基于CNN的分块自适应彩色图像边缘检测的研究

利用细胞神经网络(CNN)模型对彩色图像边缘检测时,首先要解决彩色空间的选择以及颜色距离的计算问题,其次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,对整幅图像进行分块自适应检测,采用熵来度量图像的各个子区域的不同性质,然后根据该区域的性质选择一组合适的网络参数,对提取该区域图像边缘的CNN模板进行了理论分析和鲁棒性研究,提出一个设计符合相应功能要求的CNN鲁棒性定理,它为设计相应的CNN模板参数提供了解析判据。仿真实验表明,该算法具有较好的健壮性。

基于CNN模板的彩色图像边缘检测算法

基于细胞神经网络CNN的图像处理的研究和应用已取得了很大进展。在图像处理中,边缘检测是基本预处理方法之一。为了能够较好地对彩色图像进行边缘检测,结合人类视觉系统HVS的特点,先分别计算两个颜色的亮度距离和色度距离,然后将这两个距离的加权平均值作为最终的颜色距离。本文利用CNN模板对彩色图像边缘提取,并对其进行理论分析和鲁棒性研究,提出一个设计符合相应功能要求的鲁棒性CNN定理,它为设计相应的CNN模板参数提供了解析判据。仿真实验结果表明,该算法可以对不同特性的彩色图像进行有效的边缘提取,具有较好的健壮性。

基于细胞神经网络鲁棒性的彩色图像边缘检测

根据细胞神经网络(CNN)数学模型,提出一种新的彩色图像边缘检测方法。新方法继承了CNN的优点,解决了CNN现有算法不能直接检测彩色图像边缘的问题。该方法充分利用图像中的颜色信息,通过欧几里得距离度量像素之间的差异,使CNN方程可以在RGB彩色空间中进行运算。对CNN模板进行理论分析和鲁棒性研究,提出一个实现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。实验结果表明,该方法可以对彩色图像进行有效的边缘提取,定量评价验证了CNN边缘检测定位准确的优点。

设计局部最大灰度值探测CNN模板的定理与应用

基于细胞神经网络(CellularNeuralNetwork,CNN)的图像处理的研究和应用已取得了很大进展。在图像处理中,有时需要确定图像各局部区域中最大灰度点的位置。文章对实现局部最大灰度值探测功能的CNN模板进行了理论分析和鲁棒性研究,提出了一个设计符合相应功能要求的鲁棒性CNN定理,它为设计相应的CNN模板参数提供了解析判据。通过数值模拟实例确认了理论结果在计算机图像处理中应用的有效性。

基于1-D CNN的QRS波群检测算法

为提高QRS波群检测算法的准确性、鲁棒性以及抗噪声能力,提出基于一维卷积神经网络(1-D CNN)的QRS波群检测算法。以心电信号的R波/非R峰波位置为中心截取固定长度采样点制作训练集和验证集,将训练集数据喂入1-D CNN模型,实现QRS/非QRS波群2分类,通过非极大值抑制方法实时输出QRS波群检测结果。1-D CNN模型在MIT-BIH心律失常数据库验证集的准确率为99.54%,在可穿戴心电检测设备上QRS波群检测准确率为98.51%。实验结果表明,该算法具有准确度高、鲁棒性好和抗干扰性能强的特点。