细胞神经网络在彩色图像边缘检测中的研究

论文摘要

边缘是图像的重要特征,边缘检测是数字图像处理与模式识别中最基础的内容之一。细胞神经网络(Cellular Neural Network,CNN)是一种并行处理器,在图像处理领域有很大的发展空间。首先,利用CNN模型导出一种新的彩色图像边缘检测算法。为了充分利用彩色图像中携带的颜色信息,结合人类视觉系统(Human Vision System,HVS)的特点,提出用HVS颜色空间距离作为彩色像素之间差异的度量。通过对CNN模板进行理论分析和鲁棒性研究,得出一个符合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。通过与Sobel、Log和Canny等几种边缘检测算子比较,可以看出新算法的结果更加符合人眼的感知。其次,利用CNN模型对彩色图像边缘检测时,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,提出对整幅图像进行分块自适应检测的算法。核心思想是采用熵来度量图像各个子区域的纹理性质,进而确定一组合适的网络参数。实验结果证明,该算法可以对不同特性的彩色图像进行有效的边缘提取。最后,针对本文提出的彩色图像边缘检测算法,融合车牌区域的特征,将其应用于车牌定位,提出一种基于CNN彩色图像边缘检测的车牌定位方法(License Plate Location Based on CNN Color Edge Detection,LPLCCED)。仿真实验结果表明,该方法具有较好的定位效果和实用性。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车牌定位处理提供了依据。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景及意义
• 1.2 国内外发展现状
• 1.3 本文研究思路
• 1.4 作者的主要工作
• 1.5 创新点
• 1.6 论文的结构
• 2 细胞神经网络的理论及应用
• 2.1 引言
• 2.2 CNN 的理论
• 2.2.1 CNN 的相关概念
• 2.2.2 CNN 的数学模型
• 2.2.3 CNN 的研究内容
• 2.3 CNN 的应用
• 2.3.1 CNN 的发展及应用
• 2.3.2 CNN 在图像处理领域的应用
• 2.3.3 CNN 在图像边缘检测中的应用
• 2.4 CNN 的研究意义
• 2.5 本章小结
• 3 基于CNN 模板的彩色图像边缘检测算法
• 3.1 引言
• 3.2 边缘检测的国内外研究现状
• 3.2.1 经典算子
• 3.2.2 最优算子
• 3.2.3 多尺度小波边缘检测方法
• 3.2.4 基于神经元网络的边缘检测方法
• 3.3 彩色空间距离计算
• 3.3.1 彩色空间的选择
• 3.3.2 颜色距离计算
• 3.3.3 权重计算
• 3.3.4 距离合成
• 3.4 新的边缘检测算法及CNN 鲁棒性设计
• 3.4.1 大范围任务
• 3.4.2 局部规则
• 3.4.3 数学分析
• 3.4.4 定理
• 3.4.5 举例
• 3.5 实验结果与分析
• 3.5.1 Lena 图像的边缘检测结果
• 3.5.2 Lena 加噪图像的边缘检测结果
• 3.5.3 检测结果比较分析
• 3.6 本章小结
• 4 基于CNN 的分块自适应彩色图像边缘检测算法
• 4.1 引言
• 4.2 熵的计算
• 4.2.1 图像信息熵的定义及性质
• 4.2.2 图像单元片区划分
• 4.2.3 图像单元信息熵
• 4.3 基于熵的分块自适应彩色图像边缘检测算法
• 4.4 评价方法与实验结果
• 4.4.1 定量评价
• 4.4.2 主观评价
• 4.5 本章小结
• 5 基于CNN 彩色图像边缘检测的车牌定位方法
• 5.1 引言
• 5.2 车牌定位方法的国内外研究现状
• 5.2.1 基于灰度图像的车牌定位方法
• 5.2.2 基于彩色图像的车牌定位方法
• 5.2.3 车牌定位综述小结
• 5.3 车牌定位算法分析与设计
• 5.3.1 车牌定位问题的难点
• 5.3.2 对边缘检测算法的要求
• 5.3.3 车牌定位算法的特点
• 5.3.4 车牌定位算法流程
• 5.4 融合彩色边缘检测与车牌特征的车牌定位方法
• 5.4.1 车牌区域的特点
• 5.4.2 边缘颜色对的概念
• 5.4.3 具有边缘颜色对约束的彩色边缘检测
• 5.4.4 边缘滤波
• 5.4.5 车牌初步定位
• 5.4.6 车牌特征校验
• 5.5 实验结果与分析
• 5.6 本章小结
• 6 结论与展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表学术论文及科研情况