錄用一年了，還沒有刊出，看的人太少，宣傳一下  以下是引言
從大禹采取疏導治水的方法[1], 到排水系統(tǒng)[2], 再到化工流體設計[3]; 從踏板紡織機[4], 到吉姆斯·瓦特[5]的離心調速器, 再到機械臂[6]; 從算盤, 到布萊斯·帕斯卡爾等[7]的齒輪驅動計算, 再到William Shockley等[7]的晶體管電路. 前述的或相似的, 每種方法或設備的運用, 都為人類生產、生活帶來巨大效率提升及能耗降低. 這些進步都源于各位先賢對事物自然規(guī)律更加深刻的認知, 以及將這些規(guī)律巧妙運用. 有時進步, 是新的自然規(guī)律發(fā)現(xiàn)及應用; 有時進步, 是多種事物, 根據(jù)自身不同規(guī)律, 按照特定流程巧妙地組合為的復雜系統(tǒng)[8]. 讓其按照時間順序自動化運行, 從而完成目標任務. 人類創(chuàng)建的自動化運行的復雜系統(tǒng), 除了由人按自身心理、行為規(guī)律構建的社會系統(tǒng)[9], 還有由物體構建的各種自動化系統(tǒng)[5].
目前的計算機是, 在馮·諾依曼體系結構[10]下, 按照脈沖時間順序, 進行二進制布爾運算[7]的電子自動化系統(tǒng). 計算機, 不僅能按人類給定的程序, 高效完成各種復雜的十進制數(shù)學運算, 還能模擬事物的自然規(guī)律變化, 甚至能構建一個虛擬的平行系統(tǒng)[11]. 在這虛擬的平行系統(tǒng)里, 人們完成了各種圖形圖像的產品和工程設計, 甚至創(chuàng)造出了比現(xiàn)實更美妙的音樂、影像. 計算機對圖像處理和圖像識別的應用, 催生出各種算法. 邊緣檢測是圖像分析處理的第一步, 主要是提取形狀的重要特征信息[12-13]. 邊緣檢測也是視覺通過水平細胞抑制作用處理的重要步驟[14]. 邊緣檢測后, 圖像會生成很多線性交點. 如果交點作為特征點, 在圖像識別、圖形定位、三維重構中應該會有較大應用價值. 目前的圖像邊緣檢測, 在視角和光照變化影響下, 交點位置變化較大. 邊緣檢測最大缺點是對紋理和圖像層次信息損失非常大.
1980年, Fukushima根據(jù)生物學家Huble和Wiesel的層級模型, 產生了由輸入層、卷積層、池化層、全連接層及輸出層構成的CNN神經網(wǎng)絡[15]. CNN神經網(wǎng)絡, 使得機器學習方法下的圖像識別技術得到重大進展. 然而, 機器學習和圖像處理算法, 并不符合動物記憶特性, 也不符合計算機的布爾運算規(guī)則. 圖像學習和處理過程中, 需要消耗大量的數(shù)據(jù)資源和計算資源. 目前, 符合計算機布爾運算的并在CAD等平面設計軟件中應用的, 二維圖形處理算法, 是基于交點遍歷的算法和簡單片鏈算法[16-17].
其實早在20世紀40年代末, 馮·諾依曼就提出了適合大型并行運算的、符合布爾邏輯運算的元胞自動機模型方法[18]. 經過多年, 元胞自動機發(fā)展出類似于數(shù)學形態(tài)學腐蝕、膨脹的布爾邏輯規(guī)則[19-23], 用于圖像處理. 對于二值圖像的邊緣檢測, 和采用坐標邏輯把灰度圖像分解成多個不同坐標系的二值圖像后用CA并行處理, 獲得了很好的實驗結果[19,21]. 文獻[24]運用不同的元胞自動機規(guī)則逐級加密生成水印圖像, 有效克服了部分水印算法在安全性方面存在的不足. 元胞自動機不僅廣泛用于圖形圖像處理, 它對空間和時間劃分方法, 對于物理擴散現(xiàn)象研究也具有啟發(fā)性意義[18,25]. 本文嘗試, 根據(jù)Margolus[18]鄰域元胞自動機模型二維網(wǎng)格劃分方法, 運用布爾邏輯的脈沖運算規(guī)則, 采用CNN神經網(wǎng)絡分層結構, 對圖形進行邊緣檢測和進一步的研究.
下載地址：https://kns.cnki.net/KCMS/detail ... .html#opennewwindow 返回小木蟲查看更多