1、圖像邊緣包含圖像最重要的特征，邊緣提取是模式識別，人臉識別，圖像分割等后續(xù)復雜圖像處理的基礎。隨著物聯(lián)網(wǎng)，大數(shù)據(jù)的普及，圖像復雜度也隨之增加，已有灰度圖像邊緣提取算法在處理復雜的彩色圖像存在缺陷。一方面，傳統(tǒng)梯度邊緣提取算法計算簡便，但存在自適應性低且抗噪性能差等缺點，在傳統(tǒng)梯度邊緣提取中加入復雜學習算法可在一定程度上提高算法的自適應性及準確度，卻由于算法復雜度高和數(shù)據(jù)量過于龐大，為硬件實現(xiàn)帶來了巨大挑戰(zhàn)；另一方面，在處理彩色圖像時，大

2、多數(shù)現(xiàn)有的邊緣提取算法先進行彩色圖像轉(zhuǎn)化為灰度圖像的預處理，經(jīng)過預處理的圖像丟失了色彩信息，造成提取邊緣精度下降，無法全面反映圖像特征。所以亟待提出一種自適應能力強，準確度高且硬件容易實現(xiàn)的彩色圖像邊緣提取算法。細胞神經(jīng)網(wǎng)絡（Cellular neural network，CNN）作為一種高速并行處理實時信號的系統(tǒng)，憑借硬件易實現(xiàn)的優(yōu)勢在圖像處理中得以廣泛應用，引入納米級尺寸元件：憶阻器，為細胞神經(jīng)網(wǎng)絡的硬件設計注入了新的活力，有望解決

3、網(wǎng)絡中因神經(jīng)元數(shù)量劇增帶來的硬件實現(xiàn)難題。本文提出一種改進傳統(tǒng)細胞神經(jīng)網(wǎng)絡邊緣提取算法：分別提取彩色圖像的紅，綠，藍三種顏色分量邊緣再合并；算法中融合人眼識別特性和像素空間分布影響因子，提高邊緣提取的自適應能力同時大幅度增強邊緣提取的準確性。文章圍繞彩色圖像邊緣提取展開，內(nèi)容可分為以下幾部分：
　　首先，為了解決CNN受現(xiàn)有CMOS管等硬件尺寸限制，電路搭建的神經(jīng)元數(shù)量無法進一步增加的難題。引入納米級元件憶阻器，該器件具有阻值連續(xù)

4、可變，功耗低，非易失性和快速開關轉(zhuǎn)換率等優(yōu)勢，可用于模擬生物神經(jīng)元間的突觸連接。本文提出一種憶阻細胞神經(jīng)網(wǎng)絡（Memristor-Cellular neuralnetwork，M-CNN）。一方面，該網(wǎng)絡中CNN中的線性電阻被憶阻器代替；另一方面，用憶阻器交叉陣列結(jié)構(gòu)作為突觸來實現(xiàn)CNN中的控制和反饋模板，進一步縮小CNN電路尺寸。文章詳細描述了M-CNN的數(shù)學模型和憶阻細胞單元電路結(jié)構(gòu)；對提出憶阻交叉陣列結(jié)構(gòu)突觸進行分析說明，同時從數(shù)

5、學理論上分析了M-CNN的穩(wěn)定性和容錯性，將時域連續(xù)的M-CNN離散化用于圖像處理。
　　其次，為了改善邊緣提取算法自適應差和準確度低的缺點，提出一種全新的基于M-CNN的閾值自適應彩色圖像邊緣提取算法。算法中結(jié)合人眼在亮度和色彩上的識別特性，考慮像素空間分布的影響，設計基于顏色差值的自適應模板，增強M-CNN在彩色圖像處理中的自適應性和邊緣識別準確度。將提出的算法與傳統(tǒng)的邊緣提取算法進行對比，通過數(shù)值仿真觀測邊緣提取結(jié)果并計算對

6、應邊緣圖像的FOM(Figure of Merit)值，從主觀判斷和客觀評價充分驗證了算法的有效性。為了進一步證實算法的抗噪性能，在數(shù)值仿真中加入隨機噪聲來模擬實際處理中受到的噪聲影響，計算仿真結(jié)果的峰值信噪比(PNSR)，證實了以M-CNN為處理工具的基于像素空間分布的閾值自適應算法在彩色圖像邊緣提取中的魯棒性更強。
　　最后，為了彌補彩色邊緣提取中色彩信息的丟失，將單層M-CNN拓展到三層M-CNNs，每一層分別處理彩色圖像的