本文提出一种彩色图像车牌定位方法(LPLCCED). 首 先利用细胞神经网络(CNN)模型导出一种与车牌颜色特征相结合的车牌定位专用边缘检测算法, 将车牌的颜色对约束条件融 合到边缘检测算法中, 本专用边缘检测算法可以大大缩小车牌初步定位的范围. 接下来提出一种针对车牌特征的边缘滤波算 法, 最后根据车牌结构和纹理特征对候选区域进行判别验证. 该流程的各个环节都可以通过硬件实现,

利用细胞神经网络(CNN)模型导出了一种新的彩色图像边缘检测算法。为了充分利用图像中的颜色信息, 在RGB 彩色空间中用Mahalanobis 距离来度量象素之间的差异。为了解决常规边缘提取方法输出二值结果的缺点, 采用可以多值输出的CNN 来进行彩色图像边缘检测。通过Mahalanobis 距离对灰度CNN 度量象素差异的方式进行改进, 使其可以在RGB 彩色空间中进行运算。通过与Sobel、Log 和Canny 等几种边缘检测算子比较, 可以看出新方法的结果更加符合人眼的感知。此外, 在含有

针对彩色图像双边滤波去噪方法存在的不足, 本文提出一种边缘检测与双边滤波相结合的彩色图像去噪方法. 首先利用细胞神经网络( CNN) 模型导出一种新的彩色图像分块自适应边缘检测算法, 继承了CNN 灰度边缘检测算法定位准确的优点, 又弥补了CNN 现有算法不能直接处理彩色图像的空白. 接下来提出一种针对图像增强的边缘滤波算法, 通过两级边缘检测满足去噪不同阶段对边缘检测的不同要求. 在此基础上, 用改进的双边滤波器对彩色图像进行去噪, 通过非抗噪边缘图对噪声范围进行定位, 以缩小双边滤波的范围,

细胞神经网络具有局部互联结构和高速并行处理的能力, 被广泛应用于图像处理. 然而, 一方面, 现有处理方法大多采用固定模板, 在处理实际复杂图像时难以得到较好的效果. 另一方面, 因传统CMOS 工艺发展瓶颈, 利用其实现大规模细胞神经网络变得不切实际. 本文首先以人眼感知原理为基础, 考虑图像中各个像素空间分布的影响, 提出了一种新型阈值自适应算法, 其克服了传统边缘提取算法的局限性. 利用具有独特开关转换机制、非易失性和纳米级尺寸等优点的新型非线性两端电路元件忆阻器来解决CNN 的硬件实现难