细胞神经网络在图像处理中的应用技术研究

【摘要】： 细胞神经网络(CNN)是一种实时处理信号的大规模非线性阵列处理器,它的局域互连特性使其非常适合于超大规模集成电路(VLSI)的实现,CNN属于多学科交叉研究领域,广泛应用于图像以及视频信号的处理,是目前神经网络研究领域的热点之一。 本文主要研究CNN在图像处理应用方面的工程实际问题,利用CNN的非线性、高速并行实时计算、易于硬件实现等特点,结合数学形态学、正则化方法、统计图像模型中的Markov随机场方法等数学理论和方法,解决了许多过去未用CNN解决的图像信号处理问题以及病态问题,拓展了CNN的应用范围。本论文的主要研究工作如下: 1.CNN属于反馈型神经网络,稳定性是CNN可靠工作的首要条件,本文根据CNN的结构特点及数理模型,分析了CNN的动态范围与稳定特性,介绍了CNN用于图像处理的原理及CNN模板设计方法。 2.在光学干涉条纹图像处理方面,重点研究了干涉条纹图像处理中所涉及的滤波、二值化、细化及条纹修整剪枝等关键技术,根据干涉条纹图像的特点,基于CNN提出了两种算法:(1)基于CNN的自适应图像滤波算法,将滤波及二值化算法合并执行,不仅简化干涉条纹图像的处理过程,而且通过改变模板参数即可方便地根据图像的噪声特征选择不同的滤波方式;(2)基于CNN的形态学条纹细化算法,将CNN与数学形态学相结合,解决了干涉条纹图像的细化、修整剪枝等关键技术,快速准确地提取了干涉条纹的中心线。基于CNN的干涉条纹图像处理方法都是基于同一个CNN处理系统,只需改变模板参数即可实现不同的图像处理功能,该方法为光学干涉测量中干涉图像的实时处理提供了一种新的途径。 3.从阴影恢复形状(SFS)是三维形状恢复中较难实现的问题,本文研究一种由单幅二维图像的灰度变化恢复三维形状的新方法。将SFS问题作为一个优化问题,利用CNN本身具有能量函数可进行优化处理的特点,构造了SFS问题的能量函数,研究了SFS问题到CNN的映射关系,通过CNN对目标函数的搜索,实现了SFS问题的快速并行求解,为利用SFS技术实现实时目标识别等导航任务提供了一种新的方法。 4.运动估计是视频压缩的关键环节,是减少帧间时间冗余的重要途径。本文在分析现有运动估计算法的基础上,以实时视频编码为应用背景,利用CNN模型与马尔可夫随机场(MRF)图像模型在物理结构上的相似性,将CNN与MRF参数估计方法、贝叶斯定理相结合,并考虑到不连续间断点的问题,提出了一种基于CNN的适合实时视频应用需要的新型运动估计算法,该算法充分吸收了MRF在构建局部约束条件方面的优势,并结合CNN大规模并行快速运算的特点,从而突破了运算量、运算速度与压缩效率的技术瓶颈,提高了视频图像压缩效率,为实时视频编码应用提供了一种新的方法。