發(fā)布時間：2022-09-30 21:42

　　目的:為了進(jìn)一步提高細(xì)胞神經(jīng)網(wǎng)絡(luò)的處理速度,減少計(jì)算的迭代次數(shù).方法:首先對細(xì)胞神經(jīng)網(wǎng)絡(luò)模型的輸出函數(shù)進(jìn)行改進(jìn),并對模板的取值范圍進(jìn)一步確定.其次,用反應(yīng)擴(kuò)散方程來改進(jìn)閾值,并融入了圖像梯度信息和構(gòu)造的調(diào)整函數(shù),使其可以自動根據(jù)圖像的梯度生成一個擴(kuò)散矩陣,自適應(yīng)地為每一個像素點(diǎn)選取不同的閾值.結(jié)果:圖像處理的運(yùn)行時間和迭代次數(shù)都減少了一半,圖像邊緣提取的結(jié)果更加精確.結(jié)論:用此方法選取2種不同類型的圖像進(jìn)行MATLAB仿真,與幾種常用的邊緣提取算法處理結(jié)果相比,在視覺效果上取得了很大提升,并提高了邊緣提取的效率和準(zhǔn)確性. 

【文章頁數(shù)】：7 頁

【文章目錄】：
1 細(xì)胞神經(jīng)網(wǎng)絡(luò)概述
    (1)輸出方程為:
    (2)取C=1,Rx=1,狀態(tài)方程為[10-11]:
2 基于反應(yīng)擴(kuò)散方程的改進(jìn)細(xì)胞神經(jīng)網(wǎng)絡(luò)模型
    2.1 細(xì)胞神經(jīng)網(wǎng)絡(luò)模型輸出函數(shù)的改進(jìn)
    2.2 細(xì)胞神經(jīng)網(wǎng)絡(luò)模型模板取值范圍的確定
    2.3 基于反應(yīng)擴(kuò)散模型的閾值改進(jìn)
3 實(shí)驗(yàn)與結(jié)果
    3.1 模板有效性驗(yàn)證
    3.2 算法效果仿真
4 結(jié)語


【參考文獻(xiàn)】：
期刊論文
[1]SA-PSO算法在CNN邊緣提取模板設(shè)計(jì)中的應(yīng)用[J]. 張捷,田袁,鄧紹江.  重慶大學(xué)學(xué)報(bào). 2016(04)
[2]基于五階CNN的圖像邊檢測算法研究[J]. 李國東,王雪,趙國敏.  安徽大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(03)
[3]基于混沌粒子群優(yōu)化算法的CNN圖像邊緣提取方法[J]. 仝瑞陽,劉剛森.  河南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(03)
[4]Medical image segmentation based on cellular neural network[J]. 姚力 ,劉佳敏 ,謝詠圭.  Science in China（Series F:Information Sciences）. 2001(01)

碩士論文
[1]基于非線性動力系統(tǒng)的圖像處理[D]. 牛蕾.東北林業(yè)大學(xué) 2015
[2]基于CNN奶牛數(shù)字圖像邊緣提取的研究與應(yīng)用[D]. 李婷姣.河北農(nóng)業(yè)大學(xué) 2011
[3]基于細(xì)胞神經(jīng)網(wǎng)絡(luò)的圖像分割算法研究[D]. 王燦.重慶大學(xué) 2008



本文編號：3684325