Ứng dụng công nghệ mạng nowrron tế bào vào bài toán dò biên ảnh

ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG

LÊ VĂN THỦY

ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO
VÀO BÀI TOÁN DÒ BIÊN ẢNH

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH
VÀ CÔNG NGHỆ THÔNG TIN

THÁI NGUYÊN - 2013

Số hóa bởi trung tâm học liệu

/>

ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG

LÊ VĂN THỦY

ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO
VÀO BÀI TOÁN DÒ BIÊN ẢNH
Chuyên ngành: Khoa học máy tính
Mã số: 60 48 01 01

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH
VÀ CÔNG NGHỆ THÔNG TIN

NGƢỜI HƢỚNG DẪN KHOA HỌC: TS. VŨ ĐỨC THÁI

THÁI NGUYÊN - 2013

Số hóa bởi trung tâm học liệu

/>
2


LỜI CAM ĐOAN
Tôi xin cam đoan rằng đây là công trình nghiên cứu của tôi, có sự hướng dẫn
tận tinh và chu đáo của người hướng dẫn là TS. Vũ Đức Thái. Các nội dung nghiên
cứu và kết quả trong đề tài này là trung thực và chưa từng được ai công bố trong bất cứ
công trình nghiên cứu nào trước đây. Những số liệu trong các bảng biểu, hình ảnh
phục vụ cho việc phân tích, nhận xét, đánh giá được chính tác giả thu thập từ các
nguồn khác nhau có ghi trong phần tài liệu tham khảo. Ngoài ra, luận văn còn sử dụng
một số nhận xét, đánh giá cũng như số liệu của các tác giả, cơ quan tổ chức khác và
cũng được thể hiện trong phần tài liệu tham khảo.
Nếu phát hiện có bất kỳ sự gian lận nào tôi xin hoàn toàn chịu trách nhiệm
trước Hội đồng, cũng như kết quả luận văn của mình.
Luận văn đã được chỉnh sửa theo ý kiến của Hội đồng khoa học và được sự
đồng ý của người hướng dẫn.
NGƢỜI HƢỚNG DẪN KHOA HỌC

Thái nguyên, ngày 28 tháng 8 năm 2013
Người viết luận văn

TS. Vũ Đức Thái

Số hóa bởi trung tâm học liệu

Lê Văn Thủy

/>
1


MỤC LỤC
LỜI CAM ĐOAN ..........................................................................................................1
MỤC LỤC ......................................................................................................................2
DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT ...............................................4
MỞ ĐẦU.........................................................................................................................7
CHƢƠNG 1. GIỚI THIỆU MẠNG NƠRON TẾ BÀO .............................................9
1.1. Giới thiệu chung ....................................................................................................9
1.2. Kiến trúc mạng nơron tế bào CNN .....................................................................10
1.3. Máy tính vạn năng mạng nơron tế bào CNN ......................................................14
1.3.1. Sự phát triển của máy tính điện tử ................................................................14
1.3.2. Máy tính vạn năng mạng nơron tế bào CNN-UM (Cellular Neural Network
Universal Machine) ................................................................................................17
1.4. Công nghệ xử lý ảnh nhanh trên mạng CNN ......................................................19
CHƢƠNG 2. TÌM HIỂU CÁC PHƢƠNG PHÁP DÒ BIÊN ẢNH ........................24
2.1. Bài toán xử lý ảnh ...............................................................................................24
2.2. Biên của ảnh và các phương pháp phát hiện biên [6] .........................................25
2.2.1. Định nghĩa và khái niệm ...............................................................................25
2.2.2. Phương pháp phát hiện biên trực tiếp ...........................................................26
2.2.3. Phương pháp phát hiện biên gián tiếp ..........................................................32
2.3. Phương pháp phát hiện biên nâng cao (Canny) ..................................................36
2.3.1. Cơ sở lý thuyết ..............................................................................................36
2.3.2. Hoạt động của thuật toán ..............................................................................37
2.4. Đánh giá thuật toán và giải pháp công nghệ xử lý mới ......................................41

2.4.1. Phát hiện biên trực tiếp .................................................................................41
2.4.2. Phương pháp phát hiện biên gián tiếp ..........................................................42
2.4.3. Giải pháp công nghệ mới ..............................................................................43
CHƢƠNG 3. ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO ..................44
3.1. Xây dựng bài toán ...............................................................................................44
3.1.1. Sự cần thiết CNN trong xử lí ảnh .................................................................44
3.1.2. Điều kiện biên tiêu biểu cho một CNN ........................................................45
3.1.3. Quá trình dò biên, thiết kế mẫu trên CNN ....................................................47
3.1.3.1. Quá trình tìm mẫu bằng phương pháp học [7]: ....................................47
Số hóa bởi trung tâm học liệu

/>
2


3.1.3.2. Vai trò của mẫu ....................................................................................47
3.1.3.3. Thư viện mẫu CNN ..............................................................................48
3.1.3.4. Phương pháp thiết mẫu (A, B, z) cho mạng CNN................................49
3.1.3.5. Sử dụng bộ lọc shock dùng để tăng cường biên ...................................53
3.1.3.6. Thuật toán lai dùng CNN tăng tốc cho bộ lọc shock ...........................56
3.2. Phân tích mẫu dò biên: EDGE và EDGEGRAY ................................................59
3.2.1. EDGE CNN ..................................................................................................59
3.2.1.1. Tổng quát ..............................................................................................59
3.2.1.2. Luật cục bộ ...........................................................................................59
3.2.1.3. Ví dụ .....................................................................................................59
3.2.1.4. Phân tích toán học ................................................................................61
3.2.2. EDGEGRAY CNN .......................................................................................64
3.2.2.1. Tổng quát ..............................................................................................64
3.2.2.2. Luật cục bộ ...........................................................................................65
3.2.2.3. Xét ví dụ ...............................................................................................66

3.2.2.4. Phân tích toán học ................................................................................67
3.3. Mẫu CNN đề xuất EDEG EXTRACTION .........................................................71
3.4. Cài đặt, chạy mô phỏng.......................................................................................71
3.4.1. Mô phỏng CNN với Candy...........................................................................71
3.4.2. Mô phỏng CNN với chương trình Java “CNN Simulation”.........................74
3.4.3. Chạy mô phỏng .............................................................................................75
3.4.4. Nhận xét & đánh giá .....................................................................................78
KẾT LUẬN ..................................................................................................................80
DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC LIÊN QUAN ĐẾN LUẬN VĂN ..81
TÀI LIỆU THAM KHẢO...........................................................................................82

Số hóa bởi trung tâm học liệu

/>
3


DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT
1. Các ký hiệu, thuật ngữ
u, v (in đậm): Ký hiệu cho đại lượng véc tơ trong các phương trình
A: Mẫu A của mạng nơron tế bào là mẫu liên kết các trọng số hồi tiếp từ đầu ra của các
láng giềng của một tế bào. Viết Auv là các trọng số liên kết từ lớp u đến lớp v trong
kiến trúc mạng nơron tế bào đa lớp.
B: Mẫu B của mạng nơron tế bào là mẫu liên kết các trọng số đầu vào của các láng giềng
của một tế bào; Buv là trọng số liên kết của các tế bào từ lớp u đến lớp v trong kiến trúc
mạng nơron tế bào đa lớp.
z: Giá trị ngưỡng của hệ mạng nơron tế bào.
: Toán tử nhân chập.
xij(t): Giá trị trạng thái của tế bào trong mạng nơron tế bào hai chiều (MxN).
x( z, , t ) : : Ký hiệu ẩn hàm trong phương trình đạo hàm riêng tương ứng với mô hình

mạng nơron tế bào.
x(i, j ) : Giá trị trạng thái của các điểm rời rạc trong không gian sai phân của phương.

2. Các chữ viết tắt
CNN (Cellular Neural Network): Công nghệ mạng nơron tế bào.
CNN-UM (CNN-Universal Machine): Máy tính mạng nơron tế bào.
PDE (Partial differential Equation): Phương trình vi phân đạo hàm riêng (trong luận văn
dùng thuật ngữ tiếng Việt là “phương trình đạo hàm riêng”).

Số hóa bởi trung tâm học liệu

/>
4


DANH MỤC HÌNH VẼ, ĐỒ THỊ
CHƢƠNG 1. GIỚI THIỆU MẠNG NƠRON TẾ BÀO .............................................9
Hình 1.1. Kiến trúc mạng CNN .................................................................................10
Hình 1.2. Lân cận ......................................................................................................10
Hình 1.3. Các tế bào biên ..........................................................................................11
Hình 1.4. Cấu trúc phân lớp của mạng CNN ............................................................14
Hình 1.5. Cấu trúc máy tính CNN-UM .....................................................................17
Hình 1.6. Mô tả khái quát các bước lập trình ở các ngôn ngữ khác nhau .................19
Hình 1.7. Mạng CNN 2D .........................................................................................20
Hình 1.8. Mô hình kết nối mạng nơron tế bào ..........................................................20
Hình 1.9. Quá trình tính toán của mạng nơron tế bào ...............................................21
Hình 1.10. Kiến trúc bên trong của một tế bào xử lý ................................................21
Hình 1.11. Sơ đồ khối của máy tính thị giác .............................................................22
Hình 1.12. Máy tính thị giác trên PC 104 plus ..........................................................23

Hình 1.13. Máy tính thị giác trên PC để bàn .............................................................23
CHƢƠNG 2. TÌM HIỂU CÁC PHƢƠNG PHÁP DÒ BIÊN ẢNH ........................24
Hĩnh 2.1. Đường bao của ảnh ....................................................................................25
Hình 2.2. Các bước xử lý và phân tích ảnh ...............................................................25
Hình 2.3. Mặt nạ Robert ............................................................................................28
Hình 2.4. Mặt nạ Sobel ..............................................................................................28
Hình 2.5. Mặt nạ đẳng hướng....................................................................................29
Hình 2.6. Mặt nạ 4 - lân cận ......................................................................................29
Hình 2.7. Mặt nạ 8 hướng theo Kirsih .................................................................29
Hình 2.8. Ma trận 8-láng giềng kề nhau ....................................................................32
Hình 2.9. Ví dụ về chu tuyến của đối tượng ảnh .......................................................33
Hình 2.10. Chu tuyến trong, chu tuyến ngoài ...........................................................34
Hình 2.11. Đạo hàm hàm Gauss theo hai hướng (x,y) ..............................................38
Hình 2.12. Kết quả sử dụng phương pháp Canny .....................................................41
CHƢƠNG 3. ỨNG DỤNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO ..................44
Hình 3.1. Mạch thể hiện của điều kiện biên cố định (Dirichlet) ...............................45
Số hóa bởi trung tâm học liệu

/>
5


Hình 3.2. Mạch thể hiện điều kiện biên Neumann ....................................................46
Hình 3.3. Mạch thể hiện của điều kiện biên tuần hoàn .............................................46
Hình 3.4. Quá trình tìm mẫu bằng phương pháp học ................................................47
Hình 3.5. Mạng CNN 3x3 bán kính láng giềng r = 1 ................................................47
Hình 3.6. Hệ động lực của một tế bào CNN .............................................................47
Hình 3.7. Mẫu tìm vùng và hiệu quả của mẫu ..........................................................48
Hình 3.8. Mẫu tìm đường xiên và hiệu quả của mẫu ................................................48
Hình 3.9. Một số cửa sổ bảng logic ...........................................................................50

Hình 3.10. a) Ảnh đầu vào b) Ảnh đầu ra yêu cầu ....................................................51
Hình 3.11. Sơ đồ các bước thiết kế mẫu theo phương pháp trực tiếp. ......................53
Hình 3.12. Tác dụng của bộ lọc shock ......................................................................53
Hình 3.13. Ảnh hưởng của nhiễu đến bộ lọc shock ..................................................54
Hình 3.14. Sơ đồ quy ước các phần tử điểm ảnh ......................................................56
Hình 3.15. Thuật toán thực hiện bộ lọc shock theo phương pháp lai trên ................58
Hình 3.16. Màu ảnh thu được hiển thị trong thang mức xám ...................................60
Hình 3.17. Sự thay đổi của tế bào tại 3 địa điểm khác nhau .....................................60
Hình 3.18. Kết quả ví dụ 2 ........................................................................................61
Hình 3.19. Kết quả ví dụ 3 ........................................................................................61
Hình 3.20. Các trạng thái động học của mẫu dò biên ................................................62
Hình 3.21. Sự thay đổi hình thái điểm ảnh tại vùng A, B và C.................................66
Hình 3.22. Trạng thái tế bào và sự thay đổi đầu ra cho 30 bước tại 3 địa điểm .....66
Hình 3.23. Kết quả ví dụ 2 ........................................................................................67
Hình 3.24. Kết quả ví dụ 3 ........................................................................................67
Hình 3.25. Trạng thái và đường đi của đầu ra cho các trường hợp có mức đặc biệt........69
Hình 3.26. Các trạng thái đường đi với wij 0 .........................................................70
Hình 3.27. Kết quả thu được sau khi thay đổi giá trị I ..............................................79

Số hóa bởi trung tâm học liệu

/>
6


MỞ ĐẦU
Tìm biên của một ảnh là một trong những xử lý quan trọng trong phân tích ảnh
vì các kĩ thuật phân đoạn ảnh chủ yếu dựa vào biên. Cho đến nay chưa có định nghĩa
chính xác về biên, trong mỗi ứng dụng người ta đưa ra các độ đo khác nhau về biên,
một trong các độ đo đó là độ đo về sự thay đổi đột ngột về cấp xám. Ví dụ: Đối với

ảnh đen trắng, một điểm được gọi là điểm biên nếu nó là điểm đen có ít nhất một điểm
trắng bên cạnh. Tập hợp các điểm biên tạo nên biên hay đường bao của đối tượng.
Xuất phát từ cơ sở này người ta thường sử dụng hai phương pháp phát hiện biên cơ
bản. Phương pháp phát hiện biên trực tiếp làm nổi biên dựa vào sự biến thiên mức xám
của ảnh. Kỹ thuật chủ yếu dùng để phát hiện biên ở đây là dựa vào sự biến đổi cấp
xám theo hướng. Cách tiếp cận theo đạo hàm bậc nhất của ảnh dựa trên kỹ thuật
Gradient, nếu lấy đạo hàm bậc hai của ảnh dựa trên biến đổi giá trị ta có kỹ thuật
Laplace. Phát hiện biên gián tiếp, nếu bằng cách nào đó ta phân được ảnh thành các
vùng thì ranh giới giữa các vùng đó gọi là biên. Kỹ thuật dò biên và phân vùng ảnh là
hai bài toán đối ngẫu nhau vì dò biên để thực hiện phân lớp đối tượng, mà khi đã phân
lớp xong nghĩa là đã phân vùng được ảnh và ngược lại, khi đã phân vùng ảnh đã được
phân lớp thành các đối tượng, do đó có thể phát hiện được biên. Tuy nhiên các phương
pháp xử lý ảnh truyền thống để dò biên lại đòi hỏi nhiều thời gian xử lý nhất là với
những ảnh có kích thước lớn. Để đáp ứng yêu cầu đó người ta đã và đang tìm kiếm
nhiều phương pháp xử lý ảnh song song khác nhau nhằm giảm thời gian xử lý
Năm 1988 L.O.Chua và L.Yang đã giới thiệu nguyên tắc công nghệ cho sự ra
đời của mạng nơron tế bào (Cellular Neural Network - CNN). Năm 1993 máy tính
mạng nơron tế bào đã được chế tạo ứng dụng thành công cho một số bài toán xử lý ảnh
và tính toán. Đến nay, CNN đã được nghiên cứu phát triển ứng dụng rộng rãi trên
nhiều nước với nhiều lĩnh vực như xử lý ảnh động, thị giác máy, tính toán điều
khiển...Tại Việt Nam đã có một số nghiên cứu ban đầu. Do vậy, được sự gợi ý của
người hướng dẫn khoa học và nhận thấy tính thiết thực của vấn đề này, em đã chọn đề
tài: “Ứng dụng công nghệ mạng nơron tế bào vào bài toán dò biên ảnh” để làm đề tài
cho luận văn tốt nghiệp của mình.
Luận văn gồm 3 chương với các nội dung cơ bản sau:
Chƣơng 1. Giới thiệu Mạng nơron tế bào
Chƣơng 2. Tìm hiểu các phương pháp dò biên ảnh
Chƣơng 3. Ứng dụng công nghệ mạng nơron tế bào cho bài toán dò biên
Số hóa bởi trung tâm học liệu

/>
7


Mặc dù đã hết sức nỗ lực, song thời gian và kinh nghiệm nghiên cứu khoa học
còn hạn chế nên không tránh khỏi những thiếu sót. Em rất mong nhận được sự góp ý
của thầy cô và bạn bè đồng nghiệp để hiểu biết của mình ngày một hoàn thiện hơn.
Qua luận văn này em xin chân thành cảm ơn TS. Vũ Đức Thái, Trường Đại học
Công nghệ thông tin và Truyền thông - Đại học Thái Nguyên đã tận tình giúp đỡ, động
viên, định hướng, hướng dẫn em nghiên cứu và hoàn thành luận văn này. Em xin cảm
ơn các thầy cô trong Viện Công nghệ thông tin, các thầy cô giáo Trường Đại học Công
nghệ thông tin và Truyền thông đã giảng dạy và giúp đỡ em trong hai năm học, cám
ơn sự giúp đỡ nhiệt tình của các bạn đồng nghiệp.
Thái nguyên, ngày 15 tháng 7 năm 2013
Học viên

Lê Văn Thủy

Số hóa bởi trung tâm học liệu

/>
8


CHƢƠNG 1. GIỚI THIỆU MẠNG NƠRON TẾ BÀO

1.1. Giới thiệu chung
Năm 1988, Leon O Chua và Lin Yang đưa ra ý tưởng về kiến trúc máy tính
mạng nơron tế bào (Cellular Neural Network). Trong đó, các tác giả đã
nêu những nội dung cơ bản cho một mô hình tính toán song song, bao gồm kết cấu

mạch điện, phương trình toán học mô tả hoạt động của hệ thống. Bài báo cũng phân
tích, chứng minh sự làm việc ổn định của mạng bằng các cơ sở toán học, đưa ra mô
hình mô phỏng thuật toán với những ví dụ cụ thể. Đây là những khái niệm, nguyên
tắc cơ bản, làm nền tảng cho việc nghiên cứu về công nghệ CNN. Mô hình mạch
điện của Chua đã trở thành kiến trúc lõi cho việc thiết kế các chip CNN sau này.
Sau đó là một loạt các bài viết về việc thiết kế chip CNN ứng dụng cho bài toán xử
lý ảnh và nhận dạng là lĩnh vực đầu tiên được ứng dụng công nghệ CNN.
Năm 1993, Tamás Roska và Leon Chua lần đầu tiên giới thiệu kiến trúc của
máy tính mạng nơron tế bào (CNN-UM) với những chip analog lập trình theo
thuật toán. Các nhà nghiên cứu thuộc Office of Naval Research, National Science
Foundation, University of California (US) và Hungarian Academy of Sciences
(Hungary) đã thiết kế, chế tạo ra nền tảng phần cứng (plaform) để thực thi ý tưởng về
kiến trúc chip CNN của Roska và Chua [2], [5].
Chip CNN analog được chế tạo lần đầu tiên vào năm 1993 có tên là CNN
Universal Processor trên nguyên tắc xử lý đa lớp cho phép tính toán với dữ liệu
dạng ma trận. Chip này được thiết kế có kiến trúc 8x8 tế bào, với giao diện làm
việc, bộ nhớ analog, chuyển mạch lô gic và chương trình phần mềm. Từ đó khẳng
định tính khả thi và tiềm năng của công nghệ CNN. Đến năm 2000 có tới sáu nhà
sản xuất tham gia chế tạo chip analog dựa trên nguyên tắc đưa ra năm 1993. Hãng
AnaForcus phát triển kết quả nghiên cứu của đại học Seville bắt đầu thiết kế mô
hình cho chip ACE để đưa vào sản xuất hàng loạt. Chip ACE đầu tiên được sản xuất
có kích thước 20x20 phục vụ cho bài toán xử lý ảnh nhị phân sau đó phát triển chip
có kích thước 48x48 xử lý cho ảnh đa mức xám. Trong khi phát triển về kích thước
thì tính năng của chip cũng được cải thiện về tốc độ, chức năng xử lý, thiết bị vào
ra. Thiết bị vào ra với các cảm biến nhiều đầu cho phép xử lý tương tác giữa “thu
dữ liệu vào”, “xử lý” và “đưa kết quả ra” trong môi trường thời gian thực. Tiếp đó
AnaForcus đã sản xuất chip CASE có ba lớp 32x32 tế bào đưa vào thiết bị thị giác
Số hóa bởi trung tâm học liệu

/>

9


nhân tạo Eye - RIS có phần cứng, phần mềm và những công cụ trợ giúp tích hợp
vào chung trong một hệ thống xử lý. Vào năm 2003, AnaLogic Computer phát triển
bo mạch thị giác PCI-X tích hợp với chíp ACE4k, chip xử lý tín hiệu số DSP
(Digital Signal Processing) của hãng Texas Intrument và thiết bị thu ảnh nhanh
(high-speed-frame-grabber) vào một hệ thống cho phép giao tiếp với máy PC để mở
rộng khả năng ứng dụng và tính năng của công nghệ CNN analog. Năm 2006, hãng
AnaLogic Computer tiếp tục phát triển thiết bị camera thông minh tốc độ cao (Bi-I
Ultra High Speed Smart Camera) và dự định phát triển thiết bị này thành sản phẩm
kính mắt sinh học (Bionic Eyeglass) là dạng camera hai chiều trợ giúp cho người
khiếm thị sử dụng như mắt nhân tạo.
1.2. Kiến trúc mạng nơron tế bào CNN
Kiến trúc CNN chuẩn : Là một mảng chữ nhật kích thước MxN gồm các tế bào C(i,j)
với các chiều (i, j ), i = 1, 2, . . . , M, j = 1, 2, . . . , N (Hình 1.1)[3].

Hình 1.2. Lân cận
a) Lân cận 3x3 (r=1), b) lân cận 5x5(r=2)

Hình 1.1. Kiến trúc mạng CNN

Một lớp CNN kích thước MxN với các tế bào C(i,j) i=1,2,3...M, j=1,2,...N là mạng
chuẩn khi thỏa mãn các phương trình toán học sau:
1. Phương trình trạng thái (state equation)
xij
xij

R, yij

1
xij t
Rx
R và zij

B (i, j; k , l )u kl zij (1.1)

A(i, j; k , l ) ykl t
C ( k ,l ) S r ( i , j )

C ( k ,l ) S r ( i , j )

R được gọi là trạng thái: đầu ra, đầu vào, ngưỡng của tế bào C(i,j),

A(i, j; k, l) và B(i, j; k, l) được gọi là toán tử phản hồi và toán tử dẫn nhập đầu vào.
Theo Chua và Roska, 1993 [7]:
A(i, j; k , l )
B(i, j; k , l )

A(k , l; i, j )
,
B ( k , l ; i, j )

Để một CNN có tính ổn định thì a ij
Số hóa bởi trung tâm học liệu

xij 0

A, bij

1 , uij

1

B, có thể được chọn như sau:

/>
10


a1 = a9; a2 = a8; a3 = a7; a4 = a6;
b1 = b9; b2 = b8; b3 = b7; b4 = b6:
2. Phương trình đầu ra
yij

f ( xij )

1
xij t
2

1
xij t
2

1

1

(1.2)

3. Điều kiện biên xác định và là các tế bào thuộc thuộc hiệu ứng cầu của các tế bào
cạnh nhưng nằm ngoài mảng kích thước MxN;
4. Trạng thái khởi tạo xij (0) , i 1, 2,...., M , j 1, 2,..., N;

(1.3)

5. Sr(i, j) là hiệu ứng cầu của tế bào C(i,j) có bán kính r, khi tất cả các tế bào lân cận
thỏa mãn điều kiện sau (r là một số nguyên dương);
Sr (i, j )

C k, l

max

1 k M ,1 l N

k i,l

j

(1.4)

r

Ta thu được Sr(i, j) là lân cận (2r + l) x (2r +1) (hình 1.2) Khi r > N/2 và M = N,
mạng CNN là một kết nối hoàn chỉnh và Sr(i, j) là một mảng hoàn chỉnh. Tế bào C(i,j)
là tế bào thường, nếu và chỉ nếu tất cả các tế bào lân cận C(k, l) Sr (i, j) tồn tại, C(i,j)
còn lại là tế bào biên (hình 1.3). Tế bào biên phía ngoài cùng xa nhất được gọi là tế
bào cạnh. Không phải tất cả các tế bào biên đều là tế bào cạnh nếu r >1.

Hình 1.3. Các tế bào biên
Đối với ứng dụng CNN trong xử lý ảnh, đầu vào thường là cường độ điểm ảnh
thang độ xám kích thước MxN, -1 “đen” được mã hóa là +1.
Đối với ảnh tĩnh, ukl là hằng số, đối với ảnh động (video) ukl là một hàm theo
thời gian. A(i,j;k,l), B(i,j;k,l) và zij thay đổi theo vị trí (i,j) và thời gian t. Một số trường
Số hóa bởi trung tâm học liệu

/>
11


hợp khác có thể coi A(i,j; k,l), B(i,j; k,l) và zij không đổi theo không gian và thời gian.
Mạng CNN bất biến không gian và đẳng hướng nếu các toán tử A(i,j;k,l),
B(i,j;k,l) và toán tử ngưỡng zij không đổi theo không gian. Trong trường hợp này ta có
CNN chuẩn (với toán tử dẫn nạp tuyến tính) có phương trình trạng thái (điều kiện
tương tự phương trình 1.1) như sau:
A(i, j; k , l ) ykl

A(i k , j l ) ykl

C ( k ,l ) S r ( i , j )

k i r l j r

B(i, j; k , l )ukl

B(i k , j l )ukl

C ( k ,l ) S r ( i , j )

(1.1*)

k i r l j r

Phần lớn các ứng dụng của CNN chỉ sử dụng CNN chuẩn bất biến không gian
lân cận 3 X 3 (r = 1). Các cell C i, j

Sr i, j với các mẫu:

C(i-1,j-1)

C(i-1,j)

C(i-1,j+1)

C(i,j-1)

C(i,j)

C(i,j+1)

C(i,j-1)

C(i+1,j)

C(i+1,j+1)

1. Toán tử dẫn nạp hồi tiếp A(i,j;k,l), trong không gian bất biến có thể viết như sau:

A(i, j; k , l ) ykl

A(i k , j l ) ykl

C ( k ,l ) S r ( i , j )

k i r l j r

B (i, j; k , l )ukl

B (i k , j l )ukl

C ( k ,l ) S r ( i , j )

zij

z; amn

A(m, n)

A(i, j; k , l ) ykl
C ( k ,l ) S r ( i , j )

a

y

1
1l

a

1,0

yi

1, j 1

1, j

a 1,1 yi

a1,0 yi

1, j

a0, 1 yi, j

1, j 1

a1,1 yi

1

a0,0 yi, j

(1.6)

1, j 1

1

ak ,l yi
k

a

a1, 1 yi

1

A(i k , j l ) ykl
k i r l j r

1, 1 i 1, j 1

a0,1 yi , j

(1.5)

k i r l j r

1, 1

a0, 1
a1, 1

k, j l

1

a

1,0

a0,0
a1,0

a

1,1

y

1, 1

a0,1 * y0, 1
a1,1
y1, 1

Số hóa bởi trung tâm học liệu

y

1,0

y0,0
y1,0

y

1,1

y0,1
y1,1

A * Yij

(1.7)

/>
12


Ma trận A kích thước 3 X 3 được gọi là mẫu vô hướng hồi tiếp và ký tự bao
hàm tổng của các tích điểm, nên được gọi là tích điểm mẫu, toán tử này được gọi là
toán tử “xoắn không gian”. Ma trận 3 X 3 Yij trong (1.7) thu được bởi việc di chuyển
một mặt nạ mờ với kích thước cửa sổ 3x3 đến vị trí (i,j) của ma trận MxN đầu ra ảnh
Y do vậy được gọi là ảnh đầu ra tại C(i,j).
Một phần tử akl là phần tử trung tâm, trọng số hoặc hệ số, của mẫu hồi tiếp A,
nếu và chỉ nếu (k,l) = (0,0). Để thuận tiện phân tích mẫu A như sau, khi đó Ao và A
lần lượt được gọi là các thành phần mẫu trung tâm và đường biên.
A0

A

A

A

0

0

0

0

a0,0

0

0

0

0

A

a-1,-1 a-1,0

a-1,1

a0,-1

0

a0,1

a1,-1

a1,0

a1,1

(1.8)

2. Vai trò toán tử dẫn nhập đầu vào B(i,j;k,l)
1

B(i, j; k , l ) ykl
C ( k ,l ) S r ( i , j )

b 1,

1

B(i k , j l )ukl
k i r l j r

ui

1

b 1,0

b 1,1

b0, 1

b1, 1

b0,0
b1,0

b0,1 * ui , j 1
ui , j
b1,1
ui 1, j 1 ui 1, j

1, j 1

bk ,l ui

k, j l

(1.9)

k i r l j r

ui

1, j

ui

1, j 1

ui , j 1
ui 1, j 1

B *U ij

(1.10)

Ma trận B kích thước 3 x 3 được gọi là mẫu dẫn nhập hoặc mẫu vô hướng đầu
vào, và Uij là mặt nạ biên dịch ảnh đầu vào, tương tự ta có thể viết Bo và B gọi là mẫu
dẫn nhập trung tâm và đường biên.
B

B

B0

B

0

0

0

0

b0,0

0

0

0

0

B

b-1,-1

b-1,0

b-1,1

b0,-1

0

b0,1

b1,-1

b1,0

b1,1

(1.11)

3. Vai trò tham số ngưỡng zij = z
Tính chất bất biến không gian của CNN được mô tả hoàn chỉnh như sau

Số hóa bởi trung tâm học liệu

/>
13


xij

xij

(1.12)

A *Yij B *Uij z

Phân tích (1.12) ta được:
x ij

xij a00 f ( xij ) A*Yij B *U ij hij ( xij ;
gij xij

ij

xij ; t ;

ij

xij ; t

A * Yij

)

(1.13)

B *U ij

(1.14)

ij

hij: gọi là rate funtion (hàm tỷ lệ), gij: gọi là điểm điều khiển,
Mỗi CNN được xác định bởi 3 giá trị của các mẫu vô hướng

ij:

hàm bù.

A, B, z . Mũi tên

được in đậm đánh dấu đường dữ liệu song song từ đầu vào tới đầu ra của các tế" bào
đường biên tương ứng ukl và ykl. Mũi tên nhạt hơn biểu diễn mức ngưỡng, đầu vào,
trạng thái, và đầu ra tương ứng là z, xij, và yij. (hình 1.4)

Hình 1.4. Cấu trúc phân lớp của mạng CNN
1.3. Máy tính vạn năng mạng nơron tế bào CNN
1.3.1. Sự phát triển của máy tính điện tử
Công cụ tính toán đã được loài người phát minh ra trên 6000 năm từ khi còn
dùng các ngón tay, viên sỏi, bàn tính vv...để tính toán. Tuy nhiên lịch sử phát triển của
máy tính điện tử chạy theo chương trình thì chỉ mới 60 năm nay.
Tiền thân của máy tính điện tử là máy tính sử dụng rơ le đầu tiên do giáo sư
Harward Aiken ở đại học Harward thiết kế và hãng IBM chế tạo năm 1941 mang tên

Mark I. Máy gồm 760 000 rơle, B00 km dây nối và thực hiện được phép cộng hai số
Số hóa bởi trung tâm học liệu

/>
14


trong 1/3 giây. Tốc độ này quá chậm do linh kiện chuyển mạch trạng thái là rơ le có
độ trễ lớn nên xuất hiện nhu cầu phát triển linh kiện chuyển mạch nhanh hơn, và trên
cơ sở linh kiện chuyển mạch bắt đầu hình thành các máy tính điện tử ở các thế hệ
khác nhau.
Máy tính sử dụng bóng đèn điện tử đầu tiên là máy EINAC gồm 1B000 bóng đèn
điện tử, 6000 công tắc và 1500 rơle có khả năng thực hiện 5000 phép cộng trong một
giây, công xuất tiêu thụ 140 kW, có kích thước dài 30m, rộng lm, cao 3m và trọng
lượng nặng tới 30 tấn. Việc lập trình cho máy tính này thông qua việc kết nối các dây
dẫn tương tự nhu các tổng đài điện thọai lúc đó. Neumann János người Hungary năm
1944 tình cờ gặp kỹ sư trưởng của máy tính EINAC là Goldstine và đã được Goldstine
giới thiệu về hoạt động của máy EINAC. Sau khi xem xét kỹ máy, Neumann János đã
phát hiện ra các chương trình máy tính cũng có thể lưu trong máy như các số liệu. Như
vậy ta có thể dạy cho máy biết phân biệt đâu là lệnh đâu là dữ liệu và lập trình cho
máy chạy theo chương trình lưu trong bộ nhớ chứ không phải bằng cách nối dây. Năm
1946 Neumann, Goldstine và Burks đã công bố phát minh về cấu trúc của máy tính
điện tử có điều khiển theo chương trình này. Từ đó đến nay các máy tính điện tử đều
hoạt động theo nguyên lý này trên cơ sở hệ nhị phân tương thích với hai trạng thái
đóng- mở của linh kiện chuyển mạch.
Năm 1947 ba nhà khoa học Mỹ là W. H.Brattain, J. Barteen và W. Shockley đã
phát minh ra bóng bán dẫn tại phòng thí nghiệm Bell. Máy tính điện tử thế hệ 2 được
chế tạo bằng bóng bán dẫn với bộ nhớ xuyến ferrite đã có kích thước nhỏ hơn nhiều
lần so với thế hệ thứ nhất dùng bóng đèn điện tử. Sự phát triển tiếp là các vi mạch tích
hợp IC (Integrated Circuit) với độ tích hợp số bóng bán dẫn trong chip ngày càng cao

vào cuối thập kỷ 1960 cho ra đời các máy tính thế hệ 3 là các máy mainframe và minicomputers. Đến năm 1971 bộ vi xử lý đầu tiên đã được Intel chế tạo mở đầu cho các
máy tính cá nhân IBM PC, Sinclair, Commodore ra đời. Mật độ tích hợp giai đoạn này
lên đến hàng trăm ngàn bóng bán dẫn trên l cm2.
Máy tính điện tử thế hệ 4, 5 đã có nhiều bộ vi xử lý và chạy được nhiều chương
trình song song. Độ phức tạp của các chip ngày càng tăng và tốc độ tính toán ngày
càng cao đã đưa các máy tính điện tử truyền thống đến giới hạn vật lý về kích thước và
tốc độ xử lý.
Các máy tính số hiện nay về cơ bản vẫn là loại máy logic với các dữ liệu rời rạc
được mã hóa theo hệ nhị phân. Tính chất chung của nó là khả năng thực hiện thuật
Số hóa bởi trung tâm học liệu

/>
15


toán theo chương trình được lưu trong bộ nhớ. Đây là loại máy tính vạn năng xử lý
trên các số nguyên (Universal Machine on Integers) hay còn gọi là máy Turing (Turing
Machine). Các phép tính cơ bản của nó là các phép số học và logic. Thuật toán
(algorithms) là các chuỗi logic của các phép tính cơ bản này. Từ năm 1960 đến năm
2000 độ tích hợp của chip IC tăng từ 1 bóng bán dẫn đến con số hàng trăm triệu bóng
bán dẫn/chip. Tuy nhiên về cấu trúc và nguyên lý hoạt động của các vi xử lý này
không có gì khác so với nguyên lý của Neumann János đưa ra từ năm 1946.
Sự ra đời của các vi mạch tích hợp rất lớn VLSI đã tạo ra các máy tính số có tính
thực tiễn cao với giá thành rẻ và hiện nay đã trở thành một loại hàng hóa thông dụng.
Mặc dù vậy các máy tính hiện đại ngày nay còn gặp nhiều khó khăn trong một số
bài toán mà các sinh vật sống xử lý rất đơn giản như kiểm soát đi lại, ăn uống và tìm
mồi vv... Do vậy cần phải có một nguyên lý tính toán mới, cấu trúc mới để tiếp tục
nâng cao được khả năng tính toán và giải quyết được những vấn đề mà máy tính điện
tử hiện hành chưa giải quyết được.
Sự ra đời của mạng nơron tế bào CNN đã mở ra một hướng mới cho sự phát triển

của khoa học tính toán tiếp cận đến các phương thức xử lý cũng như phương thức cảm
nhận và hành động của các tổ chức trong cơ thể sinh vật sống.
Năm 1993 Giáo sư Roska Tamás ở Viện Nghiên cứu Máy tính và Tự động hóa
Hungary và Giáo sư L. O. Chua ở đại học Berkeley Mỹ đã công bố nguyên lý máy tính
CNN mới này tại Viện Hàn lâm khoa học Hungary. Không lâu sau giáo sư Angel
Rodriguer Vazquez ở Seville Tây Ban Nha cùng hợp tác với nhóm CNN BudapestBerkeley và cho ra đời Chip CNN CP400 đầu tiên năm 1995, đánh dấu một hướng
phát triển mới của máy tính điện tử .
Với chip mạng nơron tế bào CNN-UM chương trình vẫn được lưu trong bộ nhớ
nhưng các phép tính đã được thực hiện song song trong môi trường tín hiệu tương tự.
Năm 1999 chip CNN với đầu vào quang học đầu tiên đã ra đời với 4096 CPU có khả
năng xử lý đến SO OOOảnh/giây. Tốc độ xử lý này tương đương với 9200 bộ vi xử lý
Pentium. Chip CNN 256x256 CPU đang được thiết kế có tới 64000 CPU, có khả năng
xử lý các chức năng mà hiện nay chỉ được ứng dụng trong các máy bay quân sự hoặc
trong các hệ thống xử lý dữ liệu tài chính quốc gia.
Việc lập trình cho các chip CNN được thực hiện qua các ma trận trọng số kết nối
của mạng nơron tế bào (A, B, z). Các ma trận này được thực hiện đồng thời trên toàn

Số hóa bởi trung tâm học liệu

/>
16


mạng tạo nên một máy tính có hệ động lực xử lý tín hiệu hỗn hợp tương tự - số trong
cả miền không gian và thời gian.
Để dễ dàng lập trình cho chip CNN cần có các công cụ phù hợp như ngôn ngữ
lập trình bậc cao, hệ điều hành. Các công cụ này đã được Viện MTASzTAKI của
Hungary phát triển và tạo nền tảng cho các máy tính CNN hoạt động ở Châu Âu, Mỹ
và Nhật Bản. Với các công cụ này máy tính CNN có tốc độ tính toán tới Tera OPS gấp
hàng trăm lần tốc độ xử lý của các máy tính hiện hành [1].

1.3.2. Máy tính vạn năng mạng nơron tế bào CNN-UM (Cellular Neural Network
Universal Machine)
a. Cấu trúc phần cứng
Máy tính vạn năng CNN-UM có thể được coi là mảng các tế bào xử lý phi tuyến
đa chiều được liên kết cục bộ. CNN-UM có khả năng xử lý tín hiệu hỗn hợp tương tự
số do vậy có tên Analogic (Analog-logic) computer. Khác với các máy tính lai
(hybrid), ở máy tính CNN không có các bộ biến đổi A/D và D/A và cũng không có
khái niệm biểu diễn các giá trị tương tự bằng số. Tất cả tín hiệu và phép tính cơ bản
đều là tương tự hoặc logic.
Cấu trúc của máy CNN-UM được mô tả trong Hình 1B. Mạng nơron tế bào gồm
các tế bào có cấu trúc đồng nhất. Lõi của các tế bào này thực hiện chức năng của hệ
động lực chuẩn tế bào CNN như mô tả trong hình 2 (Analog CNN nucleus). Để mạng
có thể hoạt động và có khả năng lập trình thay đổi các trọng liên kết, ở mỗi tế bào đều
có bộ nhớ, các thanh ghi, các khối vào ra và truyền thông cục bộ. Ngoài ra toàn mạng
còn có khối lập trình toàn cục GAPU (Global Analogic Program Unit) phục vụ cho
điều hành toàn mạng.

Hình 1.5. Cấu trúc máy tính CNN-UM
Số hóa bởi trung tâm học liệu

/>
17


Khối OPT (Optical Sensor) ở mỗi tế bào làm chức năng thu nhận tín hiệu (điểm
ảnh) đầu vào trực tiếp cho tế bào mà không cần bộ chuyển đổi A/D. Bộ nhớ cục bộ
analog (LAM) và logic (LLM) lưu trữ các giá trị analog và logic của tế bào. Khối xử
lý logic cục bộ (LLU) và khối xử lý đầu ra tương tự cục bộ (LAOU) thực hiện các
phép tính toán logic và tương tự cho mỗi tế bào của mình. Các kết quả của mỗi tế bào
được lưu giữ trong các bộ nhớ cục bộ. Khối điều khiển và truyền thông cục bộ

(LCCU) thực hiện chức năng điều khiển và trao đổi thông tin giữa các tế bào lân cận
và tới khối lập trình toàn cục (GAPU). Khối lập trình tương tự - số toàn cục GAPU có
các thanh ghi và khối điều khiển toàn cục. Thanh ghi chương trình analog APR lưu trữ
các trọng số của tế bào mạng CNN. Trong trường hợp r = 1 tổng số trọng lưu trữ là 19
số thực. Thanh ghi chương trình logic (LPR) chứa các lệnh logic cần thực hiện cho các
tế bào. Thanh ghi cấu hình chuyển mạch (SRC) chứa các thông số khởi động và các
tham số cho các chức năng hoạt động của các tế bào. Khối điều khiển tương tự số toàn
cục (GACU) lưu các lệnh tuần tự của chương trình chính (analogic) và thực hiện các
chức năng điều khiển toàn cục khác. Một thuật toán chạy trong CNN-UM có thể được
tuần tự thực hiện qua các lệnh analog và logic. Mức độ kết quả trung gian có thể được
tổ hợp và lưu trữ cục bộ. Các phép tính analog (analog operations) được định nghĩa
bởi các trọng liên kết tuyến tính hoặc phi tuyến. Đầu ra có thể được định nghĩa cả
trong trạng thái xác định hoặc không xác định của mạng. Các phép tính logic (NOT,
AND, OR, ...) và số học (cộng, trừ) có thể được thực hiện trong mỗi tế bào. Dữ liệu có
thể chuyển đổi được giữa các bộ nhớ cục bộ LAM và LLM.
b. Ngôn ngữ, chương trình dịch, hệ điều hành của CNN-UM
Cũng như các máy tính điện tử khác CNN-UM có các ngôn ngữ để lập trình từ
mức thấp đến cao. Ở mức thấp nhất là mã máy, tiếp đến là ngôn ngữ assemly của CNN
được gọi là AMC (Analogic Macro Code). Mã AMC được dịch thành mã máy dưới
dạng firmwave và các tín hiệu điện cho chip CNN hoạt động. Ở mức cao có ngôn ngữ
a mô tả các chu trình xử lý, mẫu trọng số, các chương trình con. Chương trình dịch a
sẽ chuyển các lệnh ngôn ngữ a sang dạng hợp ngữ AMC để chạy trên máy CNN. AMC
có thể cho chạy trên phần cứng có chip CNN. Hệ điều hành COS (CNN Operating
System) được cài đặt trên các máy CNN-UM phục vụ cho chạy các chương trình AMC
cũng như giao tiếp với các hệ thống kết nối bên ngoài. Để phục vụ nghiên cứu và đào
tạo ta có thể cho chạy chương trình AMC trong môi trường mô phỏng số CNN-UM
(Emulated Digital CNN-UM) hoặc mô phỏng mềm (CNN simulator) trên máy PC
Pentium với hệ điều hành Windows hoặc Unix.
Số hóa bởi trung tâm học liệu

/>
18


Về tổng quan các chức năng của một hệ thống hoàn chỉnh gồm 3 phần: - Bộ
Compiler và Interpreter.

Hình 1.6. Mô tả khái quát các bước lập trình ở các ngôn ngữ khác nhau
cho máy tính CNN-UM
- Hệ điều hành CNN (CNN Operating System-COS) và giao diện vật lý CNN
chuẩn (CNN Physic Interface- CPI). Hệ điều khiển trên PC có thể tích hợp trên
mainboard của máy PC gọi là PCS (CNN Prototyping System Board).
- Nền tảng kết cấu vật lý (platform) cho CNN-UM: Cũng như máy tính PC, mỗi
xử lý đều được xây dựng nên từ các câu lệnh, có thể đóng gói thành các hàm thư viện.
CNN UM cũng cung cấp cho người dùng một tập thư viện các mẫu và ngày càng
được bổ sung thêm.[5]
1.4. Công nghệ xử lý ảnh nhanh trên mạng CNN
Máy tính xử lý ảnh nhanh CNN
a. Chip tế bào thị giác
Mạng nơron tế bào được thiết kế giống như mạng lưới gồm có số lượng lớn các
tế bào xử lý tương tự giống hệt nhau. Những tế bào xử lý này được sắp xếp trong một
Số hóa bởi trung tâm học liệu

/>
19


cấu trúc đều (thường là hình chữ nhật hoặc lục giác) và được kết nối cục bộ (liên kết với
tế bào bên cạnh gần nhất) để tạo ra mối liên kết trên mạch bán dẫn.[1][5]
Mô hình trọng số của các liên kết là

một không gian bất biến, nghĩa là mạng chỉ
có một số thông số tự do (khoảng vài chục
thông số). Mỗi tế bào xử lý được gắn với
một cảm biến ánh sáng và có thể xử lý các
điểm ảnh có giá trị mức xám (grayscale)
hoặc nhị phân. Trên cơ sở cấu trúc bên trong
và chức năng của các phần tử xử lý, mô hình
liên kết các tế bào và trọng số của các liên
kết, một số lượng lớn các kiểu mạng tế bào
xử lý ảnh khác nhau có thể thực hiện được.

ơ

Hình 1.7. Mạng CNN 2D

Sau đây là một kiểu kiến trúc mạng nơron tế bào xử lý ảnh thông dụng nhất
(Visual Cellular Neural Network). Trong kiến trúc này, phần tử xử lý chứa 2 lớp gồm
một lớp vào và một lớp ra:

Hình 1.8. Mô hình kết nối mạng nơron tế bào
Lớp đầu vào cung cấp mối liên kết feed-forward cho lớp đầu ra. Trong lớp đầu
ra, có các trọng số phản hồi ngược liên tục trong thời gian từ các tế bào lân cận trong
không gian.
Một mạng nơron tế bào xử lý ảnh CNN có thể được khởi tạo với 2 ảnh, một ảnh
được nạp vào đầu vào input, ảnh còn lại là đầu ra output. Trong pha xử lý này, ảnh
trong đầu ra được thay đổi và ảnh cuối cùng trên lớp ra là kết quả của sự tính toán.
Số hóa bởi trung tâm học liệu

/>
20

Trong chip tế bào thị giác, ngoài cấu trúc mạng nơron tế bào, còn có một số các kiến
trúc thực hiện tính toán hiệu năng cao khác tồn tại.
Các kiến trúc này có thể chỉ xác
định mạng 1 lớp với liên kết tuyến tính
hoặc các kiểu liên kết phi tuyến khác.
Ngoài ra còn có các chức năng xử lý toàn
cục khác. Giáo sư Tamás Roska từ Viện
MTA SzTAKI Budapetst, Hungary và
giáo sư Leon O. Chua từ Đại học
Berkeley Caliornia USA đã đưa ra giải
pháp để chuyển đổi cấu trúc mảng gồm
các tế bào xử lý sang kiến trúc chíp xử lý
có khả năng lập trình theo thuật toán.

Hình 1.9. Quá trình tính toán của mạng
nơron tế bào

Hai giáo sư đã đề xuất giải pháp tạo ra sự liên kết các trọng số khả trình và thực
hiện trong các vùng nhớ ảnh xám và ảnh nhị phân. Họ cũng đề xuất thêm thuật toán
khả trình và các đơn vị xử lý logic ở mỗi tế bào.

Hình 1.10. Kiến trúc bên trong của một tế bào xử lý
Việc lập trình các trọng số và tích hợp việc xử lý và lưu giữ các khối đã tạo ra
chíp xử lý ảnh trên nền mạng CNN. Một ảnh với kích thước mảng (array-sized image)
(mỗi tế bào xử lý tương ứng với một điểm ảnh - image pixel) có thể nạp (download) và
lưu trữ trong chíp và thực hiện tuần tự những phép tính trên chíp. Những kết quả bên
Số hóa bởi trung tâm học liệu

/>
21


trong có thể được lưu trữ và dùng trong thuật toán đang thực hiện. Ví dụ một vài thuật
toán xử lý ảnh thay đổi những ảnh có giá trị mức xám gốc thành ảnh nhị phân. Sau khi
chuyển đổi, ảnh có thể được lưu trữ trong bộ nhớ nhị phân, phân tán trong chip (onchip) và các phép toán logic cũng có thể được chấp nhận.
Nếu chúng ta gắn thêm cảm biến quang học (optical sensor) vào mỗi phần tử xử
lý, chúng ta nhận được chíp xử lý thị giác. Với khả năng tích hợp cảm biến quang học,
chíp xử lý thị giác có thể bắt ảnh và xử lý chúng ngay lập tức, song song trong từng
điểm ảnh. Như vậy ta đã tạo ra một thiết bị xử lý ảnh tốc độ xử lý ảnh rất nhanh (lên
tới >10000 Fps) mà lại nhỏ, giá thành rẻ và tiêu thụ điện năng thấp.
b. Máy tính thị giác (Visual computers)
Máy tính thị giác là môi trường tính toán xử lý ảnh chuyên nghiệp hiệu năng cao
(highperformance) của các lọai chíp thị giác. Nó được thiết kế với hai mục đích chính.
Một mặt nó là môi trường phát triển của chip thị giác và mặt khác nó là môi trường
ứng dụng mà có thể được sử dụng trong công nghiệp.
Các máy tính thị giác đầu tiên được thực hiện trên các chip thị giác ACE4K
Kiến trúc của máy tính thị giác có một chip thị giác ACE4K và một module
DSP trong hệ thống. Module DSP này có ba vai trò quan trọng. Đầu tiên, nó cung cấp
giao diện PCI nhanh đối với PC công nghiệp chủ hoặc PC để bàn. Thứ hai, nó điều
khiển bộ vi xử lý tế bào thị giác ACE4K, cung ứng nó với dữ liệu và điều khiển sự
hoạt động của nó. Vai trò thứ ba là DSP mạnh (Texas 320C6202 @ 250 MHz) có thể
thực hiện các phép xử lý ảnh mà không thể được thực hiện hiệu quả trên bộ vi xử lý tế
bào thị giác CNN.

Hình 1.11. Sơ đồ khối của máy tính thị giác

Số hóa bởi trung tâm học liệu

/>
22


Hệ thống được điều khiển bởi PC chạy dưới Windows NT hoặc Windows 2000.
hoặc máy tính công nghiệp PC104-plus. Trong trường hợp sử dụng trong phòng thí
nghiệm hoặc phòng sạch, hệ thống có thể cài vào máy tính để bàn.

Hình 1.12. Máy tính thị giác trên PC 104 plus Hình 1.13. Máy tính thị giác trên PC để bàn

Số hóa bởi trung tâm học liệu

/>
23