一种用细胞神经网络提取干涉条纹中心的新方法

　　1　引　言

　　光干涉测量技术的应用极为广泛,并已经成为长度计量测试的主要手段之一。干涉测量是通过计算机图像采集装置所得到的干涉条纹图像对被测物理量进行定量分析与计算的,因此,如何对干涉条纹精确定位是准确获得待测物理量信息的关键。由于在干涉测量中所获得的原始干涉条纹图像受到背景噪声等因素的影响,因此在实际应用中很难确定出干涉条纹的准确位置及条纹的级次。

　　近年来数字图像处理技术已经广泛应用于干涉测量中,一般要对干涉条纹图像依次进行滤波消噪、图像增强、图像二值化、条纹细化、骨架提取、条纹修补及光滑等一系列数字图像处理工作,这种方法需要的计算量大,处理步骤多,并且是串行运算,所以现有的干涉条纹图像处理方法已不适于快速实时干涉测量技术的需要。

　　针对以上问题本文提出了一种采用细胞神经网络(CNN)来提取干涉条纹中心的新方法。CNN对输入图像进行并行处理并以连续方式转换为输出图像,因此可以实时地处理图像,同时CNN的最近邻细胞的相互作用特性使它有利于超大规模集成电路(VLSI)硬件的实现,该方法能快速准确地提取干涉条纹的中心,克服了传统方法的不足,提高了实验中实时处理干涉测量数据的能力。

　　2　细胞神经网络

　　细胞神经网络(CNN)是一个实时处理信号的大规模非线性模拟电路,它是基于生物神经学以及适用于集成电路的某些特点而提出的计算模型,CNN 的异步并行处理、连续时间动力学和网路元件的局部互连特点使其适用于VLSI的实现,克服了传统方法的串行运算特点,CNN已经在信号处理、图像处理等领域获得了成功应用[1,2]。

　　CNN的基本单元称为细胞,每个细胞由1个线性电容、1个非线性压控电流源和几个线性电阻元件构成。一个有M行N列的CNN由M×N个细胞组成,其中的任何一个细胞仅与它的最近邻细胞相连。图1所示是一个4×4规模的二维CNN,方块表示电路的单元,即细胞;细胞之间的连线表示所连接的细胞之间的相互作用。第i行第j列的细胞称为c(i,j),它的半径为r的近邻细胞Nr(i,j)定义为:Nr(i,j) = {c(k,l) |max[|k-i|, |l-j|]}≤r

式中,r是一个正整数,通常我们称r=1的近邻系统为“3×3近邻”。由式(1)定义的近邻系统呈现对称性,即如果c(i,j)∈Nr(k,l),那么同时也就有c(k,l)∈Nr(i,j)。

　　一个标准的M×N个细胞组成的CNN阵列中的每一个细胞c(i,j)都有一个状态变量xij、一个恒定的外界输入uij和一个输出yij,每一个细胞的动态过程可用下述一阶非线性微分方程描述: