基于细胞神经网络的图像分割算法研究

论文摘要

细胞神经网络(CNN)是由许多细胞单元通过局部连接组成的,其中每个细胞可由线性和非线性电路构成,可用VLSI实现,进行大规模的并行计算,因此它可应用于解决图像处理任务,尤其是可应用于解决传统方法还不能很好地解决的任务,比如:计算复杂性比较大的动态轮廓线目标分割任务。CNN应用主要取决于模板设计,它决定了网络的动态性能。本文主要研究的是CNN模板的设计及其在图像分割中的应用。主要针对图像的梯度、边缘检测、动态轮廓的图像分割进行CNN的模板设计,利用离散细胞神经网络来实现GVF场,达到图像分割的目的。本文主要工作包括:1.回顾了细胞神经网络的基本概念、背景、发展现状及硬件实现;阐述了图像分割的目的、研究意义、常用技术及本课题研究的意义。2.分析了细胞神经网络的动态范围和稳定性,指出CNN的稳定性与其反馈模板的中心元素有密切的关系,并阐述了图像处理中CNN输入与输出的量化方法及其图像处理的基本思想。3.探讨了CNN模板设计的学习方法和代数构造法。在基于梯度的学习方法中,推导出CNN用于图像处理的模板设计的学习规则,并给出相应的训练算法及仿真结果,证实了该方法的可行性;在代数构造法中,对细胞神经网络用于边缘提取的模板进行详细的研究,参照通用的模板,根据一系列条件,推导出细胞神经网络用于边缘提取的模板取值范围,在该范围内对图像进行验证,结果表明该范围是正确的。4.利用多层细胞神经网络来实现GVF,并与扩展、细化的细胞神经网络相结合来实现动态轮廓的图像分割,解决传统串行算法复杂性大的问题,又克服了梯度场作为CNN的外力驱动方法的局部最小问题。在图像处理过程中,初始轮廓由外部图像的GVF信息引导,最后收敛到所期望的目标位置。实验结果表明,该方法优于Vilarino等人提出的分割方法。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 细胞神经网络技术
• 1.1.1 细胞神经网络综述
• 1.1.2 细胞神经网络的背景和发展现状
• 1.1.3 细胞神经网络的硬件实现简介
• 1.2 图像分割技术
• 1.2.1 图像分割的目的及研究意义
• 1.2.2 图像分割技术介绍
• 1.3 本文研究的意义与主要内容
• 1.4 本章小结
• 2 细胞神经网络数理模型与系统分析
• 2.1 标准CNN 的结构与数理模型
• 2.2 标准CNN 动态范围与稳定性分析
• 2.2.1 CNN 动态范围
• 2.2.2 CNN 稳定性分析
• 2.3 CNN 输入输出的量化及其图象处理的基本思想
• 2.3.1 CNN 输入与输出量化
• 2.3.2 CNN 图像处理的基本思想
• 2.4 本章小结
• 3 细胞神经网络的模板设计研究
• 3.1 细胞神经网络模板设计介绍
• 3.2 基于学习方法的CNN 模板设计
• 3.2.1 引言
• 3.2.2 学习规则
• 3.2.3 训练算法
• 3.2.4 仿真结果及结论
• 3.3 基于代数构造法的CNN 模板设计
• 3.3.1 二值图像的CNN 模板取值范围的确定
• 3.3.2 灰度图像的CNN 模板取值范围的确定
• 3.3.3 仿真结果及结论
• 3.4 本章小结
• 4 细胞神经网络在图像分割中的应用
• 4.1 引言
• 4.2 DTCNN 的动态轮廓实现
• 4.2.1 DTCNN
• 4.2.2 基于图像梯度的DTCNN 动态轮廓模型及系统结构
• 4.2.3 用DTCNN 实现的网络模板参数
• 4.3 GVF 场的DTCNN 实现模板
• 4.4 仿真结果
• 4.4.1 灰度图像上的应用
• 4.4.2 二值图像上的应用
• 4.4.3 医学图像上的应用
• 4.4.4 计算复杂度
• 4.5 本章小结
• 5 总结与展望
• 5.1 本文的主要工作
• 5.2 进一步的研究设想
• 致谢
• 参考文献
• 附录
• A.作者在攻读学位期间发表的论文目录
• B. 作者在攻读学位期间参与的科研项目