论文部分内容阅读
目前,细胞神经网络(Cellular Neural Networks,CNN)的应用在很大程度上取决于其动力学行为,如在图像处理、模式识别和控制中的应用往往需要网络收敛于稳定的平衡点。本文算法中的8个模板,全部迭代到稳定的平衡点才输出图像。由于视频分割中需要处理大数据量的运算,因而很难达到实时性的要求,而细胞神经网络的实时处理能力和局部连接特性可以有效解决这个问题。采用CNN的相关算法是解决视频数据处理实时性的有效方案。论文创新点为以下三个方面:1.文中算法是在孟蜀锴的基于CNN差分图像合并的视频分割算法基础上,通过增加噪声去除模板和替换原有的边缘检测模板,得到一种改进的算法,本算法是针对背景相对静止的视频序列。与原算法相比,本算法考虑了图像处理过程中噪声的干扰,并通过噪声去除模板减少了噪声的影响,同时提高了算法的峰值信噪比(PSNR)。改进的边缘检测模板得到更加精确细致的边缘信息,也获得了更多的运动对象信息,从而使运动对象分割具有更好的精确性和语义性。2.在图像的获取、传输及处理过程中,往往会引入噪声,这将导致图像质量下降。所以在图像处理中,如果不首先减少图像中噪声的影响,那么得到的结果会远远超出我们的想象。根据细胞神经网络平衡点的唯一性和全局指数稳定性定理,再结合饱和非线性属性,将一副含噪图像和相应的无噪图像作为训练样本,最后将设计CNN除噪模板转化为求解线性矩阵不等式(LMI)问题。通过Matlab求解LMI,从而得到噪声去除模板,并用实验证明去噪效果较好,与经典滤波算子相比,该模板在去除低噪声方面有一定的优越性。3.在图像处理和模式识别系统中,边缘检测是一项重要而有难度的步骤。图像分割、物体识别和分类、图像配准都依赖于边缘检测所得到的信息。文中运用CNNs和LMI设计了基于CNN的边缘检测模板,分别用一幅仿真图像和一副相应的理想边缘图像作为输入输出图像,通过Matlab计算LMI中模板参数的取值,得到边缘检测模板的取值。实验结果表明,与经典边缘提取算子相比,本文设计的CNN边缘检测模板提取的边缘信息细致而全面。本文针对背景相对静止的视频序列,改进了一种基于CNN的视频运动对象分割算法,通过基于Matlab7.0实验软件平台的程序设计,最后分析实验结果表明,提取到的运动对象图像的峰值信噪比值有所提高。