Nghiên cứu ứng dụng công nghệ mạng nơron tế bào vào bài toán phân đoạn ảnh

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG LÊ THỊ NGỌC TÚ NGHIÊN CỨU ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO VÀO BÀI TOÁN PHÂN ĐOẠN ẢNH LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Thái Nguyên năm 2015 ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG LÊ THỊ NGỌC TÚ NGHIÊN CỨU ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO VÀO BÀI TOÁN PHÂN ĐOẠN ẢNH Chuyên ngành: Khoa học máy tính Mã số: 60 48 01 01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC TS VŨ ĐỨC THÁI Thái Nguyên năm 2015 LỜI CAM ĐOAN Tôi xin cam đoan luận văn thực thiện, có hướng dẫn tận tình chu đáo người hướng dẫn TS Vũ Đức Thái Những số liệu bảng biểu, hình ảnh phục vụ cho việc phân tích, nhận xét, đánh giá thu thập từ nguồn khác có ghi phần tài liệu tham khảo, phạm vi hiểu biết Nếu phát có gian lận xin hoàn toàn chịu trách nhiệm trước Hội đồng, kết luận văn Thái Nguyên, ngày 13 tháng năm 2015 Học viên Lê Thị Ngọc Tú LỜI CẢM ƠN Để hoàn thành luận văn em xin chân thành xảm ơn thầy giáo TS.Vũ Đức Thái hướng dẫn tận tình tạo điều kiện cho em hoàn thành luận văn Em xin chân thành cảm ơn ban lãnh đạo thầy giáo, cô giáo, cán nhân viên Trường Đại học Công nghệ thông tin Truyền thông – ĐH Thái Nguyên giúp đỡ, tạo điều kiện cho em hoàn thành luận văn Cuối cùng, em xin chân thành cảm ơn quan tâm giúp đỡ gia đình, bạn bè tập thể lớp Cao học K12G cổ vũ động viên em hoàn thành tốt luận văn Thái nguyên, ngày 13 tháng năm 2015 Học viên Lê Thị Ngọc Tú DANH MỤC CÁC CHỮ VIẾT TẮT - CNN (Cellular Neural Network): Công nghệ mạng nơron tế bào - CPU (Central Processing Unit): Bộ xử lí trung tâm - A(Digital)/A(Analog):Tín hiệu số/Tín hiệu tương tự - IC (Integrated Circuit): Các vi mạch tích hợp - 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”) - FPGA (Field Programmable Gate Array): Mảng cổng dạng trường lập trình - ADC (Analog Digital Converter): Bộ chuyển đổi tín hiệu tương tự thành tín hiệu số - GAPU (Global Analogic Program Unit): khối lập trình toàn cục DANH MỤC HÌNH VẼ Hình 1.1 Một số kiểu mạng CNN Hình 1.2 Kiến trúc mạng nơron tế bào chuẩn Hình 1.3 Mô tả kiến trúc CNN Hình Cấu trúc máy tính CNN-UM 10 Hình 1.5 Mô tả khái quát bước lập trình ngôn ngữ khác 12 Hình 1.6 Sáu kiểu hệ số mẫu A (3x3) cho phép CNN ổn định 14 Hình 1.7 Các bước hệ thống xử lý ảnh 16 Hình 1.8 : Các thành phần hệ thống xử lý ảnh 18 Hình 1.9 Giao diện Candy 23 Hình 1.10 Nạp ảnh Candy 24 Hình 1.11.Ảnh ban đầu 24 Hình 1.12 Ảnh sau chạy Template EdgeDetect 24 Hình 2.1 Tách tứ phân 35 Hình 2.2 Hệ động lực tế bào CNN 44 Hình 2.3 Mẫu tìm vùng hiệu mẫu 45 Hình 2.4 Mẫu tìm đường xiên hiệu mẫu 46 Hình 2.5 Sơ đồ bước thiết kế mẫu theo phương pháp trực tiếp 48 Hình 2.6 Quy trình tìm mẫu phương pháp học 49 Hình 2.7 Sơ đồ thuật toán 50 Hình 3.1: mặt nạ xác định điểm 52 Hình 3.2: Mặt nạ phát dòng 53 Hình 3.3 Minh họa việc phát dòng 54 Hình 3.4 Biểu đồ mức xám đường ngang 55 Hình 3.5 Biểu đồ mức xám đường nghiêng thông qua ảnh 56 Hình 3.6 Mặt nạ phát cạnh hướng cạnh 58 Hình 3.7 Ví dụ tăng trưởng miền ảnh 59 Hình 3.8 Lược đồ mức xám 61 Hình Tách tứ phân 61 Hình 3.10 Thử nghiệm mẫu phân đoạn ảnh 65 MỤC LỤC Chương I: CÁC LÝ THUYẾT BỔ TRỢ 1.1 Mạng nơron tế bào 1.1.1 Kiến trúc mạng nơron tế bào CNN 1.1.1.1 Giới thiệu chung mạng nơron tế bào 1.1.1.2.Kiến trúc mạng Nơron tế bào 1.1.1.3.Kiến trúc máy tính mạng Nơron tế bào 10 1.1.1.4 Một số vấn đề CNN 13 1.2 Xử lý ảnh 15 1.2.1 Giới thiệu chung xử lý ảnh 15 1.3 Ngôn ngữ Matlab 18 1.3.1 Giới thiệu chung Matlab 18 1.3.2 Ngôn ngữ lập trình Matlab ứng dụng mô 19 1.3.3 Các công cụ để cài đặt mô tính toán 20 1.3.3.1 Đọc ghi liệu ảnh 20 1.3.3.2 Lớp lưu trữ file matlab 21 1.3.3.3 Truy vấn file đồ hoạ 21 1.3.3.4 Hiển thị ảnh 22 1.4 Phần mềm mô CANDY 22 Chương II: BÀI TOÁN PHÂN ĐOẠN ẢNH 25 2.1 Giới thiệu chung phân đoạn ảnh 25 2.2 Các hướng tiếp cận phân đoạn ảnh 27 2.2.1 Các phương pháp dựa không gian đặc trưng 27 2.2.2 Các phương pháp dựa không gian ảnh 28 2.2.3 Các phương pháp dựa mô hình vật lý 29 2.3 Một số phương pháp phân đoạn ảnh 29 2.3.1 Phương pháp phân đoạn dựa vào ngưỡng cố định 29 2.3.2 Phương pháp phân đoạn dựa vào miền đồng 32 2.3.2.1 Giới thiệu chung 32 2.3.2.2 Phương pháp tách tứ phân 33 2.3.2.3 Phương pháp tổng hợp 35 2.4 Giải pháp phân đoạn ảnh công nghệ CNN 37 2.4.1 Xử lý ảnh dùng PDE 37 2.4.2 Công nghệ xử lý ảnh nhanh mạng CNN 38 2.4.2.1 Tính ưu việt ý nghĩa 39 2.4.2.2 Tình hình nghiên cứu xử lý ảnh dùng CNN nuớc 40 2.4.2.3 Kết xử lý ảnh dùng CNN 41 2.4.2.4 Hạn chế giải pháp ứng dụng CNN 42 2.4.3 Mẫu vai trò mẫu 43 2.4.3.1 Giới thiệu chung 43 2.4.3.2 Thư viện mẫu CNN 45 2.4.3.3 Các phương pháp thiết kế mẫu cho CNN 47 2.5 Thuật toán phân đoạn ảnh CNN 49 2.6 Kết luận 51 Chương III: MÔ PHỎNG THUẬT TOÁN PHÂN ĐOẠN ẢNH 52 3.1 Mô tả toán mô 52 3.1.1 Phát biên 52 3.1.1.1 Phát điểm 52 3.1.1.2 Phát dòng 53 3.1.1.3 Phát cạnh 55 3.1.1.4 Phát biên Candy 56 3.1.2 Bài toán phân đoạn ảnh 58 3.1.2.1 Công thức sở 58 3.1.2.2 Tăng trưởng miền ảnh 59 3.1.2.3 Tách ghép miền 61 3.2 Cài đặt mô 62 3.2.1 Ví dụ: Đoạn mã lệnh 62 3.2.2 Mô 1: 65 3.2.3 Mô 66 3.3.3 Đánh giá kết mô 67 KẾT LUẬN 68 TÀI LIỆU THAM KHẢO 69 55 3.1.1.3 Phát cạnh Theo quan sát, cạnh liên thông pixel mà nằm đường bao hai vùng Một định nghĩa hợp lý "cạnh" đòi hỏi khả đo chuyển đổi mức xám Một cạnh lý tưởng có đặc điểm mô hình cho trong mô hình cạnh lý tưởng sau: Mô hình cạnh lý tưởng Hình 3.4 Biểu đồ mức xám đường ngang Một cạnh lý tuởng theo mô hình tổ hợp liên thông pixel mà pixel đặt mức chuyển đổi mức xám trực giao Thực tế, việc sai hỏng thu nhận ảnh quang, ảnh lấy mẫu, ảnh khác tạo ảnh bị nhòe, với mức độ nhòe xác định yếu tố chất lượng hệ thống thu nhận ảnh, tốc độ lấy mẫu, điều kiện chiếu sáng mà ảnh thu Theo kết nghiên cứu, cạnh mô hình dày có đường bao “hơi nghiêng” Mô hình cạnh nghiêng 56 Hình 3.5 Biểu đồ mức xám đường nghiêng thông qua ảnh 3.1.1.4 Phát biên Candy Mặc dù phức tạp thuật toán canny nhìn chung có ưu điểm cho việc phát biên Phương pháp tiếp cận canny dựa mục tiêu chính: - Tỷ lệ sai thấp: Tất biên cần phát không nên đáp ứng với tạp nhiễu Nghĩa biên tách dày đặc tốt so với biên thực - Các điểm biên nên xác định xác: Các biên xác định phải dày đặc tốt so với biên thực Nghĩa là: khoảng cách điểm đánh dấu biên tâm biên thực nên nhỏ - Ðáp ứng điểm đơn biên: Bộ dò biên nên trả điểm cho điểm biên thực Nghĩa là: số luợng vị trí tối đa xung quanh biên thực nên nhỏ Ðiều có nghĩa dò không nên xác định nhiều pixel biên mà điểm đơn biên tồn Bản chất thuật toán canny biểu diễn theo toán học tiêu chuẩn cố gắng tìm giải pháp tối ưu cho mục đích Nhìn chung khó để tìm giải pháp mà thỏa mãn Tuy nhiên, việc sử dụng tối ưu hóa số với biên bậc 1-D bị nhiễu nhiễu Gauss trắng dẫn đến giải pháp mà xấp xỉ tốt cho dò bậc tối ưu lấy đạo hàm cấp hàm gauss sau : (3.2) Kết 2-D giải việc nhận dạng mà phương pháp 1D áp dụng theo hướng biên chuẩn Do hướng biên chuẩn biết trước, điều cần áp dụng dò biên 1-D tất hướng Công việc xấp xỉ cách làm trơn ảnh trước tiên với 57 hàm gauss 2-D, tính toán đạo hàm cấp kết sau sử dụng độ lớn hướng đạo hàm cấp để ước tính độ lớn hướng biên điểm Ðặt f(x, y) ảnh ngõ vào, G(x, y) ký hiệu hàm Gauss: (3.3) Tạo ảnh làm nhẵn (x,y)=G(x,y)* (x,y) (3.4) Phép tính suy cách tính đạo hàm cấp theo biên độ: M(x,y) = (3.5) Đạo hàm cấp theo hướng (góc) (x,y) = (3.6) Bất kỳ cặp mặt nạ hình dùng để đạt gx gy Phương trình (x,y)=G(x,y)* (x,y) thực cách dùng mặt nạ Gauss nxn M(x,y) (x,y) mảng có kích thước với ảnh mà chúng tính toán Bởi tạo cách dùng đạo hàm cấp 1, M(x, y) chứa đường ngoằn ngèo rộng xung quanh vị trí lớn Tiếp theo làm mảnh đường Một phương pháp sử dụng triệt điểm không cực đại Bản chất phương pháp để định rõ hướng biên chuẩn rời rạc Ví dụ vùng 3×3 định hướng cho biên thông qua điểm trung tâm vùng ngang, dọc, +450, -450 Bởi phải lượng tử tất huớng biên theo hướng nên phải định phạm vi hướng mà ta xét đến biên ngang định hướng biên theo hướng biên chuẩn mà nhận từ liệu ảnh cách dùng phương trình: 58 (x,y) = Ví dụ: (a) (b) Hình 3.6 Mặt nạ phát cạnh hướng cạnh a hướng có khả cạnh ngang cửa sổ 3×3 b Giá trị, góc hướng cạnh chuẩn so với cạnh ngang 3.1.2 Bài toán phân đoạn ảnh 3.1.2.1 Công thức sở Với R đặc trưng toàn miền ảnh xem phân đoạn trình mà phân chia R thành n miền con, R1, R2, …,Rn, sau: Ðiều kiện phân đoạn phải hoàn thành, điểm ảnh phải miền - Ri miền liên thông, i=1,2,…,n Ðiều kiện yêu cầu điểm miền phải kết nối cảm nhận xác định trước - Ri I Rj =  cho i j, i ≠j Ðiều kiện miền phải tháo rời - P(Ri)=TRUE với i=1,2, ,n 59 Ðiều kiện đối phó với tính chất mà phải thỏa mãn điểm ảnh miền phân đoạn cho ví dụ P(Rt) = TRUE toàn điểm ảnh R có mức xám - P(Ri Rj)=FALSE với i ≠j Điều kiện miền Ri Rt khác cảm nhận dự đoán P 3.1.2.2 Tăng trưởng miền ảnh Tăng trưởng miền ảnh thủ tục mà nhóm điểm ảnh hay miền miền lớn dựa tiêu chuẩn định nghĩa trước (a) (b) (b) (d) Hình 3.7 Ví dụ tăng trưởng miền ảnh a Ảnh bị hỏng nặng b Các điểm hạt c Kết qủa tăng vùng d Đường bao phần hỏng 60 Hình 3.7(a) biểu ảnh tia X mối hàn (miền tối hàng ngang) chứa vài vết nứt trạng thái xốp (ánh sáng, đường sọc trắng chạy theo hàng ngang xuyên qua trung điểm ảnh) mong đợi sử dụng tăng trưởng miền để phân đoạn miền lỗi mối hàn Các cấu hình phân đoạn sử dụng cho việc kiểm tra hệ thống mối hàn tự động, cho ứng dụng số học khác Ðầu tiên định điểm khởi đầu Trong ứng dụng này, biết điểm ảnh mối hàn bị hỏng dẫn đến có giá trị số cho phép tối đa (255 truờng hợp này) Dựa thông tin này, chọn điểm bắt đầu toàn điểm ảnh có giá trị 255 Các điểm trích từ ảnh nguồn biểu Hình 3.7(b) Tiếp theo chọn tiêu chuẩn cho phát triển miền Trong ví dụ đặc biệt chọn tiêu chuẩn cho điểm ảnh thêm vào miền: - Một mức xám tuyệt đối khác biệt điểm ảnh khởi đầu phải 65 - Hai điểm ảnh phải kết nối điểm ảnh tối thiểu miền Nếu điểm ảnh tìm thấy phải kết nối nhiều miền, miền kết hợp Hình 3.7(c) biểu miền tạo bắt đầu với khởi đầu Hình 3.7(b) sử dụng tiêu chuẩn định nghĩa đoạn trước Việc thêm vào đường biên miền ảnh gốc biểu thị thủ tục phát triển miền thực phân đoạn mối hàn bị lỗi với độ xác chấp nhận 61 Hình 3.8 Lược đồ mức xám 3.1.2.3 Tách ghép miền - Nếu P(Ri) = TRUE, R tượng trưng toàn miền ảnh chọn ước đoán P Kết phân đoạn R chia liên tiếp thành phần tư, nhỏ tốt, miền Ri nào, - Nếu P(Ri) = FALSE, chia ảnh thành phần tư - Nếu P(Ri) = FALSE cho phần tư nào, chia nhỏ phần tư thành phần tư nhỏ hơn, Kỹ thuật tách đặc biệt có ưu điểm dạng tứ phân Chú ý, góc phù hợp với toàn ảnh nút tương ứng với việc chia nhỏ Trường hợp này, R4 chia nhỏ (a) (b) Hình Tách tứ phân a Ảnh phân nhỏ; b Cây tứ phân tương ứng 62 Nếu việc tách sử dụng, kết cuối miền liền kề có tính chất y hệt Ðiều khắc phục việc kết hợp, tương tự tách Yêu cầu kết hợp miền liền kề mà kết hợp điểm ảnh đáp ứng dự đoán P Ðó là, hai miền liền kề Rj Rk kết hợp P(RjRK)=TRUE 3.2 Cài đặt mô 3.2.1 Ví dụ: Đoạn mã lệnh - Bước 1: Nạp ảnh đầu vào, sử dụng ảnh rgb = imread('pears.png'); I = rgb2gray(rgb); imshow(I) text(732,501,'Image courtesy of Corel(R)', 'FontSize',7,'HorizontalAlignment','right') - Bước 2: Chương trình thực hy = fspecial('sobel'); hx = hy'; Iy = imfilter(double(I), hy, 'replicate'); Ix = imfilter(double(I), hx, 'replicate'); gradmag = sqrt(Ix.^2 + Iy.^2); figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)') 63 L = watershed(gradmag); Lrgb = label2rgb(L); figure, imshow(Lrgb), title('Watershed transform of gradient magnitude (Lrgb)') se = strel('disk', 20); Io = imopen(I, se); figure, imshow(Io), title('Opening (Io)') Ie = imerode(I, se); Iobr = imreconstruct(Ie, I); figure, imshow(Iobr), title('Opening-by-reconstruction (Iobr)') Ioc = imclose(Io, se); figure, imshow(Ioc), title('Opening-closing (Ioc)') Iobrd = imdilate(Iobr, se); Iobrcbr = imreconstruct(imcomplement(Iobrd), imcomplement(Iobr)); Iobrcbr = imcomplement(Iobrcbr); figure, imshow(Iobrcbr), title('Opening-closing by reconstruction (Iobrcbr)') fgm = imregionalmax(Iobrcbr); figure, imshow(fgm), title('Regional maxima of opening-closing by reconstruction (fgm)') I2 = I; I2(fgm) = 255; figure, imshow(I2), title('Regional maxima superimposed on original image (I2)') se2 = strel(ones(5,5)); fgm2 = imclose(fgm, se2); fgm3 = imerode(fgm2, se2); 64 fgm4 = bwareaopen(fgm3, 20); I3 = I; I3(fgm4) = 255; figure, imshow(I3) title('Modified regional maxima superimposed on original image (fgm4)') bw = im2bw(Iobrcbr, graythresh(Iobrcbr)); figure, imshow(bw), title('Thresholded opening-closing by reconstruction (bw)') D = bwdist(bw); DL = watershed(D); bgm = DL == 0; figure, imshow(bgm), title('Watershed ridge lines (bgm)') gradmag2 = imimposemin(gradmag, bgm | fgm4); L = watershed(gradmag2); I4 = I; I4(imdilate(L == 0, ones(3, 3)) | bgm | fgm4) = 255; figure, imshow(I4) title('Markers and object boundaries superimposed on original image (I4)') figure, imshow(I), hold on himage = imshow(Lrgb); set(himage, 'AlphaData', 0.3); title('Lrgb superimposed transparently on original image') 65 - Bước 3: Đưa ảnh sau xử lý: Ảnh kết Ảnh kết Hình 3.10 Thử nghiệm mẫu phân đoạn ảnh 3.2.2 Mô 1: mẫu DENOISSING CNN 01 - Kết 1: Sử dụng ảnh ban đầu có kích thước 100x130 Input - Kết 2: Sử dụng ảnh ban đầu có kích thước 150x120 Output 66 Input Output - Kết 3: Từ ảnh ban đầu có kích thước 120x120 Input Output 3.2.3 Mô 2: mẫu DENOISSING CNN 02 - Kết 1: Từ ảnh ban đầu có kích thước 130x100 Input - Kết 2: Từ ảnh ban đầu có kích thước 180x180 output 67 Input output - Kết 3: Từ ảnh ban đầu có kích thước 100x100 Input output 3.3.3 Đánh giá kết mô Từ kết thu áp dụng 02 mẫu DENOISSING CNN 01, DENOISSING CNN 02, ta có số đánh sau: -Với mẫu DENOISSING CNN 01: Kết phân đoạn tốt hơn, rõ ràng -Với mẫu DENOISSING CNN 02: Kết phân đoạn tương đối rõ ràng, nhiên phân đoạn chưa rõ nét mẫu 01 đường biên chưa rõ nét Với 02 mẫu đề xuất sử dụng để phân đoạn ảnh 68 KẾT LUẬN Trong phạm vi cho phép, luận văn giới thiệu kiến trúc, hoạt động mạng nơron tế bào phát triển công nghệ mạng nơron tế bào ứng dụng CNN lĩnh vực, qua thể ưu vượt trội tốc độ tính toán, kích thước liệu Tìm hiểu số phương pháp xử lí ảnh xử dụng công nghệ CNN Ứng dụng công nghệ CNN vào toán phân đoạn ảnh: từ phương pháp thiết kế mẫu (A, B, z), tiến hành thử nghiệm đưa 02 mẫu đề nghị DENOISSING CNN 01, DENOISSING CNN 02, DENOISSING CNN 02 cài đặt mô Matlab chạy phần mềm Candy để so sánh Tuy nhiên luận văn hạn chế, bước đầu 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 Chưa thực việc thiết kế kiến trúc phần cứng chip CNN nên ưu tốc độ công nghệ CNN chưa thể rõ Trong thời gian tới tìm hiểu phương pháp công nghệ xử lý song song cho thao tác khử nhiễu ảnh toán thời gian thực, cấu hình chip FPGA tạo mạng CNN chạy trực tiếp Thử nhiệm đề xuất nhiều mẫu bổ sung thêm cho thư viện mẫu CNN Ứng dụng hiệu toán thực tế yêu cầu 69 TÀI LIỆU THAM KHẢO Tiếng việt [1] Vũ Đức Thái, Phạm Thượng Cát, Đỗ Thị Bắc “ Mạng nơron tế bào máy tính CNN-UM” Tạp chí KH&CN ĐHTN số 47 (T3/2008), ISSN 18592171, Tr 142-146 [2] Phạm Đức long, Phạm Thượng Cát, "Công nghệ mạng nơron tế bào CNN ứng dụng", Tạp trí Tin học Điều khiển học, T.22, (2006), trang 37-44 [3] 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 tế bào", Báo cáo tổng kết đề tài nghị định thư, Tr 34 - 35, 39 - 44, 71 - 80 [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 27 - 28 [5] Đoàn Thị Phương, "Nghiên cứu số phương pháp phân đoạn ảnh màu", luận văn thạc sỹ khoa học máy tính, Tr 13-14 [6] 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 Tiếng anh [7] Chua L O., Yang L (1988), "Cellular Neural Networks: Theory", IEEE Transaction on Circuits and System, 35 (10), pp 1257 -1272 [8] Leon O Chua and Tamas Roska (2003), “Cellular Neural Network and visual Computing Fundations and Applications”, Cambridge University Press [9] Leon O Chua and Tamas Roska (2003), “Cellular Neural Network and visual Press Computing Fundations and Applications”, Cambridge University [...]... mình 3 Chương I CÁC LÝ THUYẾT BỔ TRỢ 1.1 Mạng nơron tế bào 1.1.1 Kiến trúc mạng nơron tế bào CNN 1.1.1.1 Giới thiệu chung về mạng nơron tế bào Công nghệ mạng nơron tế bào CNN (Cellular Neural Networks) đã được các nhà khoa học Mỹ và Hungary phát minh ra vào năm 1988 có tốc độ xử lý 1012 phép tính/giây và được áp dụng cho các hệ thống xử lý ảnh nhanh 10 - 50000 ảnh/ giây Đây là bước đột phá về chất do... lớn tiêu thụ nhiều năng lượng Một ứng dụng quan trọng của mạng nơron tế bào là xử lý ảnh Chức năng cơ bản của mạng nơron tế bào trong quá trình xử lý ảnh là ánh xạ hoặc chuyển hình ảnh đầu vào tương ứng với hình ảnh đầu ra.[3] Ngoài ứng dụng xử lý ảnh tốc độ cao ra công nghệ CNN còn được dùng để tối ưu hoá hệ thống truyền dữ liệu băng thông rộng, giải phương trình vi phân đạo hàm hàm riêng PDE Ngược... tương ứng Ảnh được coi là ảnh nhị phân nếu C(i,j) 2 chỉ nhận giá trị 0 hoặc 1 Các đặc trưng của ảnh thường bao gồm các thành phần như: mật độ xám, phân bố xác suất, phân bố không gian, biên ảnh Được sự gợi ý của giáo viên hướng dẫn và nhận thấy tính thiết thực của vấn đề này, tôi đã chọn đề tài: Nghiên cứu ứng dụng công nghệ mạng Nơron tế bào vào bài toán phân đoạn ảnh để làm đề tài cho luận văn tốt... xử lý của phân tích ảnh Như vậy việc phát hiện biên chính là tìm ra ranh giới giữa các vùng ảnh trong thao tác phân đoạn ảnh * Phân đoạn ảnh - Phân đoạn ảnh: Để phân tích các đối tượng trong ảnh, cần phải phân biệt được các đối tượng cần quan tâm với phần còn lại của ảnh, hay còn gọi là nền ảnh Những đối tượng này có thể tìm ra được nhờ các kỹ thuật phân đoạn ảnh, theo nghĩa tách phần tiền cảnh ra khỏi... Có thể sử dụng các thiết bị thu nhận ảnh như: Máy chụp ảnh đơn sắc, máy chụp ảnh màu, máy quét ảnh hay máy quay - Tiền xử lý: Tiền xử lý ảnh là bước chủ yếu cải thiện độ tương phản của ảnh, khử nhiễu Mục đích của công việc này là làm cho chất lượng ảnh trở nên tốt hơn chuẩn bị cho bước xử lý tiếp theo - Phân đoạn ảnh: Phân đoạn ảnh là tách một ảnh đầu thành nhiều vùng khác nhau để biểu diễn, phân tích,... hậu cảnh trong ảnh - Phân đoạn ảnh là bước then chốt trong xử lý ảnh Giai đoạn này nhằm phân tích ảnh thành những thành phần có cùng tính chất nào đó dựa theo biên hay các vùng liên thông Tiêu chuẩn để xác định các vùng liên thông có thể là cùng mức xám, cùng màu hay cùng độ nhám Trước hết cần làm rõ khái niệm "vùng ảnh" và đặc điểm vật lý của vùng Ví dụ ảnh phân đoạn: Ảnh ban đầu Ảnh sau khi phân đoạn. .. Mạng nơron tế bào CNN là một trong những công cụ xử lý ảnh thời gian thực sự hữu hiệu và đang được quan tâm nghiên cứu rộng rãi trên thế giới do có nhiều ưu điểm trong đó có bản chất xử lý song song Ảnh số là một mảng số thực hai chiều kích thước MxN trong đó mỗi phần tử ảnh là một tế bào C(i,j), i = 1, 2, , M, j = 1, 2, , N, biểu thị mức xám của ảnh tại các vị trí (i,j) tương ứng Ảnh được coi là ảnh. .. tách một ảnh đầu thành nhiều vùng khác nhau để biểu diễn, phân tích, nhận dạng ảnh Đây là phần phức tạp khó khăn nhất trong xử lý ảnh và cũng dễ gây lỗi, làm mất độ chính xác của ảnh Kết quả nhận dạng ảnh phụ thuộc rất nhiều vào công đoạn này - Biểu diễn ảnh Đầu ra ảnh sau phân đoạn chứa các điểm ảnh của vùng ảnh (ảnh đã phân đoạn) cộng với mã liên kết với các vùng lân cận Việc biến đổi các số liệu này... tin học ứng dụng Xử lý ảnh số thao tác trên các ảnh tự nhiên thông qua các phương pháp và kỹ thuật mã hóa Phân đoạn ảnh là bước then chốt trong xử lý ảnh, giai đoạn này nhằm phân tích ảnh thành các phần có cùng tính chất nào đó dựa theo biên hay các vùng liên thông Mục đích của phân đoạn ảnh là có thể miêu tả tổng hợp từ nhiều phần tử khác nhau cấu tạo nên ảnh thô Vì lượng thông tin chứa trong ảnh rất... hình 1.4 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 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 toàn cục GAPU phục vụ cho điều hành toàn mạng Hình