Từ những kết quả thu được khi áp dụng 2 mẫu CNN EDEG và CNN EDEG EXTRACTION. Ta có một số đánh giá như sau:
Với mẫu CNN EDEG
Kết quả, thời gian thực hiện là giống nhau, chất lượng đường biên thu được là khá tốt. Điều đó cho thấy chương trình cài đặt mô phỏng bằng Java làm việc có hiệu quả.
Với mẫu đề xuất CNN EDEG EXTRACTION:
Tương tự, thời gian thực hiện là giống nhau, thu được 2 kết quả, xem xét từng kết quả thu đươc ta thấy:
Với Candy
- Kết quả thu được: Làm nổi được đường biên trong thời gian 1.8 s.
- Chất lượng đường biên tốt, rõ ràng. - Xử lí tốt với các đường biên chéo.
Với Java Simulation
- Kết quả thu được có kích thước bằng ảnh ban đầu => Làm nổi rõ được đường biên bao thực sự của ảnh.
- Xử lí tốt với các đường biên chéo.
- So với mẫu CNN EDEG, chất lượng biên thu được tốt hơn. thời gian thực hiện trong khoảng 2s.
Với bộ mẫu (A,B,z) ta có thể tao ra nhiều kết quả để lựa chọn, đơn giản bằng cách thay đổi giá trị z.
Input (EDEG EXTRACTION) Z = -3 Z = -1 Z = 0
Input (EDEG XTRACTION) Z = -3 Z = -1 Z = 0
KẾT LUẬN
Trong quá trình tìm hiểu đã giới thiệu được cơ sở lý thuyết về mô hình toán học, kiến trúc vật lý, điện tử của mạng nơron tế bào. sự phát triển công nghệ mạng nơron tế bào và các ứng dụng trong mọi lĩnh vực như xử lý ảnh, nhận dạng, hệ thị giác máy, tính toán điều khiển động trong các hệ điều khiển tự động, robot... thể hiện những ưu thế vượt trội về tốc độ tính toán, kích thước dữ liệu.
Giới thiệu một số phương pháp dò biên ảnh. Thông qua kiến trúc cơ bản của mạng CNN cùng các cơ sở toán học. Tiến hành tìm hiểu các phương pháp thiết kế bộ mẫu (A, B, z). Giới thiệu bộ mẫu chuẩn, bộ mẫu đề nghị EDEG EXTRACTION áp dụng vào bài toán dò biên ảnh thông qua việc tiến hành thử nghiệm, đánh giá so sánh kết quả với Candy thì: ưu điểm tốc độ xử lí nhanh, biên thu được có độ chính xác cao. Tuy nhiên còn hạn chế, trên đây mới chỉ tiến hảnh thử nhiệm với ảnh hai chiều và trạng thái đầu vào đã được mã hóa theo mã nhị phân, ảnh đa cấp xám, mô phỏng trên máy tính PC (yêu cầu máy có cấu hình từ Pentium 4 và cài đặt jdk 1.6 trở lên).
Kết quả thu được mới chỉ tạm dừng ở việc mô phỏng quá trình thực hiện trên máy tính cá nhân, chưa thực hiện việc thiết kế kiến trúc phần cứng cho chip CNN, thực hiện so sánh kết quả tính toán về tốc độ và độ chính xác giữa việc giải trên máy PC và trên CNN.
Trong thời gian tới sẽ 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 trong các bài toán thời gian thực, cấu hình trên chip FPGA có tài nguyên lớn hơn cho các bài toán. Giải quyết vấn đề tìm mẫu tối ưu để đạt độ chính xác cao và mở rộng lớp các kết quả, chế tạo ra mô hình làm việc để có thể đưa vào ứng dụng thực tế.
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 bài toàn dò biên ảnh”, Tạp chí Khoa học & Công nghệ, 106 (6), tr 139 - 145.
TÀI LIỆU THAM KHẢO Tiếng Việt
[1].Phạm Thượng Cát (2007), “Hợp tác nghiên cứu phát triển các hệ thống xử lý ảnh nhanh trên cơ 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 và khả năng ứng dụng trong các hệ cơ 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) và ứng dụng trong 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 một 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.
[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 multi- spectral 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