【正文】 (a)階躍型圖21 灰度圖像變化情況圖（a）中，對(duì)灰度值剖面的一階導(dǎo)數(shù)在圖像由暗變明的位置有一個(gè)向上的階躍，而在其他位置都為零，這表明可用一階導(dǎo)數(shù)的幅度值來(lái)檢測(cè)邊緣的存在，幅度的峰值一般對(duì)應(yīng)圖像邊緣的位置。其中階躍邊緣兩邊的灰度值變化明顯，而屋頂邊緣位于灰度值增加與減少的交界處。因此，我們把邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。本論文的主要研究工作如下：1）介紹了圖像邊緣檢測(cè)的基本原理；2）介紹了幾種經(jīng)典的邊緣檢測(cè)算法；3）介紹了細(xì)胞神經(jīng)網(wǎng)絡(luò)和遺傳算法的基本原理，為細(xì)胞神經(jīng)網(wǎng)絡(luò)檢測(cè)圖像邊緣提供了理論依據(jù)；4）詳細(xì)闡述了如何利用CNN技術(shù)來(lái)對(duì)圖像進(jìn)行邊緣檢測(cè)的方法；5）詳細(xì)說(shuō)明了設(shè)計(jì)CNN模板的幾種方法，并利用自適應(yīng)遺傳算法求出最優(yōu)模板；6）與其他幾種邊緣檢測(cè)算法做比較，驗(yàn)證了細(xì)胞神經(jīng)網(wǎng)絡(luò)在特定圖像邊緣檢測(cè)中的優(yōu)越性。相信隨著研究的不斷深入，存在的問(wèn)題會(huì)很快得到圓滿的解決。事實(shí)證明，交互式檢測(cè)技術(shù)有著廣泛的應(yīng)用；4）對(duì)特殊圖像邊緣檢測(cè)的研究越來(lái)越得到重視。在新出現(xiàn)的邊緣檢測(cè)算法中，基于改進(jìn)的自適應(yīng)遺傳算法的細(xì)胞神經(jīng)網(wǎng)絡(luò)邊緣檢測(cè)是一種很好的方法；3）交互式檢測(cè)研究的深入。從邊緣檢測(cè)研究的歷史來(lái)看，人們對(duì)邊緣檢測(cè)的研究有幾個(gè)明顯的趨勢(shì)：1）對(duì)原有算法的不斷改進(jìn)；2）新方法、新概念的引入和多種方法的有效綜合利用。盡管人們很早就提出了邊緣檢測(cè)的概念，而且今年來(lái)研究成果越來(lái)越多，但由于邊緣本身檢測(cè)本身所具有的難度，使研究沒(méi)有多大的突破性的進(jìn)展。2）算法的應(yīng)用研究，即將現(xiàn)有的算法應(yīng)用于工程實(shí)際中。另一類是針對(duì)特殊的圖像而提出的邊緣檢測(cè)方法。針對(duì)這種情況，人們?cè)诨趥鹘y(tǒng)的方法提出了許多新的邊緣檢測(cè)方法。到目前為止，國(guó)內(nèi)外關(guān)于邊緣檢測(cè)的研究主要以兩種方式為主：1）算法的理論研究，即提出新的算法或改進(jìn)已有算法。比如圖像壓縮、圖像分割、圖像分類、計(jì)算機(jī)視覺(jué)、模式識(shí)別的應(yīng)用，所以對(duì)它的研究具有現(xiàn)實(shí)意義和理論意義。圖像邊緣是圖像中最基本的特征，是分析理解圖像的基礎(chǔ)。邊緣像素實(shí)質(zhì)上是指局部圖像范圍內(nèi)灰度有急劇變化的點(diǎn)(奇異點(diǎn))，圖像邊緣就是二維圖像中奇異點(diǎn)的集合。圖像處理就是對(duì)從外界所獲得的信息進(jìn)行加工處理，以滿足人的視覺(jué)心理和實(shí)際應(yīng)用的要求，理解圖像、識(shí)別圖像中的目標(biāo)是計(jì)算機(jī)視覺(jué)圖像處理的中心任務(wù)。本文通過(guò)CNN與其他經(jīng)典算法的效果對(duì)比，證明了基于CNN的邊緣檢測(cè)具有良好的效果。近年來(lái)，邊緣檢測(cè)這個(gè)課題已成為機(jī)器視覺(jué)研究領(lǐng)域最活躍的課題之一，在工程應(yīng)用中占有十分重要的地位。 畢業(yè)設(shè)計(jì)(論文)題 目 基于細(xì)胞神經(jīng)網(wǎng)絡(luò)的 圖像邊緣檢測(cè)算法研究 專 業(yè) 計(jì)算機(jī)科學(xué)與技術(shù) 班 級(jí) 2008級(jí) 3班 學(xué) 生 馮 俊 杰 指導(dǎo)教師 王 政 霞 重慶交通大學(xué)2012年目 錄摘 要 IABSTRACT II第1章 緒 論 1 本課題的研究意義和背景 1 國(guó)內(nèi)外研究現(xiàn)狀 1 本文主要研究?jī)?nèi)容 2第2章 邊緣檢測(cè)的原理和方法 4 邊緣檢測(cè)的原理 4 常見(jiàn)的邊緣檢測(cè)方法 5 Roberts算子 5 Sobel邊緣算子 6 Canny邊緣算子 7 本章小結(jié) 7第3章 細(xì)胞神經(jīng)網(wǎng)絡(luò)和遺傳算法 8 細(xì)胞神經(jīng)網(wǎng)絡(luò) 8 細(xì)胞神經(jīng)網(wǎng)絡(luò)簡(jiǎn)述 8 細(xì)胞神經(jīng)網(wǎng)絡(luò)發(fā)展與現(xiàn)狀 9 細(xì)胞神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 9 細(xì)胞神經(jīng)網(wǎng)絡(luò)的狀態(tài)方程 12 細(xì)胞神經(jīng)網(wǎng)絡(luò)狀態(tài)方程差分化 13 遺傳算法 14 遺傳算法簡(jiǎn)述 14 遺傳算法原理 14 本章小結(jié) 17第4章 基于自適應(yīng)遺傳算法的細(xì)胞神經(jīng)網(wǎng)絡(luò)模板設(shè)計(jì) 18 細(xì)胞神經(jīng)網(wǎng)絡(luò)模板參數(shù)設(shè)計(jì)原理 18 細(xì)胞神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)特性 19 細(xì)胞神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析 20 細(xì)胞神經(jīng)網(wǎng)絡(luò)模板的特點(diǎn) 21 基于自適應(yīng)遺傳算法的CNN模板設(shè)計(jì) 22 控制參數(shù)的選擇 23 編碼方式 24 適應(yīng)度函數(shù)的選擇 25 選擇操作 26 交叉和變異 26 本章小結(jié) 27第5章 基于細(xì)胞神經(jīng)網(wǎng)絡(luò)檢測(cè)圖像邊緣與效果評(píng)價(jià) 28 圖像預(yù)處理 28 邊緣檢測(cè)的算法實(shí)現(xiàn) 29 自適應(yīng)遺傳算法模板實(shí)現(xiàn)與性能比較 31 本章小結(jié) 37第6章 總結(jié)與展望 38 總結(jié) 38 展望 38致 謝 39參考文獻(xiàn) 402012屆計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)畢業(yè)設(shè)計(jì)（論文）摘 要在數(shù)字圖像處理領(lǐng)域，邊緣檢測(cè)是一項(xiàng)基本而又重要的研究?jī)?nèi)容。數(shù)字圖像的邊緣檢測(cè)是圖像分割、區(qū)域形狀提取等圖像分析領(lǐng)域的重要基礎(chǔ)，也是圖像識(shí)別中進(jìn)行圖像預(yù)處理的重要環(huán)節(jié)。細(xì)胞神經(jīng)網(wǎng)絡(luò)（CNN）是一種并行處理器，在數(shù)字圖像處理領(lǐng)域有很大的發(fā)展空間，本文首先詳細(xì)描述了基于CNN的圖像邊緣提取過(guò)程以及其原理，給出了對(duì)灰度圖像進(jìn)行檢測(cè)的算法流程；然后介紹了基于自適應(yīng)遺傳算法的CNN模板參數(shù)尋優(yōu)的算法流程；最后介紹了VC++環(huán)境下邊緣檢測(cè)算法的實(shí)現(xiàn)。關(guān)鍵詞：邊緣提取，細(xì)胞神經(jīng)網(wǎng)絡(luò)（CNN），自適應(yīng)遺傳算法，VC++ABSTRACTIn the field of digital image processing, edge detection is a basic and important research. Edge detection of digital images is very important base of image analysis field such as image segmentation, regional shape extraction, and also an important part of image preprocessing in image recognition. In recent years, this subject has bee one of the most active topics in the field of machine vision research and plays a very important role in engineering applications.Cellular neural network (CNN) is a parallel processor, and there is much room for development in the field of digital image processing. In this paper we firstly gave the detailed description of the process as well as principle of CNNbased image edge extraction. We also gave the algorithm process of grayscale images detection and described the process of optimization for CNN template parameters based on adaptive genetic algorithm. Finally, we described the implementation of edge detection algorithm under the VC + + environment. This paper proves that the edge detection based on CNN works quite well pared with other classic algorithms.KEY WORDS：edge extraction，CNN，Adaptive genetic algorithm，VC++I2012屆計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)畢業(yè)設(shè)計(jì)（論文）第1章 緒 論 本課題的研究意義和背景統(tǒng)計(jì)表明，視覺(jué)系統(tǒng)幫助人類從外界獲得75%以上的信息，而這些信息正是人類感知的世界的大部分信息。邊緣檢測(cè)技術(shù)對(duì)于數(shù)字圖像處理非常重要，提取出邊緣才能將目標(biāo)和背景區(qū)分開(kāi)。物體形狀、物體邊界、位置遮擋、陰影輪廓及表面紋理等重要視覺(jué)信息在圖像中均有邊緣產(chǎn)生。邊緣檢測(cè)是數(shù)字圖像分析處理的前提，檢測(cè)結(jié)果的優(yōu)劣影響著對(duì)圖像的下一步操作。 國(guó)內(nèi)外研究現(xiàn)狀由于在圖像處理中的應(yīng)用十分廣泛，邊緣檢測(cè)的研究多年來(lái)一直受到人們的高度重視，到現(xiàn)在已提出的各種類型的邊緣檢測(cè)算法有成百上千種。一方面，由于人們對(duì)于傳統(tǒng)的邊緣檢測(cè)技術(shù)的掌握已經(jīng)十分成熟，另一方面，隨著科學(xué)的發(fā)展，傳統(tǒng)的方法越來(lái)越難以滿足某些情況下不斷增加或更加嚴(yán)格的要求，如性能指標(biāo)，運(yùn)行速度等方面。這些新的方法大致可以分為兩大類：一類是結(jié)合特定理論工具的檢測(cè)技術(shù)，如基于數(shù)學(xué)形態(tài)學(xué)的檢測(cè)技術(shù)、借助統(tǒng)計(jì)學(xué)方法的檢測(cè)技術(shù)、利用神經(jīng)神經(jīng)網(wǎng)絡(luò)（細(xì)胞神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)等）的檢測(cè)技術(shù)、利用模糊理論的檢測(cè)技術(shù)、基于小波分析和變換的檢測(cè)技術(shù)、利用信息論的檢測(cè)技術(shù)、利用遺傳算法的檢測(cè)技術(shù)等。如將二維的空域算子擴(kuò)展為三維算子可以對(duì)三維圖像進(jìn)行邊緣檢測(cè)、對(duì)彩色圖像的邊緣檢測(cè)、合成孔徑雷達(dá)圖像的邊緣檢測(cè)、對(duì)運(yùn)動(dòng)圖像進(jìn)行邊緣檢測(cè)來(lái)實(shí)現(xiàn)對(duì)運(yùn)動(dòng)圖像的分割等。如車牌識(shí)別、虹膜識(shí)別、人臉檢測(cè)、醫(yī)學(xué)或商標(biāo)圖像檢索等。仍然存在的問(wèn)題主要有兩個(gè)：其一是沒(méi)有一種普遍使用的檢測(cè)算法；其二沒(méi)有一個(gè)好的通用的檢測(cè)評(píng)價(jià)標(biāo)準(zhǔn)。人們逐漸認(rèn)識(shí)到現(xiàn)有的任何一種單獨(dú)的邊緣檢測(cè)算法都難以從一般圖像中檢測(cè)到令人滿意的邊緣圖像，因而很多人在把新方法和新概念不斷的引入邊緣檢測(cè)領(lǐng)域的同時(shí)也更加重視把各種方法總和起來(lái)運(yùn)用。由于很多場(chǎng)合需要對(duì)目標(biāo)圖像進(jìn)行邊緣檢測(cè)分析，例如對(duì)醫(yī)學(xué)圖像的分析以及橋梁病害的檢測(cè)等，因此需要進(jìn)行交互式檢測(cè)研究。目前有很多針對(duì)立體圖像、彩色圖像、多光譜圖像以及多視場(chǎng)圖像分割的研究，也有對(duì)運(yùn)動(dòng)圖像及視頻圖像中目標(biāo)分割的研究，還有對(duì)深度圖像、紋理（Texture）圖像、計(jì)算機(jī)斷層掃描（CT）、磁共振圖、共聚焦激光掃描顯微鏡圖像、合成孔徑雷達(dá)圖像等特殊圖像的邊緣檢測(cè)技術(shù)的研究；5）對(duì)圖像邊緣檢測(cè)評(píng)價(jià)的研究和對(duì)評(píng)價(jià)系數(shù)的研究越來(lái)越得到關(guān)注。 本文主要研究?jī)?nèi)容本文主要從細(xì)胞神經(jīng)網(wǎng)絡(luò)的模型研究開(kāi)始，將細(xì)胞神經(jīng)網(wǎng)絡(luò)的模型以及其算法研究與圖像的處理結(jié)合起來(lái)，特別是在圖像邊緣檢測(cè)中的應(yīng)用。第2章 邊緣檢測(cè)的原理和方法 邊緣檢測(cè)的原理圖像的大部分信息都存在于圖像的邊緣中，主要表現(xiàn)為圖像局部特征的不連續(xù)性，即圖像中灰度變化比較劇烈的地方。根據(jù)灰度變化的劇烈程度，通常將邊緣劃分為階躍形、屋頂形和凸緣形三種類型。這些變化分別對(duì)應(yīng)著現(xiàn)實(shí)世界中不同景物的不同物理狀態(tài)，例如，階躍型變化常常對(duì)應(yīng)目標(biāo)的深度或者反射界面，而后兩種則常常反映表現(xiàn)法線方向的不連續(xù)性。對(duì)灰度值剖面的二階導(dǎo)數(shù)在一階導(dǎo)數(shù)的階躍上升區(qū)有一個(gè)向上的脈沖，而在一階導(dǎo)數(shù)的階躍下降區(qū)有一個(gè)向下的脈沖。所以可用二階導(dǎo)數(shù)來(lái)檢測(cè)邊緣位置的所在，確定圖像明暗變化的轉(zhuǎn)折點(diǎn)。由于圖像采樣等原因，實(shí)際的圖像當(dāng)中的邊緣往往是有坡度的，所以一般需要用5個(gè)參數(shù)來(lái)描述：1）位置：邊緣最大灰度不連續(xù)處；2）朝向：跨越灰度最大不連續(xù)的方向；3）幅度：灰度不連續(xù)方向上的灰度差；4）均值：屬于邊緣的像素的灰度均值；5）斜率：邊緣在其朝向上的傾斜程度；在對(duì)圖像的邊緣檢測(cè)當(dāng)中常常借助于上述5點(diǎn)進(jìn)行，所謂的邊緣檢測(cè)也常常指通過(guò)計(jì)算獲得了邊緣的5個(gè)參數(shù)中的若干個(gè)。傳統(tǒng)的邊緣提取算子有Robert算子、Sobel算子、Laplacia。這些算子的方法比較簡(jiǎn)單，處理效果也比較明顯，對(duì)條件要求不是太高的環(huán)境，具有一定的實(shí)用價(jià)值。進(jìn)入八十年代以后，由于PC計(jì)算機(jī)的迅猛發(fā)展，許多生產(chǎn)和應(yīng)用領(lǐng)域?qū)吘壧崛》椒ㄌ岢隽烁叩囊?，從而大大推?dòng)了邊緣提取方法的研究和發(fā)展。應(yīng)該指出這些方法都有各自的應(yīng)用范圍，在邊緣提取領(lǐng)域，至今沒(méi)有一種通用的、有效的方法，也沒(méi)有建立起很好的評(píng)價(jià)方法和理論。 Roberts算子邊緣的銳利程度由圖像灰度的梯度決定。利用這種思想就得到了Roberts算子： ()其中f(x,y)是具有整數(shù)像素坐標(biāo)的輸入圖像。實(shí)踐中人們做了大量的實(shí)踐，總結(jié)出了一些經(jīng)驗(yàn)。然后把M1，M2 對(duì)應(yīng)位置的兩個(gè)數(shù)平方后相加得到一個(gè)新的矩陣G,G表示M中各個(gè)像素的灰度的梯度值(一個(gè)逼近)。假設(shè)圖像的灰度滿足下面這個(gè)關(guān)系：