离散过程神经网络和CGA相融合的边缘检测.doc

离散过程神经网络和CGA相融合的边缘检测 　　摘要：针对图像处理中的边缘检测问题，提出一种基于离散过程神经网络（DNPP）与混沌遗传算法（CGA）相融合的模型和算法。DNPP的输入可以直接为数据矩阵，实现二维图像关联信息网格化的整体输入和处理。以图像网格灰度值作为DPNN处理数据集合，利用Sobel算子检测的技术原理和DPNN的判别能力，实现图像边界线的自动辨识和追踪。文中给出基于混沌遗传搜索的DNPP求解算法，以油田地震数据体切片中砂体的识别和追踪为例，实际资料处理结果验证了检测模型和算法的有效性。 　　关键词：图像处理；边缘检测；离散过程神经网络；混沌遗传算法；砂体识别和追踪 　　中图分类号：TP183文献标识码：A 　　Abstract：In view of the edge detection problems in image processing， this paper proposed a detection model and algorithm based on the combination of discrete process neural network （DPNN） and chaotic genetic algorithm（CGA） . Inputting DNPP can be the data matrix， which can realize the goal of inputting as well as processing the twodimensional image correlation gridding information integrally. Putting image grey value as DPNN processing data collection and using the technology principle of Sobel operator detection as well as the recognition ability of DPNN， it can reach the goal that the image border line can identify and track automatically. Taking the identification and tracking of the sand body in the oil field seismic data for example， the results show the DNPP algorithm based on the chaos genetic search is effective in detecting model and algorithm. 　　Key words：image processing；edge detection；discrete process neural networks；chaos genetic algorithm；sand body tracking and identification 　　1引言 　　近年来，随着智能信息处理技术的快速发展和应用范围的不断扩大，面向图像处理技术领域，已有多种智能算法得到有效应用，例如，人工神经网络[1，2]、遗传算法[3]、蚁群算法[4]、粒子群算法[5]等，为图像数据中边缘检测方法和技术的创新提供了新的理论和算法基础。离散过程神经元网络[6]（Discrete Process Neural Network，DPNN）是近几年提出的一种新型动态神经网络模型，其输入可直接为数据矩阵，即能实现二维图像网格数据的整体输入。在实际应用中，将图像区域进行适当的网格划分，以图像网格灰度值作为DPNN处理数据集合。根据Sobel算子[7]检测的技术原理和DPNN模型构建数据结构，利用DPNN的信息处理机制，自适应实现图像区域中边界线的自动辨识和追踪。 　　将基于DPNN的图像边缘检测算法应用于油田地质研究中，在进行地震数据体砂体识别和追踪时，以相邻两井地震数据体二维切片为图像区域，以连井剖面地震数据体切片分块网格的灰度图像值作为DPNN处理数据集合，引入Sobel算子，将算子在X方向和Y方向上相邻的3×3分块图像灰度值进行整体输入，以保证输入图像信息的结构性和完整性。同时，利用混沌遗传算法（Chaos genetic algorithm，CGA）的全局优化能力，对DPNN的权值矩阵进行优化求解，建立基于DPNN和CGA相结合的边缘检测算法，在机制上对砂体识别和边缘界线展布追踪具有较好的适应性。 　　2离散过程神经网络基本模型 　　离散过程神经网络的输入/输出、连接权等均