基于CNN的?？漳繕藱z測

　　1 引 言

　　艦船航行在大海上，主要面臨來(lái)自空中，海面和水下的威脅，其中空中的威脅最大。這些目標的主要特點(diǎn)是運動(dòng)速度高，機動(dòng)頻繁，其背景也比較復雜，受云層、煙霧、波浪、飛鳥(niǎo)、山峰等影響較大。傳感器如熱像儀、電視攝像機、激光測距機等自身帶有噪聲，另外還會(huì )有各種形式的干擾，這些都給目標的識別與跟蹤帶來(lái)很大困難。因此尋找一種能實(shí)時(shí)對圖像信號處理的、抗干擾的，并且適合大規模硬件開(kāi)發(fā)與實(shí)現的算法是軍事界至今沒(méi)有完美解決的難題之一。

　　元(細)胞神經(jīng)網(wǎng)絡(luò )(Cellular Neural Networks，CNN)，是由加州伯克利大學(xué)的華裔學(xué)者蔡紹棠教授在1988年提出來(lái)的一種局域連接、權可設計的人工神經(jīng)網(wǎng)絡(luò )。而后關(guān)于CNN的各種理論，算法，改進(jìn)與應用以及硬件實(shí)現等如同雨后春筍般出現?，F在CNN在圖像、通信、混沌控制、交通、醫學(xué)等領(lǐng)域都有著(zhù)廣泛的應用。CNN用于圖像的處理，例如降噪、分割、特征提取、空洞填充、細化、陰影檢測、模式識別、目標跟蹤，機器人視覺(jué)，水印加密等，比傳統的方法更具潛力。CNN結構的局部耦合性對于處理具有混沌性質(zhì)的背景下的?？展怆娔繕藞D像具有較大的匹配性。本文主要描述了CNN的理論基礎和他應用于圖像處理的思想，并給出了算法實(shí)現的步驟，然后用Matlab語(yǔ)言編程進(jìn)行仿真實(shí)驗，以對?？漳繕说?a class="contentlabel" href="http://dyxdggzs.com/news/listbylabel/label/檢測">檢測為例，將他與經(jīng)典的方法進(jìn)行比較，分析各自的優(yōu)缺點(diǎn)，最后提出了本算法需要改進(jìn)的地方。

　　2 圖像目標檢測的CNN模型

　　CNN的基本組成單元是元胞(Cell)，每個(gè)元胞只同他周?chē)鷕鄰域的元胞相接，連接的個(gè)數Nr=((2r+1)2-1)。如圖1所示為一個(gè)3×3規模的CNN網(wǎng)絡(luò )結構。用C(i，j)表示第i行、第j列的元胞。C(i，j)只與C(i+1，j)，C(i-1，j)，C(i，j+1)，C(i，j-1)，C(i+1，j+1)，C(i+1，j-1)，C(i-1，j+1)，C(i-1，j-1)等8個(gè)元胞相連。如圖2所示，每個(gè)元胞都有一個(gè)狀態(tài)vxij，一個(gè)恒定的輸入vuij，一個(gè)輸出vyij，門(mén)限I。標準CNN的狀態(tài)方程可用下述一階非線(xiàn)性微分方程描述：

 
　　其中，1≤i≤M，1≤j≤N。α，β，I，Eij為大于0的常數。vukl表示C(i，j)鄰近元胞的輸入，vykl表示C(i，j)鄰近元胞的輸出，A(i，j；k，l)表示C(k，l)的輸出與C(i，j)的聯(lián)接權，B(i，j；k，l)表示C(k，l)的輸入與C(i，j)的聯(lián)接權。式(3)表示輸出與狀態(tài)的關(guān)系。

　　CNN網(wǎng)絡(luò )動(dòng)態(tài)系統只要滿(mǎn)足下面能量函數有界，就能達到穩定，即：

　　那么每個(gè)元胞經(jīng)過(guò)暫態(tài)衰減后，一定能落在穩定狀態(tài)，并且所有穩定點(diǎn)幅值都大于1，即：

　　其中，1≤i≤M，1≤j≤N。根據式(10)，CNN就可用在二值圖像或有二值輸出的圖像中去。

　　不難看出，元胞神經(jīng)網(wǎng)絡(luò )中元胞的排列與圖像的像素相同，這一點(diǎn)很適合用作圖像的處理。選擇與圖像規模相等的網(wǎng)絡(luò )，將圖像的每個(gè)像素映射到元胞神經(jīng)網(wǎng)絡(luò )的每個(gè)元胞。以灰度分辨率為L(cháng)=2k(k為整數)，空間分辨率為M×N的圖像為例，用CNN進(jìn)行處理。把像素的灰度值作為元胞的輸入。根據式(4)的約束條件，首先要解決像素從0～L-1到-1～1之間的映射。其次，為了便于計算機處理，要將微分方程(1)的計算用差分方程來(lái)代替，將連續的時(shí)間離散化，然后對邊界條件和模版參數初始化。一般選擇邊界為0，各個(gè)元胞的初始狀態(tài)一般也確定為0。在保持網(wǎng)絡(luò )穩定的條件下，不同的模板參數可以完成不同的圖像處理功能。以邊緣檢測為例，取參數α=β=1，根據結構的對稱(chēng)性以及只考慮元胞自身輸出反饋回來(lái)的情況，一般取為a=2，b=8，d=1，I=-0.5。網(wǎng)絡(luò )穩定后的輸出為1或-1。再將{-1，1}映射到{0，255}上，-1對應于白色255，1對應著(zhù)黑色0。這就完成了對圖像的處理。

　　用Matlab程序實(shí)現CNN處理圖像的基本步驟為：

　　(1)讀入待處理圖像，將圖像轉化成256×256大小，灰度級為256的圖像；

　　(2)把像素的灰度值映射到[-1，1]之間；

　　(3)對像素的初始狀態(tài)、模板參數及初始輸出進(jìn)行初始化；

　　(4)將(2)的灰度值作為輸入，利用式(1)和式(2)分別計算各元胞的狀態(tài)與輸出；

　　(5)判斷各元胞的穩定性，若滿(mǎn)足穩定條件則停止循環(huán)，否則轉到步驟(4)繼續循環(huán)迭代；

　　(6)網(wǎng)絡(luò )所有元胞均收斂穩定，停止循環(huán)；

　　(7)將輸出結果映射到{0，255)上，輸出或顯示圖像。

　　3 仿真實(shí)驗與分析

　　?？毡尘跋碌哪繕说奶卣魈崛∨c檢測，一直都是研究熱點(diǎn)，難度較高。因為背景比較復雜，受影響的因素較多，包括能見(jiàn)度、光照、云層、煙霧、海浪、海鳥(niǎo)、山峰和建筑物等?？罩心繕艘话闼俣缺容^快，運動(dòng)參數不易捕捉，如果加上云霧、能見(jiàn)度和光照的影響，超低空目標還受海鳥(niǎo)、海浪等的影響，檢測的難度就加大了；海上目標速度稍慢，但連綿起伏的海浪、光的反射、云霧等的影響不容忽視，成像的信噪比會(huì )隨著(zhù)浪高、距離、能見(jiàn)度的變化而變化。加上傳感器的性能等的因素使得獲取的目標光電圖像的信噪比難以達到所需檢測概率和虛警概率的要求。這就要求圖像處理方法能夠有較好的抗噪性，能保持目標的完整性和細膩性，便于后續的精確計算，方便濾波、制導和跟蹤等。

　　邊緣檢測是目標特征提取中重要的一步。目前邊緣檢測的方法有很多種，如Robert算子、Sobel算子、Laplacian算子、Kirsh算子、Prewitt等各種檢測算子，形態(tài)學(xué)以及后來(lái)出現的分形法，神經(jīng)網(wǎng)絡(luò )法，小波理論及遺傳算法等。CNN是邊緣檢測的一種新方法，以上這些方法都有各自的方法特點(diǎn)和應用范圍。由于CNN處理圖像的模式是將元胞與像素一一對應，利用元胞之間非線(xiàn)性的耦合性，通過(guò)設置不同功能的模板參數，網(wǎng)絡(luò )經(jīng)過(guò)一段動(dòng)態(tài)的訓練后收斂到穩定的狀態(tài)。這樣能較好地保證圖像的完整性，保持細節部分不被丟失，很適合對?？毡尘暗膱D像處理。

　　以邊緣檢測為例，為了清晰地看清CNN對?？漳繕藱z測的效果，可以從三個(gè)仿真實(shí)驗來(lái)進(jìn)行：其一用CNN對帶有噪聲的圖像進(jìn)行去噪和目標檢測；其二是橫向比較，即將CNN與傳統的一些方法對同一幅圖像進(jìn)行目標邊緣檢測來(lái)比較；其三是縱向比較，即用CNN對不同種情況下的目標進(jìn)行邊緣檢測。

　　實(shí)驗1 對輸入圖像加入均值為0，方差為0.05的椒鹽噪聲。先用CNN實(shí)現中值濾波(具體方法在此不作敘述)，然后再用CNN進(jìn)行檢測。如圖3所示，可以看出，帶有噪聲的圖像，目標已經(jīng)很模糊了，經(jīng)過(guò)CNN的處理后，目標邊緣部分依然被較完整地檢測出來(lái)。

　　實(shí)驗2 分別用CNN、Sobel算子、Canny算子、形態(tài)學(xué)來(lái)對一幅云層中的飛機進(jìn)行邊緣提取，效果如圖4所示。

　　實(shí)驗3 用CNN分別對云層中的飛機和海上的船只圖像進(jìn)行邊緣提取，效果如圖5所示。

　　從這幾幅圖處理的效果可以看出：用Sobel算子只把圖中的主要邊緣提取出了，損失了一些細節邊緣，因為他是通過(guò)兩個(gè)方向上的模板來(lái)對圖像進(jìn)行處理，對水平和垂直方向的邊緣響應要大，且他受噪聲的影響較大；Canny算子幾乎把圖中的強弱邊緣都提取出來(lái)了，是最優(yōu)的階梯型邊緣檢測算子，但只對受到白噪聲影響的階躍型邊緣是最優(yōu)的；形態(tài)學(xué)作邊緣檢測對細節和邊緣都有很好的保留作用，但是與結構元素的選取有關(guān)；前三者共同的特點(diǎn)就是檢測速度快，但在硬件實(shí)現方面意義不大；而元胞神經(jīng)網(wǎng)絡(luò )提取的邊緣與前面的方法相比，差別不大，但強弱邊緣提取得更加細膩，清晰，邊緣連續性和完整性好，還可以通過(guò)調節模板參數，使提取的效果更佳。

　　通過(guò)上面的仿真實(shí)驗，可以看出CNN在對?？漳繕说倪吘墮z測的完整性和細膩方面具有一定的優(yōu)勢。他的更大的優(yōu)點(diǎn)是適合硬件實(shí)現，能夠高速并行計算，耗時(shí)短(在硬件方面才能體現，軟件不能)，在圖像實(shí)時(shí)處理方面有很好的應用，因此用于對?？漳繕藢?shí)時(shí)檢測、識別和跟蹤，尤其是對速度快、機動(dòng)頻繁的目標，具有顯著(zhù)優(yōu)勢。本算法的不足之處，在于網(wǎng)絡(luò )的模板參數的選取不一定是最佳的，這可以通過(guò)很多方法來(lái)改進(jìn)。例如遺傳算法，自適應算法，還有粒子群優(yōu)化等方法都可以針對具體的應用來(lái)找到最佳的控制模板參數。

　　4 結 語(yǔ)

　　本文主要描述了元胞神經(jīng)網(wǎng)絡(luò )的結構、工作原理和他用于圖像處理的基本思想，并給出了用Matlab編程實(shí)現仿真的步驟，然后將CNN處理不同?？毡尘跋碌哪繕说男ЧM(jìn)行實(shí)驗仿真，分析各個(gè)方法處理效果的優(yōu)缺點(diǎn)，得出了：元胞神經(jīng)網(wǎng)絡(luò )在處理低信噪比圖像，例如復雜?？毡尘跋碌墓怆娔繕藞D像方面具有較大優(yōu)勢，適用于軍事上的目標檢測、特征提取等應用。本文不足之處是沒(méi)有對CNN進(jìn)行圖像處理的原因實(shí)質(zhì)做出分析，這是文章后續要開(kāi)展的工作。