臺灣博碩士論文加值系統

脈衝耦合類神經網路(Pulse Coupled Neural Network，簡稱PCNN)是一種精進於傳統人工神經網絡的新型神經網絡，它是1990年Eckhorn根據猫、猴等動物的大腦視覺皮層上的同步脈衝發放現象提出的，其相關研究持續發展至今已可廣泛應用在圖像處理、目標辦別、求解最小路徑研究及決策優化等。圖像分割技術在PCNN圖像處理研究中，具有相似輸入的神經元同時發生脈衝，對於圖像中些許不連貫及範圍不明顯的變化輸入端具備極為有效的彌補，從而較完整地保留圖像的區域訊息，這是圖像分割技術的強項。但是用PCNN對圖像進行分割時存在著循環疊代次數無法確定的問題。文中依據一種判斷PCNN圖像自動波傳播的技術，通過多次實驗發現這種方式對於相連紅血球的分割效果較差以及對於非紅血球的微小顆粒亦未完全濾除等缺點。
本文為改善上述缺點提出另一種處理方式，可經由PCNN邊緣檢測技術結合霍夫圓(Hough Circle)偵測方式，在進行多次實驗及改進後，優於原PCNN圖像分割技術，能確實達到分離相連的紅血球及濾除微小顆粒的目的，更為符合人眼目視後的結果，在計數紅血球數目正確性具有顯著效果。

Pulse coupled neural network (Pulse Coupled Neural Network, PCNN) is a new neural network evolved from traditional artificial neural network. and issued in1990 by Eckhornin accordance withthe sync pulse phenomenon of visual cortex of cats, monkeys and other animals.Related research and sustained developments have been widely used in image processing, target recognition, minimum path, and decision optimization. Image segmentation in the study of PCNN image processing technology, with similar neuronal input pulses occur simultaneously, for the image a little choppy and range obvious change inputs have a very effective remedy in order to retain a more complete picture regional information, which is the strength of image segmentation techniques, but when used PCNN image segmentation exist cycles of iterations can’t determine the problem.Through several experiments, PCNN image automatically wave propagation technology is found to be poor for segmentation of overlapped red blood cells and filter of small particles.
In order to improve the above disadvantages, this paper proposes another way of thinking,PCNN edge detection technology can becombined with Hough circle detection.After conducting several experiments, results show that this method is superior to the original PCNN image segmentation.It can indeed achieve the separation of overlapped red blood cells and to filter out tiny particles.Soit is more in line with human eyes visually in counting the number of red blood cells.

謝辭
中文摘要
Abstract
總目錄
圖目錄
表目錄
第1章 緒論
1-1 背景與動機目的
1-2 論文架構
第2章 相關研究
2-1 圖像前置處理
2-1-1 圖像灰階化
2-1-2 交叉熵閾值
2-1-3 二值化
2-1-4 數學形態學
2-2 邊緣提取檢測方式
2-2-1 Roberts邊緣提取檢測
2-2-2 Sobel邊緣提取檢測
2-2-3 Prewitt邊緣提取檢測
2-3 類神經網路
2-3-1 脈衝耦合類神經網路介紹
2-3-2 PCNN 離散數學式介紹
2-3-3 PCNN血球細胞圖像分割技術
2-3-4 PCNN圖像分割技術-血球細胞計數之改善
2-4 分水嶺圖像分割技術
2-4-1 傳統分水嶺分割
2-4-2 分水嶺式的影像區域分割法
2-4-3 分水嶺血球細胞圖像分割
2-5 本章小結
第3章 血球細胞計數方法
3-1 血球細胞計數上的難題
3-2 圖像前置處理
3-2-1 圖像灰階化
3-2-2 最小交叉熵閾值
3-2-3 PCNN二值化分割技術
3-3 PCNN邊緣提取檢測
3-3-1 PCNN邊緣提取數學式
3-3-2 PCNN邊緣提取改進方法
3-4 霍夫圓偵測技術
3-4-1 結合PCNN邊緣提取及霍夫圓偵測
3-4-2 問題一-圖像中未完整血球細胞計數
3-4-3 問題二-npeaks需預先設定
3-4-4 問題三-半徑範圍的制定
3-5 霍夫圓偵測法改善方案
3-5-1 改善霍夫圓偵測法問題一的方式
3-5-2 改善霍夫圓偵測法問題二的方式
3-5-3 改善霍夫圓偵測法問題三的方式
3-6 本章小結
第4章 實驗與分析
4-1 實驗環境
4-2 PCNN邊緣提取+霍夫圓偵測法偵測血球細胞
4-3 血球細胞計數方法之結果比較及分析
4-4 本章小結
第5章 結論與未來工作
5-1 研究結論
5-2 未來研究方向
參考文獻

圖目錄
圖 1 灰度分佈圖
圖 2 二值化分割圖
圖 3 2*2權重矩陣
圖 4 3*3權重矩陣
圖 5 各邊緣提取檢測法結果比較圖
圖 6生物神經架構
圖 7 類神經網路架構圖
圖 8 PCNN神經元模型圖
圖 9 PCNN神經元脈衝原理圖
圖 10 血球細胞灰階原圖
圖 11 血球細胞計數
圖 12 PCNN血球細胞圖像分割計數流程
圖 13 PCNN血球細圖像分割過程
圖 14 血球細胞計數示意圖
圖 15 自動波反向傳播後圖像
圖 16 血球細胞去除雜訊流程圖
圖 17 血球細胞原圖
圖 18 去噪尋找邊界
圖 19 去除雜訊
圖 20 血球細胞計數
圖 21 區域、局部最小值和分水嶺
圖 22 (左)二維的例子、(右)水流和分水嶺
圖 23 血球細胞分水嶺分割效果圖
圖 24 血球細胞計數流程
圖 25 圖像前置處理流程
圖 26 血球細胞圖像灰階化
圖 27 單脈衝輸出情況下的神經元點火原理
圖 28 輸出二值化分割圖
圖 29 PCNN邊緣提取動態閾值之各衰減係數比較
圖 30 圓的參數圖像
圖 31 血球細胞原圖
圖 32 PCNN邊緣提取方式所擷取的二值化圖像
圖 33 霍夫圓偵測之血球計數一
圖 34 計數10個血球細胞(計數不足)
圖 35 計數80個血球細胞(計數過度)
圖 36 霍夫圓偵測半徑設定後血球計數
圖 37 預估圖像中血球細胞數量
圖 38 擴大圖像範圍程式描述
圖 39 霍夫圓檢測血球計數二
圖 40 npeaks=68設定下的血球計數
圖 41 編號31圓之平均灰階值
圖 42 設定灰階閾值血球細胞計數
圖 43 圓半徑設定後血球細胞計數
圖 44 半徑算法示意圖
圖 45 血球細胞方形遮罩圖
圖 46 霍夫圓檢測血球計數三
圖 47 血球細胞偵測圖
圖 48 血球計數結果圖表分析一
圖 49 血球計數結果圖表分析二
 
表目錄
表 1 血球細胞平均灰階值表
表 2 血球細胞計數比較表

參考文獻
[1]馬義德，李廉及綻琨等，「脈衝耦合神經網絡與數字圖像處理」，北京：科學出版社，2008。
[2]連國珍，「數位影像處理MATLAB」，儒林出版社，2007。
[3]http://zh.wikipedia.org/wiki/YUV
[4]Serra J, “Image Analysis and Mathematical Morphology,” Vol.2 [M].,New York:Academic Press, 1988.
[5]Lindebergand Tony, “Edge detection and ridge detection with automatic scale selection,” International Journal of Computer Vision, 30, 2, pp 117-154, 1998.
[6]謝邦昌及邱志洲，「類神經網路分析(Neural Network Analysis)」，曉園出版社，2000。
[7]http://wiki.mbalib.com/zh-tw/人工神經網路
[8]羅華強，「類神經網路-MATLAB的應用」，高立圖書有限公司，2011。
[9]ECKHORN R, REITBOECK H J, ARNDT M, andetal.,“A neural network for feature linking via synchronous activity: results from cat visual cortex and from simulations [M],” Cambridge: Cambridge University Press, 1989:255-272.
[10]LucVincent and Pierre Soille, “An efficient algorithm based on immersion simulations,” In IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 13, Num. 6, pages 583-598, 1991.
[11]L. Najman and M. Schmitt, “Geodesic saliency of watershed contours and hierarchical segmentation,” In IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 18, Num. 12, pages 1163-1173, 1996.
[12] G. Bertrand,“On topological watersheds,” Journal of Mathematical Imaging and Vision, 22(2-3), pages 217-230, 2005.
[13]Wang Hong-mei,Zhang Ke,and Li Yan-jun,“Image segmentation method based on PCNN [J],” Opto-Electronic Engineering, 2005, 32(5): 93-96.
[14]Zhang Yu-jin,“A classification and comparison of evaluation techniques for image segmentation [J],” Journal of Image and Graphics, 1996,1(2): 151-158.
[15]顧曉東，程承旗及余道衡，「基於PCNN的二值圖像細化新方法」，計算機工程與應用，2003(13)：5-6.28。
[16]DI Lan and LIN Yi,“An algorithm for image edge detection using improved PCNN [C],”In IEEE International Conference on Granular Computing. 2009: 136-139.
[17]DudaR.O. and HartP.E., “Use of the Hough transform to detect lines and curves in pictures,” CACM, 1972, 15(1): pp. 11-15.
[18]http://www.lasurfista.com/category/healthy-livin/
[19]江孟霆，「應用主體與背景的相對關係之除雜訊方法」，私立輔仁大學資訊工程所碩士論文，2013。
[20]蘇昱瑋，「脈衝耦合神經網路與影像強化技術於車牌定位應用」，私立輔仁大學資訊工程所碩士論文，2013。