基于CNN的灰度图像边缘提取算法中模板参数的研究

边缘是图像的最基本的特征之一，边缘提取是图像分析中非常重要的初始步骤。本文根据细胞神经网络的状态方程和输出方程，推导出网络中任意一点的最终稳定状态和收敛过程中这点的状态值间的关系。基于灰度图像边缘提取的准则，确定了满足灰度图像边缘提取的细胞神经网络中模板参数的取值范围。在这个范围内，可以有效地提取灰度图像的边缘。最后给出了仿真结果，并对结果进行了定性的比较和分析。     

单电子隧穿结电路在图像轮廓检测中的应用

对细胞神经网络增强单电子电路的鲁棒性的机理进行了理论分析,构建了一种新型的基于细胞神经网络的单电子电路模型,并将其应用到图像检测方面,对单电子细胞神经网络在图像边缘检测方面的应用给出了实验结果。结果证明细胞神经网络是构建单电子电路的可靠网络,这为未来单电子电路鲁棒性的提高和其在图像处理方面的应用做了铺垫。     

基于细胞神经网络刀具磨损图像处理的研究

本文提出了一种基于细胞神经网络的刀具磨损图像处理方法．通过设计细胞神经网络参数，运用细胞神经网络对刀具的二值图像平滑滤波，边缘提取．通过仿真证明该方法是有效的，由于细胞神经网络易于用VLSI实现并且并行处理速度快，因此应用于刀具的磨损状态机器视觉检测中的图像处理是很有用的。     

基于两组细胞神经网络的工业CT图像分割

采用两组细胞神经网络实现工业CT图像的分割。一组细胞神经网络用粗分割,得到阈值分割图像,在此基础上用另一组细胞神经网络细分割,得到精细的边缘等信息。修正网络稳定态的定义,以网络伪稳定态作为网络迭代过程的终止条件。应用该方法,以发动机切片CT图像作为实验对象,能取得较好的效果。     

基于CNN的分块自适应彩色图像边缘检测的研究*

利用细胞神经网络(CNN)模型对彩色图像边缘检测时,首先要解决彩色空间的选择以及颜色距离的计算问题,其次网络参数的选择也是一个重要问题。为了达到在确保边缘检测准确的同时有效抑制噪声的目的,对整幅图像进行分块自适应检测,采用熵来度量图像的各个子区域的不同性质,然后根据该区域的性质选择一组合适的网络参数,对提取该区域图像边缘的CNN 模板进行了理论分析和鲁棒性研究,提出一个设计符合相应功能要求的CNN 鲁棒性定理,它为设计相应的 CNN 模板参数提供了解析判据。仿真实验表明,该算法具有较好的健壮性。     

改进的模糊细胞神经网络(IFCNN)的应用与研究

运用模糊细胞神经网络（FCNN）来分割白细胞显微图像，在边缘检全上的效果尚不理想，针对此问题．提出了改进的模糊细胞神经网络（IFCNN），该网络基于生物细胞脉冲原理，具有好的收敛和稳定性．实验结果表明．它能有效地克服已有方法无法克服的边缘检出问题。使得分割图像能更好的接近真实图像．     

用细胞神经网络提取二值与灰度图象边缘

边缘是图象的重要特征,采用细胞神经网络提取图象边缘时,网络参数的选择是一个重要问题。为了能够有效地提取图象边缘,基于高通滤波模板,选择了细胞神经网络的一组简单易行的参数,首先将其用于检测二值图象边缘,再在此基础上,通过综合灰度值各位面边缘检测的结果提取出灰度图象的边缘。与传统边缘提取方法Sobel和Log方法的比较可见,该方法是有效的,并且由于细胞神经网络具有高速并行运算、便于硬件实现等特点,因此使其在图象实时处理中具有更大的潜力。     

粒子群优化的CNN互信息医学图像配准算法

图像配准首先要对原始图像的边缘进行提取。细胞神经网络(CNN)模板在边缘提取方面具有较好应用,但CNN模板参数采用估算方法得到,在处理边缘模糊的医学图像时检测精度不高。引入粒子群算法让模板参数通过自主学习进行优化,生成精确的CNN模板用于提取图像边缘。然后将边缘提取结果与原始图像进行几何转换和融合,并将融合图像与参考图像进行互信息相似性度量,为使互信息最大,再次利用粒子群算法参数优化。实验应用于医学图像,结果表明提出的配准算法在配准速度和精度上都有较大提高。     

基于细胞神经网络的图像复原新方法

针对图像复原方法普遍运算量大的问题,提出了一种利用细胞神经网络进行图像复原的新方法,并首先提出了易于硬件实现的基于边缘方向判据的正则化复原方法;然后通过细胞神经网络的能量函数设计合适的网络参数来对该正则化函数进行细胞神经网络实现。仿真结果表明,该新方法是有效的,复原效果优于有约束的最小二乘复原法和已有的细胞神经网络图像复原法,而且由于细胞神经网络的并行性和硬件易实现性,使该新方法可以实时进行图像复原。     

基于改进CNN的宫颈细胞自动分类算法

本文采用深度学习算法中的卷积神经网络对细胞图像进行识别, 实现对宫颈细胞图像的自动分类. 首先对宫颈细胞进行预处理, 通过细胞核裁剪解决图像输入尺寸不一的问题, 对图像进行翻转平移, 对数据集进行扩充, 并解决样本量不均衡的问题; 接着选取VGG-16网络进行改进, 使用改进后的VGG-16网络进行特征提取, 以及细胞分类; 并采用迁移学习的方法加载预训练网络参数, 进而加快参数收敛速度, 提高分类准确率; 最终通过对网络的训练, 得到了较好的分类结果, 将分类结果与人工提取特征设计分类器的方法相比, 分类的准确率有所提高, 二分类的准确率达97.3%, 七分类的准确率达89%. 实验结果表明: 卷积神经网络对宫颈细胞图像进行自动分类, 分类准确率相比较人工提取特征分类器效果较好, 且分类结果不受分割图像准确率的影响.     

基于细胞神经网络鲁棒性的彩色图像边缘检测

根据细胞神经网络(CNN)数学模型,提出一种新的彩色图像边缘检测方法。 新方法继承了CNN 的优点,解决了CNN 现有算法不能直接检测彩色图像边缘的问题。该 方法充分利用图像中的颜色信息,通过欧几里得距离度量像素之间的差异,使CNN 方程可 以在RGB 彩色空间中进行运算。对CNN 模板进行理论分析和鲁棒性研究,提出一个实现 彩色图像边缘检测功能要求的CNN 鲁棒性定理,为设计相应的CNN 模板参数提供了解析 判据。实验结果表明,该方法可以对彩色图像进行有效的边缘提取,定量评价验证了CNN 边缘检测定位准确的优点。     

基于细胞神经网络的灰度图像边缘提取

针对细胞神经网络(cellular neural network,CNN),研究了图像边缘提取的过程,给出算法流程,阐述了算法实现过程中的几个关键步骤.对二值图像和灰度图像,分别采用基于CNN的算法和传统算子(prewitt、sobel、canny)进行边缘提取,定性分析比较了两类算法在性能上的优劣.实验结果表明,基于CNN的算法在硬件实现上能够高速并行计算,而且处理速度与图像大小无关,能够实现图像实时处理.     

多重水印快速加密技术在图象深度传感器中的应用

本文研究了金融电子票据中高效率的快速多重数字水印加密在图象深度传感器中的应用方法,针对票据中的数字、签名等关键内容容易被篡改的问题,针对关键区域进行卷积神经网络的识别和水印加密。首先,利用卷积神经网络识别票据中的关键信息区域,以减少水印加密的运算数据量,提高金融票据自动处理效率。在传统的网络结构中,由于CNN的卷积池化操作,使得粗粒度和边缘信息丢失,CNN网络中最顶层的信息维度偏低,易导致过拟合。针对上述问题,本文提出利用票据图及其差分特征,构建适合CNN网络的多通道图像输入特征,充分挖掘图像内在特征;然后进一步改进传统的CNN网络结构,把所有卷积层的输出连接为一层,构成包含各层信息的融合特征,输入网络的全连接层进行分类识别。实验结果表明,改进后的CNN识别算法,相较传动CNN、DNN等算法,其性能均有明显提升,能够更加高效的进行多个关键区域的内容识别,从而高效的进行多重数字水印的加密,提高金融票据处理的安全性和运算效率。     

融合信息熵和CNN 的基于手绘的三维模型检索

基于手绘草图的三维模型检索(SBSR)已成为三维模型检索、模式识别与计算机视 觉领域的一个研究热点。与传统方法相比,基于卷积神经网络(CNN)的三维深度表示方法在三 维模型检索任务中性能优势非常明显。本文提出了一种基于手绘图像融合信息熵和CNN 的三 维模型检索方法。首先,通过计算模型投影图的信息熵得到模型的代表性视图,并将代表性视 图经过边缘检测等处理得到三维模型投影图的轮廓图像;然后,将轮廓图像和手绘草图输入到 CNN 中提取特征描述子,并进行特征匹配。本文方法在Shape Retrieval Contest (SHREC) 2012 数据库和SHREC 2013 数据库上进行实验。实验证明,该方法的效果较其他传统方法检索准确 度更高。     

基于 CNN 的彩色图像引导的深度图像超分辨率重建

深度图像表达了三维场景内物体之间的相对距离信息,根据深度图像表达的信息, 人们能够准确的获得物体在空间中的位置以及不同物体之间的相对距离,使得深度图像在立体 视觉等领域有着广泛的应用。然而受 RGB-D 传感器硬件条件的限制,获取的深度图像分辨率 低,无法满足一些具有高精度要求的实际应用的需求。近年来深度学习特别是卷积神经网络 (CNN)在图像处理方面获得了非常大的成功。为此提出了一种基于 CNN 的彩色图像引导的深度 图像超分辨率重建。首先,利用 CNN 学习彩色图像的边缘特征信息与深度图像的深度特征信 息,获得边缘纹理清晰的高分辨率深度图像;再通过不同大小尺寸滤波核的卷积层,进一步优 化深度图像的边缘纹理细节,获得更高质量的高分辨率深度图像。实验结果表明,相较于其他 方法,该方法 RMSE 值更低,重建的图像也能更好的恢复图像边缘纹理细节。     

基于CNN模板的彩色图像边缘检测算法

基于细胞神经网络CNN的图像处理的研究和应用已取得了很大进展。在图像处理中,边缘检测是基本预处理方法之一。为了能够较好地对彩色图像进行边缘检测,结合人类视觉系统HVS的特点,先分别计算两个颜色的亮度距离和色度距离,然后将这两个距离的加权平均值作为最终的颜色距离。本文利用CNN模板对彩色图像边缘提取,并对其进行理论分析和鲁棒性研究,提出一个设计符合相应功能要求的鲁棒性CNN定理,它为设计相应的CNN模板参数提供了解析判据。仿真实验结果表明,该算法可以对不同特性的彩色图像进行有效的边缘提取,具有较好的健壮性。     

融合整体与局部信息的武夷岩茶叶片分类方法

针对武夷岩茶鲜茶叶叶片图像分类问题,提出一种融合整体与局部信息的分类方法。该方法使用两分支并行结构构建了一个整体与局部信息融合的卷积神经网络模型。实验表明,在9个品种共计7330张武夷岩茶鲜茶叶叶片图像数据集上,基于ResNet18构造的两分支并行卷积神经网络模型的分类准确率为96.68%,超过了其他CNN模型的分类准确率。这表明通过融合全局信息、边缘形状信息和纹理局部信息能有效提高分类准确率。