（毕业论文 字数：17464 页数：36）摘 要：随着科学技术水平的发展及需求的提高，快速实时地完成对大规模图像信息的分析和处理，是当前图像处理领域中研究的关键性问题。细胞神经网络是一种可通过大规模集成电路实现的神经网络。它将并行计算和并行结构集于一身，能快速实时地完成图像处理任务。因此应用细胞神经网来探索实时图像处理以及解决当前图像处理领域存在的问题有着重要意义，也是目前研究应用其技术进行图像处理的热门课题。本论文首先介绍了细胞神经网络的理论知识及应用，其次，研究了基于细胞神经网的无噪声图像阈值分割算法，讨论了阈值模版参数的选取，给出了分割实验结果。最后，研究了基于细胞神经网的有噪声图像阈值分割算法。实验结果表明，本文提出的算法能快速有效地完成图像分割。



关键词：细胞神经网络,图像处理,阈值分割,模板

ABSTRACT ：Along with the development of science technique and enhancement of need level, rapidly real-time processing and analysis of the large-scale image is currently key issues in the image processing research field. Cellular Neural Network (CNN) is a kind of neural network which can be realized by VLSI. It congregates parallel computation and parallel structure, and can fulfill the image processing tasks rapidly and real-time. Therefore, it is very significant to explore real-time image processing and to solve the issue of the current image processing field using cell neural network. The application of its technology for image processing is also hot topic at present. The paper presents the basic theories of the CNN and its applications in threshold segmentation. Firstly, the related template calculation way and application are discussed. Secondly, the image threshold segmentation algorithm without noise based on CNN is studied, the threshold template parameter selection is discussed, and the experimental results are given. Finally, the noise threshold image segmentation based on CNN is researched. Experimental results show that the proposed algorithm can realize image segmentation quickly and effectively.


KEYWORDS: Cellular neural network; Image processing; Threshold segmentation; Template

目 录

摘 要 I
ABSTRACT II
1 绪论 1
1.1 人工神经网络的发展概论 1
1.2 细胞神经网络的研究与发展 1
1.3 本文主要研究内容 2
1.3.1 选题意义 2
1.3.2 选题目的 2
1.3.3 研究内容 2
2 细胞神经网络理论及图像分割原理 4
2.1 细胞神经网络理论 4
2.1.1 细胞神经网络的定义 4
2.1.2 标准CNN的结构 6
2.1.3 CNN输入输出的量化 8
2.1.4 基于CNN的图像处理的基本思想 9
2.1.5 细胞神经网络的应用 9
2.2 图像分割的基本概念 10
2.3 阈值分割原理 11
2.3.1 阈值的定义 11
2.3.2 全局阈值原理 11
2.3.3 局部阈值原理 12
2.3.4 不同的阈值法分割 13
2.3.5 不同的阈值法仿真比较 15
2.4 基于CNN的图像阈值处理 16
2.4.1 CNN的图像处理的通常步骤 16
2.4.2 简单的CNN 16
2.5 小结 17
3 基于CNN的无噪声图像阈值分割 19
3.1 基于CNN阈值分割基本原理 19
3.2 阈值模板参数的选取及分析 19
3.2.1 图像二值化 19
3.2.2 阈值模板 19
3.3 无噪声图像阈值分割仿真 20
3.4 小结 21
4 基于CNN的有噪声图像阈值分割 22
4.1 有噪声的阈值分割算法的原理 22
4.2 阈值模板参数的选取及分析 22
4.2.1 CNN平滑模板 22
4.2.2 CNN开运算和闭运算 22
4.3 实验结果及分析 24
4.3.1 单模板的仿真结果 24
4.3.2 基于CNN的图像阈值流程分割 25
4.4 局部阈值法 26
4.5 小结 27
5 总结与展望 28
5.1 总结 28
5.2 展望 28
鸣 谢 29
参考文献 30


1 绪论
1.1 人工神经网络的发展概论
1982年，美国加州理工学院的Hopfield教授提出了人工神经网络模型，从而有力的推动了人工神经网络的研究。其电路实现为神经计算机的研究奠定了基础，同时它也开拓了用联想记忆和优化计算的新途径。另外还有Kosko的双向联想记忆网络、多层网络BP算法、Hecht-Nielsen的反向传播算法、Holland的分类系统以及在1988年由美国加州大学Chua教授提出的细胞神经网络等，这些都对人工神经网络理论和实现研究起到了积极的推动作用。
近年来,由于计算机的广泛应用和多种信息材料的研制成功，为人工神经网络创造了前所未有的发展条件。国际学术界加紧了对这一重要学科理论、应用和实现的研究。在神经网络理论取得突破之后，其应用研究也迅速发展。目前主要应用的领域包括:图像处理、结构损伤诊断、指纹特征提取、基因鉴别、雷达目标分类与识别、交叉极化雷达目标增强、预测、达波方向(DOA)、线性和非线性时变控制、大规模电信系统管理、复杂的实时优化问题等。在理论和应用研究的同时，人工神经网络实现研究也取得了长足的发展。人工神经网络实现是神经网络走向实用化的重要步骤[1]。
我国在人工神经网络理论和应用技术方面的研究虽然起步较晚，但也取得了显著的研究成果。在理论研究方面，不仅每年举办神经网络大会，各种期刊和学术会议上发表大量文章， 而且还有一些专著问世。我国“863”计划、“攀登”计划和国家自然科学基金等，都对神经网络的研究给予了资助，吸引了大批的优秀青年人才从事神经网络领域的研究工作，促使我国在这个领域研究工作的进一步发展。由于我国VSLI技术水平远落后于西方国家，所以人工神经网络的VLSI实现研究在我国大受限制。人工神经网络系统的VLSI实现研究在我国做的不是很多，而且所做芯片离实用还有一定距离。
1.2 细胞神经网络的研究与发展
Hopfield神经网络是目前最为广泛应用的网络模型之一。网络模型[2]是一种结构简单的单层完全连接神经网络，但它有严重的缺陷，Hopfield主要表现在:其一、记忆和模式识别工程中，没有利用模式的几何特征，正是这些几何特征才使得它们在大脑中得以记忆。而模式几何特征的一个重要表现是:模式中任意一个点的象素值仅与其最近郊若干象素的值密切关联，而与远离它的象素值关联不大，即所谓最近邻相关性。其二、尽管人们普遍认为Hopfield神经网络模型较易用VLSI来实现，但当网络总神经元个数很大时，其VLSI实现而有许多实质性困难。现有的VLSI技术仅适合于实现局域和规则连接神经网络，却难以实现几千个神经元的完全连接。其三，由于神经网络是大脑的简化、抽象和模拟，所以它反映了人脑功能的基本特性。大脑大约有1011－1012个神经元，每个神经元有10-105了个突触，可见神经元间并非完全连接。因此，作为人脑抽象模型的神经网络应和人脑结构特征一致，即局域连接而非完全连接。欲克服上述缺陷，应将神经网络局域化。细胞神经网络就是其中之一。
　细胞神经网络(CNN: Cellular Neural Network)是由美国加州伯克莱大学的华裔学者蔡绍棠教授在1988年提出来的，实际上是在Hopfield神经网络基础上派生出来的。细胞神经网络有几个突出的优点: 第一，其连续时间的特点使其在数字领域中具有所需的实时信号处理能力:第二，其局部互连特点使其适于VLSI实现，并特别适于高速并行处理；第三，其处理速度与图像规模无关。
1.3 本文主要研究内容
1.3.1 选题意义
近些年来，细胞神经网络研究取得了很大发展，并在图像处理和模式识别等方面取得了较好结果。目前，细胞神经网络[3]己经广泛应用于图像处理水平线检测、垂直线检测、噪声移去、边缘提取、空洞填充、运动检测、特征检测和字钧识别等诸多领域。还有的研究领域包括:图像处理中的二维滤波器、图像编码、机器人视觉、水印加密、目标跟踪等。我国在这方面的研究也取得了一些成果。如:将CNN应用于字符图像平滑，用CNN解决通信NP复杂度问题，同时在扩频通信和混频通信也运用了CNN,取得了一些重要的进展。而由于细胞神经网的快速发展,并且能在图像处理和模式识别等方面取得较好效果,所以本文的研究有比较深的意义。
1.3.2 选题目的
本文研究的主要目的是基于细胞神经网的图像阈值分割技术,是在细胞神经网络领域方面的基础上，进行图像阈值分割相关算法的研究及应用。熟悉细胞神经网络的理论知识及应用技术，包括细胞神经网络的基本概念、背景、发展现状、结构模型、特点，动态性和稳定性等，以及基于细胞神经网络的理论应用于图像阈值分割算法的研究。
1.3.3 研究内容
本文从细胞神经网络模型研究开始，将细胞神经网络的模型、算法研究与具体的图像处理特别是在图像阈值分割中的应用紧密结合，充分将理论和实践联系起来。
全文结构安排如下：
第一章：绪论。简要概述了人工神经网络的发展状况，介绍了细胞神经网络的发展现状；说明了本论文研究的意义，研究目的及本文的内容和结构安排。
第二章：细胞神经网络理论及图像分割原理。在本章中，将会系统性的介绍细胞神经网络的理论知识，包括结构、定义、数学描述及基因库等。并介绍了图像分割的原理，阈值分割的原理。
第三章：基于CNN的无噪声图像阈值分割，论述基于CNN的图像阈值分割技术，主要是理论上分析阈值分割，设置分割模板，选取不同的阈值仿真分析。
第四章：基于CNN的有噪声图像阈值分割。重点论述有噪声的图像阈值分割，设计好模板应用到图像的阈值分割中，滤除噪声，通过软件仿真将结果显示出来。而局部阈值分割以理论形式提出。
第五章：总结及展望：对全文进行总结，指出本文所做的工作和后续工作的内容及方向。

2 细胞神经网络理论及图像分割原理
2.1 细胞神经网络理论
细胞神经网（Cellular Neural Network,简称CNN），又称为细胞非线性网络[4]，是一种局部联结的大规模、并行、模拟、非线性、网状结构的细胞阵列。位于网格节点处的子系统称为细胞（cell），细胞结构简单，是细胞神经网的基本单元。每个细胞都是具有输入、输出及状态变量的非线性动力学系统。较之其它类型的神经网络，细胞神经网的最大特点细胞（相当于神经元）结构简单，且细胞之间仅为局域互联。
一个规模为M×N的细胞神经网络共有M×N个细胞排列成M行N列。每一个细胞仅和它邻域的细胞相连，不直接相连的细胞通过连续动态的传播效应而互相影响。从理论上讲，可以定义任意维数的细胞神经网络，但对图像处理和模式识别等应用领域，则只需研究二维算法。一个简单的细胞神经网络如图2－1(细胞神经网络的基本结构)所示，表示一个3×3规模的细胞神经网络。以C(i,j)表示第i行第j列的细胞,连接关系可能是各种各样的，甚至是自适应的。更复杂一点的细胞神经网络是一个细胞会与更多的细胞连接，但是局部连接这一点是不变的。较之其他种类的神经网络，其最大的优点在于它的连接键少，因而有极好的可实现性，这使得它可以用硬件来实现，从而更接近于一个实用的并行算法。