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CNN彩色图像边缘检测的车牌定位方法

针对现有车牌定位算法准确率不高、步骤多和速度慢等问题, 提出一种彩色图像车牌定位方法(License plate locating based on CNN color edge detection, LPLCCED). 首先利用细胞神经网络(Cell neural network, CNN)模型导出一种与车牌颜色特征相结合的车牌定位专用边缘检测算法, 将车牌的颜色对约束条件融合到边缘检测算法中, 本文专用边缘检测算法可以大大缩小车牌初步定位的范围. 接下来提出一种针对车牌特征的边缘滤波算法, 最后根据车牌结构和纹理特征对候选区域进行判别验证. 该流程的各个环节都可以通过硬件实现, 为面向智能交通领域的实时车牌识别系统的前期车牌定位处理提供了依据.     

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。     

一种基于立方体相似度的彩色图像边缘检测算法

对彩色图像边缘检测算法进行了研究,提出了一种基于立方体相似度的边缘检测算法,同时,对几个相关的问题做了详细的描述,如颜色空间的概念、分类等。这种算法在一定程度上合理地对R、G、B三个颜色分量之间的关联性进行了构造,对相关颜色的向量问题转为标题问题,转入了发展相对完善、人们更为熟悉的领域。经过实验得出,该算法可以很充分的通过图像的颜色信息,使原彩色图像的边缘得到更完整的保留。     

一种快速有效的彩色图像边缘检测方法

在传统的灰度图像的边缘检测算子的基础上,对其进行改进。充分利用了彩色图像的颜色信息,将算法从灰度空间转换到RGB颜色空间。提出了彩色图像的高斯-拉普拉斯边缘检测算子,同时采用滤波来抑制噪声以及非极大值抑制来细化边缘,算法简单易于实现。实验结果表明,算法能有效地提取出彩色图像的边缘信息。     

一种快速有效的彩色图像边缘检测方法

在传统的灰度图像的边缘检测算子的基础上，对其进行改进。充分利用了彩色图像的颜色信息，将算法从灰度空间转换到RGB颜色空间。提出了彩色图像的高斯-拉普拉斯边缘检测算子．同时采用滤波来抑制噪声以及非极大值抑制来细化边缘，算法简单易于实现。实验结果表明，算法能有效地提取出彩色图像的边缘信息。     

Unit-Linking PCNN中的彩色图像边缘检测

PCNN模型具有相似群神经元同步发放脉冲的特性,适合于图像分割。对彩色图像的亮度分量进行对数变换,使其更符合人眼的视觉特性;在PCNN进行彩色图像R、G、B三分量分割的过程中,利用遗传算法进行神经元关键参数的选择,利用偏态指标进行迭代控制;在Unit-Linking PCNN模型中实现R、G、B三分量分割图的边缘检测,利用加权合并策略得到最终的边缘检测结果。仿真结果表明,该方法得到的结果体现了图像中更多的轮廓细节,具有很好的自适应性。     

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。     

基于颜色三角形信息量的彩色图像边缘检测

提出了一种利用构造三角形面积变化来检测彩色图像边缘的方法,它能够充分利用彩色图像中各像素的各个彩色分量,将颜色的向量度量转化为标量度量。与传统的边缘检测算法相比,这种方法检测到的边缘比较清晰,能提高边缘检测的准确性。     

不同彩色空间的彩色图像边缘检测研究

边缘信息是图像处理中的一种重要信息,通常的边缘检测研究是基于灰度图像的,然而彩色图像比灰度图像包含有更加丰富的边缘信息。彩色图像的边缘检测可以在不同的彩色空间中进行,目前大多数研究集中在RGB空间中。使用基于扩展的SUSAN边缘检测算子,将彩色图像在空间中的各分量分别进行边缘检测,对结果进行综合得到彩色图像的边缘检测结果,然后采用主观评价准则对若干不同的彩色空间中（包括RGB、YUV、YIQ、YCbCr、HSV、HSI）的试验结果进行了分析比较。试验结果表明,在HSV空间进行的边缘检测具有更好的性能。     

面向“边缘”应用的卷积神经网络量化与压缩方法

针对卷积神经网络（CNN）推理计算所需内存空间和资源过大,限制了其在嵌入式等"边缘"设备上部署的问题,提出结合网络权重裁剪及面向嵌入式硬件平台数据类型的数据量化的神经网络压缩方法。首先,根据卷积神经网络各层权重的分布,采用阈值法对网络精确率影响较小的权重进行裁剪,保留网络中重要连接的同时除去冗余信息;其次,针对嵌入式平台的计算特性分析网络中权重及激活函数所需的数据位宽,采用动态定点量化方法减小权重数据的位宽;最后,对网络进行微调,在保障网络模型识别精度的前提下进一步压缩模型大小并降低计算消耗。实验结果表明,该方法降低了VGG-19网络95.4%的存储空间而精确率仅降低0.3个百分点,几乎实现无损压缩;同时,通过多个网络模型的验证,该方法在平均1.46个百分点精确率变化范围内,最大降低网络模型96.12%的存储空间,能够有效地压缩卷积神经网络。     

基于参数自适应CNN的灰度图像边缘检测

边缘是图像的重要特征。在应用细胞神经网络提取图像边缘时,网络的稳定性和参数的选择是关键。文中推导了细胞神经网络的稳定条件,并提出了网络参数的自适应设计思路。基于Matlab7.0平台,通过编写仿真程序,检测灰度图像边缘,得到良好效果。实验证明,该法还能有效抑制噪声的干扰。     

基于深度学习的图像边缘检测算法综述

边缘检测是将图像中的突变的重要信息提取出来的过程，是计算机视觉领域研究热点，也是图像分割、目标检测与识别等多种中高层视觉任务的基础。近几年来，针对边缘轮廓线过粗以及检测精度不高等问题，业内提出了谱聚类、多尺度融合、跨层融合等基于深度学习的边缘检测算法。为了使更多研究者了解边缘检测的研究现状，首先，介绍了传统边缘检测的实现理论及方法；然后，总结了近年来基于深度学习的主要边缘检测方法，并依据实现技术对这些方法进行了分类，对其涉及的关键技术进行分析，发现对多尺度多层次融合与损失函数的选择是重要的研究方向。通过评价指标对各类方法进行了比较，可知边缘检测算法在伯克利大学数据集（BSDS500）上的最优数据集规模（ODS）经过多年研究从0.598提高到了0.828，接近人类视觉水平。最后，展示了边缘检测算法研究的发展方向。     

基于深度学习的图像边缘检测算法综述

边缘检测是将图像中的突变的重要信息提取出来的过程,是计算机视觉领域研究热点,也是图像分割、目标检测与识别等多种中高层视觉任务的基础。近几年来,针对边缘轮廓线过粗以及检测精度不高等问题,业内提出了谱聚类、多尺度融合、跨层融合等基于深度学习的边缘检测算法。为了使更多研究者了解边缘检测的研究现状,首先,介绍了传统边缘检测的实现理论及方法;然后,总结了近年来基于深度学习的主要边缘检测方法,并依据实现技术对这些方法进行了分类,对其涉及的关键技术进行分析,发现对多尺度多层次融合与损失函数的选择是重要的研究方向。通过评价指标对各类方法进行了比较,可知边缘检测算法在伯克利大学数据集（BSDS500）上的最优数据集规模（ODS）经过多年研究从0.598提高到了0.828,接近人类视觉水平。最后,展示了边缘检测算法研究的发展方向。     

基于卷积神经网络的仿鼠脑海马结构认知地图构建方法

针对融合视觉信息的仿鼠脑海马模型闭环检测精度较低、地图构建不准确的问题,文中提出基于卷积神经网络的仿鼠脑海马结构认知地图构建方法.利用改进的卷积神经网络模型提取视觉输入特征,融合空间细胞计算模型得到位置信息,并构建认知地图.基于汉明距离计算视觉信息与视图库中图像的相似度,实现对复杂动态环境中熟悉场景的识别,完成机器人在环境中的定位及位置纠正.仿真与物理实验验证文中方法的有效性与鲁棒性.     

基于深度学习的虚拟边界检测方法

针对传统边缘检测方法无法对材料微观图像中不同区域间存在的"虚拟边界"（VB）进行准确检测的问题,提出一种基于卷积神经网络（CNN）的虚拟边界检测模型,称之为"虚拟边界网络"（VBN）。该模型对VGGNet深度学习模型进行了简化,并在模型训练过程中采用了dropout以及Adam算法等优化策略。VBN以图像中每个像素为中心所取的图像块作为输入,然后输出该图像块所属的类别并据此判断中心像素是否属于虚拟边界。在对两类材料图像进行虚拟边界检测的实验中,VBN的平均检测精度到达92.5%,平均召回率达到89.5%,证明该模型能够准确、有效地对图像中的虚拟边界进行检测,是一种替代低效率人工分析方法的有效手段。