图像边缘包含图像最重要的特征,边缘提取是模式识别,人脸识别,图像分割等后续复杂图像处理的基础。随着物联网,大数据的普及,图像复杂度也随之增加,已有灰度图像边缘提取算法在处理复杂的彩色图像存在缺陷。一方面,传统梯度边缘提取算法计算简便,但存在自适应性低且抗噪性能差等缺点,在传统梯度边缘提取中加入复杂学习算法可在一定程度上提高算法的自适应性及准确度,却由于算法复杂度高和数据量过于庞大,为硬件实现带来了巨大挑战;另一方面,在处理彩色图像时,大多数现有的边缘提取算法先进行彩色图像转化为灰度图像的预处理,经过预处理的图像丢失了色彩信息,造成提取边缘精度下降,无法全面反映图像特征。所以亟待提出一种自适应能力强,准确度高且硬件容易实现的彩色图像边缘提取算法。细胞神经网络(Cellular neural network,CNN)作为一种高速并行处理实时信号的系统,凭借硬件易实现的优势在图像处理中得以广泛应用,引入纳米级尺寸元件:忆阻器,为细胞神经网络的硬件设计注入了新的活力,有望解决网络中因神经元数量剧增带来的硬件实现难题。本文提出一种改进传统细胞神经网络边缘提取算法:分别提取彩色图像的红,绿,蓝三种颜色分量边缘再合并;算法中融合人眼识别特性和像素空间分布影响因子,提高边缘提取的自适应能力同时大幅度增强边缘提取的准确性。文章围绕彩色图像边缘提取展开,内容可分为以下几部分:首先,为了解决CNN受现有CMOS管等硬件尺寸限制,电路搭建的神经元数量无法进一步增加的难题。引入纳米级元件忆阻器,该器件具有阻值连续可变,功耗低,非易失性和快速开关转换率等优势,可用于模拟生物神经元间的突触连接。本文提出一种忆阻细胞神经网络(Memristor-Cellular neural network,M-CNN)。一方面,该网络中CNN中的线性电阻被忆阻器代替;另一方面,用忆阻器交叉阵列结构作为突触来实现CNN中的控制和反馈模板,进一步缩小CNN电路尺寸。文章详细描述了M-CNN的数学模型和忆阻细胞单元电路结构;对提出忆阻交叉阵列结构突触进行分析说明,同时从数学理论上分析了M-CNN的稳定性和容错性,将时域连续的M-CNN离散化用于图像处理。其次,为了改善边缘提取算法自适应差和准确度低的缺点,提出一种全新的基于M-CNN的阈值自适应彩色图像边缘提取算法。算法中结合人眼在亮度和色彩上的识别特性,考虑像素空间分布的影响,设计基于颜色差值的自适应模板,增强M-CNN在彩色图像处理中的自适应性和边缘识别准确度。将提出的算法与传统的边缘提取算法进行对比,通过数值仿真观测边缘提取结果并计算对应边缘图像的FOM(Figure of Merit)值,从主观判断和客观评价充分验证了算法的有效性。为了进一步证实算法的抗噪性能,在数值仿真中加入随机噪声来模拟实际处理中受到的噪声影响,计算仿真结果的峰值信噪比(PNSR),证实了以M-CNN为处理工具的基于像素空间分布的阈值自适应算法在彩色图像边缘提取中的鲁棒性更强。最后,为了弥补彩色边缘提取中色彩信息的丢失,将单层M-CNN拓展到三层M-CNNs,每一层分别处理彩色图像的红、绿、蓝颜色分量,经过合并后得到一种带有色彩信息的边缘提取结果。通过与传统算法的对比分析,证实了算法的有效性和精准程度,为彩色图像的轮廓提取研究打下了扎实的基础。