)處理、模式識(shí)別、人工智能、生物視覺(jué)、高級(jí)腦功能、偏微分方程求解和超混沌同步 等 方面得到越來(lái)越多的重視；在移動(dòng)目標(biāo)設(shè)別這一圖像處理領(lǐng)域得到廣泛研究和應(yīng)用的關(guān)鍵 原因在于其并行、高速的特點(diǎn)和適合于圖像處理的獨(dú)特網(wǎng)絡(luò)結(jié)構(gòu) .目前，國(guó)外已有的 CNN芯 片的整體運(yùn)行速度已經(jīng)達(dá)到 T(1012)級(jí) .這對(duì)于提高視頻處理速度和實(shí)時(shí)性是有很重大的意 義 . 本文將較深入討論 CNN的基本原理 .在此基礎(chǔ)上詳細(xì)介紹應(yīng)用于圖像處理中的 CNN局 域規(guī)則和部分模板的設(shè)計(jì)過(guò)程 .最后運(yùn)用用所討論到的 CNN模板給出對(duì)圖形進(jìn)行邊緣檢測(cè) , 漢字及字母識(shí)別的實(shí)現(xiàn)方案 ,最后給出在靜態(tài)背景下簡(jiǎn)單的運(yùn)動(dòng)物體檢測(cè)方案 .實(shí)驗(yàn)結(jié)果表 明 ,CNN在處理這些方面工作均可取得良好的效果 . 關(guān)鍵詞：細(xì)胞神經(jīng)網(wǎng)絡(luò)；邊緣檢測(cè)；漢字識(shí)別 。 7 19 CNN類 26 ) ,d 2( k,l ) ukl ( t )+ cij ( t )() 1這里經(jīng)常取 ” 1” 和 ”1”, 稱為 ” fixed? 1 boundarycondition ” 和 ” fixed 1 boundarycondition .” 8 廈門大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 其中 xij ( t ) ∈ R ,yij ( t ) ∈ R ,uij (t ) ∈ R ,cij ( t ) ∈ R分別表示中心細(xì)胞