基于CNN奶牛數(shù)字圖像邊緣提取的研究與應(yīng)用.pdf

1、奶牛數(shù)字圖像邊緣提取是奶牛體型線性評(píng)定的前提,是最迫切解決的問題之一。邊緣是圖像最基本的特征之一,是提取特征參量、識(shí)別物體的基礎(chǔ),是圖像局部亮度變化最顯著的部分,邊緣廣泛存在于目標(biāo)與目標(biāo)、目標(biāo)與背景、區(qū)域與區(qū)域、色彩與色彩之間,邊緣是兩種或多種不同區(qū)域?qū)傩缘慕唤缣?。因其廣泛存在的不確定性和大量突變信息,使其成為圖像中蘊(yùn)含信息最豐富的地方。
　　 為了提取精確的奶牛圖像邊緣,提高奶牛體型線性評(píng)定工作的水平,本文將細(xì)胞神經(jīng)網(wǎng)絡(luò)(Ce

2、llular Neural Networks,CNN)應(yīng)用到奶牛數(shù)字圖像的邊緣提取中。首先,采用三個(gè)CCD攝像機(jī)同時(shí)采集奶牛正前方、正側(cè)面和正后方三個(gè)方向的圖像,作為奶牛邊緣提取的原始圖像,經(jīng)圖像采集卡數(shù)字化后輸入計(jì)算機(jī)；其次,對(duì)采集到的奶牛數(shù)字圖像進(jìn)行預(yù)處理(以正側(cè)面圖像為例),對(duì)奶牛數(shù)字圖像進(jìn)行濾波和對(duì)比度增強(qiáng)(線性灰度變換、直方圖均衡化)。通過對(duì)Robert算子、Sobel算子、Prewitt算子、Laplace算子、Log算子和

3、Canny算子各經(jīng)典算法的研究,用五種邊緣提取算子分別對(duì)奶牛數(shù)字圖像進(jìn)行仿真,總結(jié)出邊緣提取效果最佳時(shí)各個(gè)算子的閾值以及標(biāo)準(zhǔn)偏差值；然后,將細(xì)胞神經(jīng)網(wǎng)絡(luò)應(yīng)用到奶牛數(shù)字圖像處理中,針對(duì)細(xì)胞神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn),對(duì)灰度圖像像素值進(jìn)行調(diào)整,使其滿足CNN算法的輸入范圍。再根據(jù)奶牛數(shù)字圖像的實(shí)際問題確定出CNN算法的反饋模板A、控制模板B和閾值Z的值；針對(duì)CNN算法中邊界細(xì)胞在與模板A和B作卷積運(yùn)算時(shí),模板中的某些元素將找不到與邊界細(xì)胞相對(duì)應(yīng)的細(xì)

4、胞,本文應(yīng)用了“增大法”和“縮小法”兩種方法,很好地解決了細(xì)胞邊界問題；最后,用MATLAB語言編程分別實(shí)現(xiàn)基于CNN的奶牛二值和灰度圖像的邊緣提取算法,分別提取出奶牛的二值圖像邊緣和灰度圖像邊緣。
　　 通過對(duì)Robert算子、Sobel算子、Prewitt算子、Log算子和Canny算子各經(jīng)典算法提取出來的奶牛圖像邊緣與CNN算法所提取的邊緣相比較,得出應(yīng)用了細(xì)胞神經(jīng)網(wǎng)絡(luò)提取的奶牛數(shù)字圖像邊緣連續(xù)性更好、更清晰、定位精度更高