Ứng dụng công nghệ mạng nowrron tế bào vào bài toán dò biên ảnh

ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG LÊ VĂN THỦY ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO VÀO BÀI TOÁN DÒ BIÊN ẢNH LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH VÀ CÔNG NGHỆ THÔNG TIN THÁI NGUYÊN - 2013 Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG LÊ VĂN THỦY ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO VÀO BÀI TOÁN DÒ BIÊN ẢNH Chuyên ngành: Khoa học máy tính Mã số: 60 48 01 01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH VÀ CÔNG NGHỆ THÔNG TIN NGƢỜI HƢỚNG DẪN KHOA HỌC: TS VŨ ĐỨC THÁI THÁI NGUYÊN - 2013 Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ LỜI CAM ĐOAN Tôi xin cam đoan công trình nghiên cứu tôi, có hướng dẫn tận tinh chu đáo người hướng dẫn TS Vũ Đức Thái Các nội dung nghiên cứu kết đề tài trung thực chưa công bố công trình nghiên cứu trước Những số liệu bảng biểu, hình ảnh phục vụ cho việc phân tích, nhận xét, đánh giá tác giả thu thập từ nguồn khác có ghi phần tài liệu tham khảo Ngoài ra, luận văn sử dụng số nhận xét, đánh số liệu tác giả, quan tổ chức khác thể phần tài liệu tham khảo Nếu phát có gian lận xin hoàn toàn chịu trách nhiệm trước Hội đồng, kết luận văn Luận văn chỉnh sửa theo ý kiến Hội đồng khoa học đồng ý người hướng dẫn NGƢỜI HƢỚNG DẪN KHOA HỌC Thái nguyên, ngày 28 tháng năm 2013 Người viết luận văn TS Vũ Đức Thái Số hóa trung tâm học liệu Lê Văn Thủy http://www.lrc.tnu.edu.vn/ MỤC LỤC LỜI CAM ĐOAN MỤC LỤC DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT .4 MỞ ĐẦU .7 CHƢƠNG GIỚI THIỆU MẠNG NƠRON TẾ BÀO .9 1.1 Giới thiệu chung 1.2 Kiến trúc mạng nơron tế bào CNN .10 1.3 Máy tính vạn mạng nơron tế bào CNN 14 1.3.1 Sự phát triển máy tính điện tử 14 1.3.2 Máy tính vạn mạng nơron tế bào CNN-UM (Cellular Neural Network Universal Machine) 17 1.4 Công nghệ xử lý ảnh nhanh mạng CNN 19 CHƢƠNG TÌM HIỂU CÁC PHƢƠNG PHÁP DÒ BIÊN ẢNH 24 2.1 Bài toán xử lý ảnh .24 2.2 Biên ảnh phương pháp phát biên [6] 25 2.2.1 Định nghĩa khái niệm .25 2.2.2 Phương pháp phát biên trực tiếp 26 2.2.3 Phương pháp phát biên gián tiếp 32 2.3 Phương pháp phát biên nâng cao (Canny) 36 2.3.1 Cơ sở lý thuyết 36 2.3.2 Hoạt động thuật toán 37 2.4 Đánh giá thuật toán giải pháp công nghệ xử lý 41 2.4.1 Phát biên trực tiếp 41 2.4.2 Phương pháp phát biên gián tiếp 42 2.4.3 Giải pháp công nghệ 43 CHƢƠNG ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO 44 3.1 Xây dựng toán .44 3.1.1 Sự cần thiết CNN xử lí ảnh 44 3.1.2 Điều kiện biên tiêu biểu cho CNN 45 3.1.3 Quá trình dò biên, thiết kế mẫu CNN 47 3.1.3.1 Quá trình tìm mẫu phương pháp học [7]: 47 Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 3.1.3.2 Vai trò mẫu 47 3.1.3.3 Thư viện mẫu CNN 48 3.1.3.4 Phương pháp thiết mẫu (A, B, z) cho mạng CNN 49 3.1.3.5 Sử dụng lọc shock dùng để tăng cường biên 53 3.1.3.6 Thuật toán lai dùng CNN tăng tốc cho lọc shock 56 3.2 Phân tích mẫu dò biên: EDGE EDGEGRAY 59 3.2.1 EDGE CNN 59 3.2.1.1 Tổng quát 59 3.2.1.2 Luật cục 59 3.2.1.3 Ví dụ .59 3.2.1.4 Phân tích toán học 61 3.2.2 EDGEGRAY CNN .64 3.2.2.1 Tổng quát 64 3.2.2.2 Luật cục 65 3.2.2.3 Xét ví dụ .66 3.2.2.4 Phân tích toán học 67 3.3 Mẫu CNN đề xuất EDEG EXTRACTION 71 3.4 Cài đặt, chạy mô .71 3.4.1 Mô CNN với Candy 71 3.4.2 Mô CNN với chương trình Java “CNN Simulation” .74 3.4.3 Chạy mô .75 3.4.4 Nhận xét & đánh giá .78 KẾT LUẬN 80 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC LIÊN QUAN ĐẾN LUẬN VĂN 81 TÀI LIỆU THAM KHẢO 82 Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT Các ký hiệu, thuật ngữ u, v (in đậm): Ký hiệu cho đại lượng véc tơ phương trình A: Mẫu A mạng nơron tế bào mẫu liên kết trọng số hồi tiếp từ đầu láng giềng tế bào Viết Auv trọng số liên kết từ lớp u đến lớp v kiến trúc mạng nơron tế bào đa lớp B: Mẫu B mạng nơron tế bào mẫu liên kết trọng số đầu vào láng giềng tế bào; Buv trọng số liên kết tế bào từ lớp u đến lớp v kiến trúc mạng nơron tế bào đa lớp z: Giá trị ngưỡng hệ mạng nơron tế bào : Toán tử nhân chập xij(t): Giá trị trạng thái tế bào mạng nơron tế bào hai chiều (MxN) x( z, , t ) : : Ký hiệu ẩn hàm phương trình đạo hàm riêng tương ứng với mô hình mạng nơron tế bào x(i, j ) : Giá trị trạng thái điểm rời rạc không gian sai phân phương Các chữ viết tắt CNN (Cellular Neural Network): Công nghệ mạng nơron tế bào CNN-UM (CNN-Universal Machine): Máy tính mạng nơron tế bào PDE (Partial differential Equation): Phương trình vi phân đạo hàm riêng (trong luận văn dùng thuật ngữ tiếng Việt “phương trình đạo hàm riêng”) Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ DANH MỤC HÌNH VẼ, ĐỒ THỊ CHƢƠNG GIỚI THIỆU MẠNG NƠRON TẾ BÀO .9 Hình 1.1 Kiến trúc mạng CNN 10 Hình 1.2 Lân cận 10 Hình 1.3 Các tế bào biên 11 Hình 1.4 Cấu trúc phân lớp mạng CNN 14 Hình 1.5 Cấu trúc máy tính CNN-UM .17 Hình 1.6 Mô tả khái quát bước lập trình ngôn ngữ khác 19 Hình 1.7 Mạng CNN 2D 20 Hình 1.8 Mô hình kết nối mạng nơron tế bào 20 Hình 1.9 Quá trình tính toán mạng nơron tế bào .21 Hình 1.10 Kiến trúc bên tế bào xử lý 21 Hình 1.11 Sơ đồ khối máy tính thị giác .22 Hình 1.12 Máy tính thị giác PC 104 plus 23 Hình 1.13 Máy tính thị giác PC để bàn .23 CHƢƠNG TÌM HIỂU CÁC PHƢƠNG PHÁP DÒ BIÊN ẢNH 24 Hĩnh 2.1 Đường bao ảnh 25 Hình 2.2 Các bước xử lý phân tích ảnh .25 Hình 2.3 Mặt nạ Robert 28 Hình 2.4 Mặt nạ Sobel 28 Hình 2.5 Mặt nạ đẳng hướng 29 Hình 2.6 Mặt nạ - lân cận 29 Hình 2.7 Mặt nạ hướng theo Kirsih 29 Hình 2.8 Ma trận 8-láng giềng kề 32 Hình 2.9 Ví dụ chu tuyến đối tượng ảnh .33 Hình 2.10 Chu tuyến trong, chu tuyến 34 Hình 2.11 Đạo hàm hàm Gauss theo hai hướng (x,y) 38 Hình 2.12 Kết sử dụng phương pháp Canny .41 CHƢƠNG ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO 44 Hình 3.1 Mạch thể điều kiện biên cố định (Dirichlet) .45 Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ Hình 3.2 Mạch thể điều kiện biên Neumann 46 Hình 3.3 Mạch thể điều kiện biên tuần hoàn .46 Hình 3.4 Quá trình tìm mẫu phương pháp học 47 Hình 3.5 Mạng CNN 3x3 bán kính láng giềng r = 47 Hình 3.6 Hệ động lực tế bào CNN .47 Hình 3.7 Mẫu tìm vùng hiệu mẫu 48 Hình 3.8 Mẫu tìm đường xiên hiệu mẫu 48 Hình 3.9 Một số cửa sổ bảng logic 50 Hình 3.10 a) Ảnh đầu vào b) Ảnh đầu yêu cầu 51 Hình 3.11 Sơ đồ bước thiết kế mẫu theo phương pháp trực tiếp 53 Hình 3.12 Tác dụng lọc shock 53 Hình 3.13 Ảnh hưởng nhiễu đến lọc shock 54 Hình 3.14 Sơ đồ quy ước phần tử điểm ảnh 56 Hình 3.15 Thuật toán thực lọc shock theo phương pháp lai 58 Hình 3.16 Màu ảnh thu hiển thị thang mức xám 60 Hình 3.17 Sự thay đổi tế bào địa điểm khác .60 Hình 3.18 Kết ví dụ 61 Hình 3.19 Kết ví dụ 61 Hình 3.20 Các trạng thái động học mẫu dò biên 62 Hình 3.21 Sự thay đổi hình thái điểm ảnh vùng A, B C .66 Hình 3.22 Trạng thái tế bào thay đổi đầu cho 30 bước địa điểm .66 Hình 3.23 Kết ví dụ 67 Hình 3.24 Kết ví dụ 67 Hình 3.25 Trạng thái đường đầu cho trường hợp có mức đặc biệt 69 Hình 3.26 Các trạng thái đường với wij 70 Hình 3.27 Kết thu sau thay đổi giá trị I 79 Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ MỞ ĐẦU Tìm biên ảnh xử lý quan trọng phân tích ảnh kĩ thuật phân đoạn ảnh chủ yếu dựa vào biên Cho đến chưa có định nghĩa xác biên, ứng dụng người ta đưa độ đo khác biên, độ đo độ đo thay đổi đột ngột cấp xám Ví dụ: Đối với ảnh đen trắng, điểm gọi điểm biên điểm đen có điểm trắng bên cạnh Tập hợp điểm biên tạo nên biên hay đường bao đối tượng Xuất phát từ sở người ta thường sử dụng hai phương pháp phát biên Phương pháp phát biên trực tiếp làm biên dựa vào biến thiên mức xám ảnh Kỹ thuật chủ yếu dùng để phát biên dựa vào biến đổi cấp xám theo hướng Cách tiếp cận theo đạo hàm bậc ảnh dựa kỹ thuật Gradient, lấy đạo hàm bậc hai ảnh dựa biến đổi giá trị ta có kỹ thuật Laplace Phát biên gián tiếp, cách ta phân ảnh thành vùng ranh giới vùng gọi biên Kỹ thuật dò biên phân vùng ảnh hai toán đối ngẫu dò biên để thực phân lớp đối tượng, mà phân lớp xong nghĩa phân vùng ảnh ngược lại, phân vùng ảnh phân lớp thành đối tượng, phát biên Tuy nhiên phương pháp xử lý ảnh truyền thống để dò biên lại đòi hỏi nhiều thời gian xử lý với ảnh có kích thước lớn Để đáp ứng yêu cầu người ta tìm kiếm nhiều phương pháp xử lý ảnh song song khác nhằm giảm thời gian xử lý Năm 1988 L.O.Chua L.Yang giới thiệu nguyên tắc công nghệ cho đời mạng nơron tế bào (Cellular Neural Network - CNN) Năm 1993 máy tính mạng nơron tế bào chế tạo ứng dụng thành công cho số toán xử lý ảnh tính toán Đến nay, CNN nghiên cứu phát triển ứng dụng rộng rãi nhiều nước với nhiều lĩnh vực xử lý ảnh động, thị giác máy, tính toán điều khiển Tại Việt Nam có số nghiên cứu ban đầu Do vậy, gợi ý người hướng dẫn khoa học nhận thấy tính thiết thực vấn đề này, em chọn đề tài: “Ứng dụng công nghệ mạng nơron tế bào vào toán dò biên ảnh” để làm đề tài cho luận văn tốt nghiệp Luận văn gồm chương với nội dung sau: Chƣơng Giới thiệu Mạng nơron tế bào Chƣơng Tìm hiểu phương pháp dò biên ảnh Chƣơng Ứng dụng công nghệ mạng nơron tế bào cho toán dò biên Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ Mặc dù nỗ lực, song thời gian kinh nghiệm nghiên cứu khoa học hạn chế nên không tránh khỏi thiếu sót Em mong nhận góp ý thầy cô bạn bè đồng nghiệp để hiểu biết ngày hoàn thiện Qua luận văn em xin chân thành cảm ơn TS Vũ Đức Thái, Trường Đại học Công nghệ thông tin Truyền thông - Đại học Thái Nguyên tận tình giúp đỡ, động viên, định hướng, hướng dẫn em nghiên cứu hoàn thành luận văn Em xin cảm ơn thầy cô Viện Công nghệ thông tin, thầy cô giáo Trường Đại học Công nghệ thông tin Truyền thông giảng dạy giúp đỡ em hai năm học, cám ơn giúp đỡ nhiệt tình bạn đồng nghiệp Thái nguyên, ngày 15 tháng năm 2013 Học viên Lê Văn Thủy Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ Khi đó: w ij 0.5 B Uij giả sử Laplacian: U ij B U ij 0.5 Sau đó, bù mức lệnh wij = thế: hij xij ; w ij gij xij Trong trường hợp chuyển động trạng thái theo tuyến đường rx chất giống hệt với đường DP gij(xij), ngoại trừ việc bổ sung đầu mũi tên mà hướng mà đường cong từ điểm rx phải tuân theo Sau điểm cân Q , Q0 , Q Q- Q+ có đường tiệm cận ổn định Hình 3.25 Trạng thái đường đầu cho trường hợp có mức đặc biệt (wij = 0) Kết thúc đầu tiệm cận, yij y x Từ lim yij t phác họa đầu đơn giản t với trục dọc theo phương thẳng, hình 3.25 x hình 3.15 ứng với trường hợp U ij 0.5 quy tắc tuyến đường Để phân tích ta cần ý điểm cân nằm phía Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 69 trái hình phân khúc nơi xij 1, đầu đậm kích cỡ yij Với w ij yij định sẵn , đường DP xác định hij xij ; w ij gij xij w ij thu cách sử dụng DP đặc biệt gij(xij) hình 3.26 việc xây dựng mẫu di chuyển dọc theo hướng thẳng lên theo chiều dọc (xu hướng hướng xuống) mức giá trị khoảng cách wij > (hoặc giảm, wij < 0) Giải thích hình học phổ biến hữu ích – lí để gọi wij mức khoảng trống Từ xij hij xij ; w ij đường chuyển động x kết hợp giá trị hàm hij xij ; w ij , lựa chọn trường hợp loại trừ lẫn (trong toàn phạm vi wij ) Quan sát hình 3.16 (a) – (g) theo thứ tự định sẵn Hình 3.26 Các trạng thái đường với wij Quan sát thấy đường có nguồn gốc từ điểm (giá trị, thấp hơn) nửa mặt phẳng bên phải di chuyển phía bên phải (giá trị, bên trái) dừng bên phải (giá trị, bên trái) phân khúc Do đó, trạng thái cân đầu luôn nhị phân: yij Số hóa trung tâm học liệu -1 http://www.lrc.tnu.edu.vn/ 70 Với w ij 0.5 U ij , U ij 0.5 kết hợp đường trạng thái hình 3.10 (e)-(g) đường xij (0) đến Q+ Khi xij (Q ) 1, quy tắc Tương tự vậy, ta có quy tắc (tương có yij ứng với 0.5 tương đương wij U ij 0) đường trạng thái hình 3.16 (a)-(c) Chứng minh Luật 1-3 If u ij then w ij ukl 0.5 8( 1) 0, for all u kl 1,1 kl Sl ( i , j ) kl ij Do đó, quy tắc có từ công thức (3.25) If uij and u kl for all kl Sl i, j then w ij ukl 0.5 8(1) 0.5 kl Sl ( i , j ) kl ij Do đó, quy tắc có từ công thức (3.25) If uij and there exit u w ij 1, then 0.5 8(1) ukl 1.5, for all u kl 1,1 kl Sl ( i , j ) kl ij Do đó, quy tắc có từ công thức (3.21) 3.3 Mẫu CNN đề xuất EDEG EXTRACTION Áp dụng quy trình tìm mẫu phương pháp học, tiến hành thử nghiệm tìm mẫu Ta đề xuất mẫy thử nghiệm EDEG EXTRACTION: A 0 0 0 0 B -1 -1 -1 -1 -1 -1 -1 -1 Z= -3 X(0) = U 3.4 Cài đặt, chạy mô 3.4.1 Mô CNN với Candy Bước Cài đặt Candy_Setup.exe Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 71 - Vào link website (http://www-inst.eecs.berkeley.edu/~ee129/) tải phần cài đặt, lưu lại vào máy tính - Click “Candy_Setup.exe” tiến hành cài đặt Bước Chạy ứng dụng; Giao diện chính: - Những hình ảnh xử lý nên nạp hình từ đầu Để làm điều này, nhấp vào “File/open image” , sau hình sau xuất Nếu bạn chọn tập tin "A_letter.bmp" danh sách File Name, hình ảnh sau xuất hiện: Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 72 - Để xử lý hình ảnh hiển thị hình, chọn “Template Runner” (xem trợ giúp Help/Menu Interface/Template) + Lựa chọn Mẫu Template (ở a chọn Edge EdgeA, EdgeDetector,… ); + Để chạy Click “script” box Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 73 Kết quả: 3.4.2 Mô CNN với chương trình Java “CNN Simulation” Giao diện Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 74 3.4.3 Chạy mô Sau tìm mẫu tối ưu mạng ta áp dụng thực xử lý cho ảnh đầu vào nào, thuật toán sau: Bước 1: Nạp ảnh đầu vào Bước 2: Nạp mẫu xử lý (tùy yêu cầu xử lý để nạp mẫu thích hợp) Bước 3: Chạy chương trình Bước 4: Đưa kết xử lý Ảnh mẫu: kích thước 20 x 20 Chƣơng trình Java Simulation Candy Thử nghiệm 1: mẫu chuẩn CNN EDEG A 0 0 0 0 Số hóa trung tâm học liệu B -1 -1 -1 -1 -1 -1 -1 -1 Z= -1 http://www.lrc.tnu.edu.vn/ 75 Kết thu đƣợc Kết Candy Kết Java Simulation T= 0.5s T= 0.5s T = 1s T = 1s T = 2s T = 2s Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 76 Thử nghiệm 2: với mẫu đề xuất CNN EDEG EXTRACTION 0 0 0 Kết thu đƣợc A B -1 -1 -1 -1 -1 -1 -1 -1 Z= -3 Kết Candy T= 0.5s Kết Java Simulation T= 0.5s T=1s T = 1s T = 1.8 s T= 2.1 s Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 77 3.4.4 Nhận xét & đánh giá Từ kết thu áp dụng mẫu CNN EDEG CNN EDEG EXTRACTION Ta có số đánh sau: Với mẫu CNN EDEG Kết quả, thời gian thực giống nhau, chất lượng đường biên thu tốt Điều cho thấy chương trình cài đặt mô Java làm việc có hiệu Với mẫu đề xuất CNN EDEG EXTRACTION: Tương tự, thời gian thực giống nhau, thu kết quả, xem xét kết thu đươc ta thấy: Với Candy - Kết thu được: Làm đường biên thời gian 1.8 s - Chất lượng đường biên tốt, rõ ràng - Xử lí tốt với đường biên chéo Với Java Simulation - Kết thu có kích thước ảnh ban đầu => Làm rõ đường biên bao thực ảnh - Xử lí tốt với đường biên chéo - So với mẫu CNN EDEG, chất lượng biên thu tốt thời gian thực khoảng 2s Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 78 Với mẫu (A,B,z) ta tao nhiều kết để lựa chọn, đơn giản cách thay đổi giá trị z Input (EDEG EXTRACTION) Input (EDEG XTRACTION) Z = -3 Z = -3 Z = -1 Z = -1 Z=0 Z=0 Hình 3.27 Kết thu sau thay đổi giá trị I Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 79 KẾT LUẬN Trong trình tìm hiểu giới thiệu sở lý thuyết mô hình toán học, kiến trúc vật lý, điện tử mạng nơron tế bào phát triển công nghệ mạng nơron tế bào ứng dụng lĩnh vực xử lý ảnh, nhận dạng, hệ thị giác máy, tính toán điều khiển động hệ điều khiển tự động, robot thể ưu vượt trội tốc độ tính toán, kích thước liệu Giới thiệu số phương pháp dò biên ảnh Thông qua kiến trúc mạng CNN sở toán học Tiến hành tìm hiểu phương pháp thiết kế mẫu (A, B, z) Giới thiệu mẫu chuẩn, mẫu đề nghị EDEG EXTRACTION áp dụng vào toán dò biên ảnh thông qua việc tiến hành thử nghiệm, đánh giá so sánh kết với Candy thì: ưu điểm tốc độ xử lí nhanh, biên thu có độ xác cao Tuy nhiên hạn chế, tiến hảnh thử nhiệm với ảnh hai chiều trạng thái đầu vào mã hóa theo mã nhị phân, ảnh đa cấp xám, mô máy tính PC (yêu cầu máy có cấu hình từ Pentium cài đặt jdk 1.6 trở lên) Kết thu tạm dừng việc mô trình thực máy tính cá nhân, chưa thực việc thiết kế kiến trúc phần cứng cho chip CNN, thực so sánh kết tính toán tốc độ độ xác việc giải máy PC CNN Trong thời gian tới tiếp tục tìm hiểu phương pháp công nghệ xử lý song song cho thao tác dò biên ảnh nâng cao tốc độ xử lý ảnh ứng dụng toán thời gian thực, cấu hình chip FPGA có tài nguyên lớn cho toán Giải vấn đề tìm mẫu tối ưu để đạt độ xác cao mở rộng lớp kết quả, chế tạo mô hình làm việc để đưa vào ứng dụng thực tế Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 80 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC LIÊN QUAN ĐẾN LUẬN VĂN [1] Vũ Đức Thái, Lê Văn Thủy (2013), “Thiết kế mẫu CNN cho toàn dò biên ảnh”, Tạp chí Khoa học & Công nghệ, 106 (6), tr 139 - 145 Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 81 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Phạm Thượng Cát (2007), “Hợp tác nghiên cứu phát triển hệ thống xử lý ảnh nhanh sở áp dụng công nghệ mạng Nơron phi tuyến”, Báo cáo tổng kết đề tài nghị định thư, Tr 34 - 35, 39 - 44, 71 - 80 [2] Phạm Thượng Cát, “Công nghệ mạng nơron tế bào CNN khả ứng dụng hệ điện tử”, Tuyển tập Hội nghị Cơ điện tử toàn quốc lần thứ 3, Hà nội 10/2006, Tr 33 - 42 [3] Tạ Thị Kim Huệ, “Nghiên cứu mạng nơron tế bào (CNN) ứng dụng xử lý tách biên”, 04/2011, Tr 3- 4, http://donga.edu.vn/LinkClick.aspx?fileticket tabid=438 [4] Phạm Đức Long (2011), Phát triển số thuật toán xử lý ảnh sử dụng mạng Nơron tế bào, luận án tiến sĩ Toán học, Tr 20 - 21, 69 - 75 [5] Vũ Đức Thái (2011), Nghiên cứu ứng dụng công nghệ mạng nơron tế bào CNN vào việc giải phương trình vi phân đạo hàm riêng, Luận án tiến sĩ Toán học, Tr 15-16, 37 [6] Đỗ Năng Toàn, Phạm Việt Bình (2007), Giáo trình môn học Xử lý ảnh, Tr 37- 43, http://www.ebook.edu.vn/?page=1.39&view=13862 Tiếng Anh [7] Alper Basturk, Enis Gunay (2009), “Efficient edge detection in digital images using a cellular neural network optimized by differential evolution algorithm”, Expert Systems with Applications 36 (2009) 2645–2650 [8] Angela Slavova, Cellular Neural Networks: Dynamics and Modelling, Kluwer Academic Publishers 2003 [9] Chen Guan-nan, Yang Kun-tao, Chen Rong, Xie Zhi-ming (2008), "A New Study on Image Enhancement and Denoising Coupled With Shock Filters and Anisotropic Diffusion," Congress on Image and Signal Processing, IEEE, pp 231-235 [10] L Chua and L Yang, "Cellular Neural Networks: Theory," IEEE Trans on Circuits and Systems, 35(10):1257-1272, 1988 [11] L O Chua and Roska Tamas, Cellular Neural Networks and Visual Computing: Foundations and Applications, Cambridge University Press 2002 Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 82 [12] L O.Chua and L Yang, “Cellular neural networks: Applications”, IEEE Trans Circuits Syst.,Vol.35: pp 1273-1290, 1998 [13] L Alvarez, L Mazorra (1994), “Signal and image restoration using shock filters [14] and anisotropic diffusion” SLAM J Numer Anal Vol 31, No 2, pp 590-605 [15] O.Coulon, S.R.Arridge (2000), “Dual echo MR image processing using multispectral probabilistic diffusion coupled with shock filters” MIUA 2000, British Conference on Medical Image Understanding and Analysis, United-Kingdom, London [16] S.J.Osher and L.I.Rudin (1990), "Feature-oriented image enhancement using shock filters," SIAM J.Numer Anl 27, pp 919-940 [17] Analogic Computer Ltd http://www.analogic-computer.com [18] http://wwwinst.eecs.berkeley.edu/~ee129/ [19] http://www.ce.unipr.it/research/pardis/CNN/cnn.html [20] http://www.analogic-computers.com [21] http://www2.sys-con.com/itsg/virtualcd/java/archives/0705/heaton/index.html Số hóa trung tâm học liệu http://www.lrc.tnu.edu.vn/ 83 [...]... mạng CNN là một kết nối hoàn chỉnh và Sr(i, j) là một mảng hoàn chỉnh Tế bào C(i,j) là tế bào thường, nếu và chỉ nếu tất cả các tế bào lân cận C(k, l) Sr (i, j) tồn tại, C(i,j) còn lại là tế bào biên (hình 1.3) Tế bào biên phía ngoài cùng xa nhất được gọi là tế bào cạnh Không phải tất cả các tế bào biên đều là tế bào cạnh nếu r >1 Hình 1.3 Các tế bào biên Đối với ứng dụng CNN trong xử lý ảnh, đầu vào. .. từ các tế bào lân cận trong không gian Một mạng nơron tế bào xử lý ảnh CNN có thể được khởi tạo với 2 ảnh, một ảnh được nạp vào đầu vào input, ảnh còn lại là đầu ra output Trong pha xử lý này, ảnh trong đầu ra được thay đổi và ảnh cuối cùng trên lớp ra là kết quả của sự tính toán Số hóa bởi trung tâm học liệu http://www.lrc.tnu.edu.vn/ 20 Trong chip tế bào thị giác, ngoài cấu trúc mạng nơron tế bào, ... liên kết các tế bào và trọng số của các liên kết, một số lượng lớn các kiểu mạng tế bào xử lý ảnh khác nhau có thể thực hiện được ơ Hình 1.7 Mạng CNN 2D Sau đây là một kiểu kiến trúc mạng nơron tế bào xử lý ảnh thông dụng nhất (Visual Cellular Neural Network) Trong kiến trúc này, phần tử xử lý chứa 2 lớp gồm một lớp vào và một lớp ra: Hình 1.8 Mô hình kết nối mạng nơron tế bào Lớp đầu vào cung cấp... cũng cung cấp cho người dùng một tập thư viện các mẫu và ngày càng được bổ sung thêm.[5] 1.4 Công nghệ xử lý ảnh nhanh trên mạng CNN Máy tính xử lý ảnh nhanh CNN a Chip tế bào thị giác Mạng nơron tế bào được thiết kế giống như mạng lưới gồm có số lượng lớn các tế bào xử lý tương tự giống hệt nhau Những tế bào xử lý này được sắp xếp trong một Số hóa bởi trung tâm học liệu http://www.lrc.tnu.edu.vn/... trước B2: Làm nổi biên sử dụng các toán tử phát hiện biên B3: Định vị biên Chú ý rằng kỹ thuật nổi biên gây tác dụng phụ là gây nhiễu làm một số biên giả xuất hiện do vậy cần loại bỏ biên giả B4: Liên kết và trích chọn biên 2.2.2 Phương pháp phát hiện biên trực tiếp Phƣơng pháp phát hiện biên trực tiếp: phương pháp này chủ yếu dựa vào sự biến thiên độ sáng của điểm ảnh để làm nổi biên bằng kỹ thuật... liệu ảnh được lưu trữ ở dạng phù họp với quá trình xử lý Người lập trình sẽ tác động các thuật toán tương ứng lên dữ liệu ảnh nhằm thay đổi cấu trúc ảnh phù họp với các ứng dụng khác nhau Một trong những vấn đề trọng tâm nghiên cứu của lĩnh vực thị giác máy là biên và các thao tác trên đó vì các kĩ thuật phân đoạn ảnh chủ yếu dựa vào biên Nhìn chung về mặt toán học, người ta coi điểm biên của ảnh là... chúng ta thu đượn các vùng ảnh khác nhau thì đường phân cách giữa các vùng đó chính là biên Nói cách khác, việc xác định đường bao của ảnh được thực hiện từ ảnh đã được phân vùng Phương pháp dò biên gián tiếp khó cài đặt nhưng áp dụng tốt khi sự biến thiên độ sáng nhỏ Chú ý: Kỹ thuật dò biên và phân vùng ảnh là hai bài toán đối ngẫu của nhau 1.3 Quy trình phát hiện biên B1: Do ảnh ghi được thường có nhiễu,... được mô tả trong Hình 1B Mạng nơron tế bào gồm các tế bào có cấu trúc đồng nhất Lõi của các tế bào này thực hiện chức năng của hệ động lực chuẩn tế bào CNN như mô tả trong hình 2 (Analog CNN nucleus) Để mạng có thể hoạt động và có khả năng lập trình thay đổi các trọng liên kết, ở mỗi tế bào đều có bộ nhớ, các thanh ghi, các khối vào ra và truyền thông cục bộ Ngoài ra toàn mạng còn có khối lập trình... in đậm đánh dấu đường dữ liệu song song từ đầu vào tới đầu ra của các tế" bào đường biên tương ứng ukl và ykl Mũi tên nhạt hơn biểu diễn mức ngưỡng, đầu vào, trạng thái, và đầu ra tương ứng là z, xij, và yij (hình 1.4) Hình 1.4 Cấu trúc phân lớp của mạng CNN 1.3 Máy tính vạn năng mạng nơron tế bào CNN 1.3.1 Sự phát triển của máy tính điện tử Công cụ tính toán đã được loài người phát minh ra trên 6000... mô hình mô phỏng thuật toán với những ví dụ cụ thể Đây là những khái niệm, nguyên tắc cơ bản, làm nền tảng cho việc nghiên cứu về công nghệ CNN Mô hình mạch điện của Chua đã trở thành kiến trúc lõi cho việc thiết kế các chip CNN sau này Sau đó là một loạt các bài viết về việc thiết kế chip CNN ứng dụng cho bài toán xử lý ảnh và nhận dạng là lĩnh vực đầu tiên được ứng dụng công nghệ CNN Năm 1993, Tamás ... hoàn chỉnh Tế bào C(i,j) tế bào thường, tất tế bào lân cận C(k, l) Sr (i, j) tồn tại, C(i,j) lại tế bào biên (hình 1.3) Tế bào biên phía xa gọi tế bào cạnh Không phải tất tế bào biên tế bào cạnh... chọn đề tài: Ứng dụng công nghệ mạng nơron tế bào vào toán dò biên ảnh để làm đề tài cho luận văn tốt nghiệp Luận văn gồm chương với nội dung sau: Chƣơng Giới thiệu Mạng nơron tế bào Chƣơng Tìm...ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG LÊ VĂN THỦY ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO VÀO BÀI TOÁN DÒ BIÊN ẢNH Chuyên ngành: Khoa học máy tính Mã số: