图像边缘指的是图像中灰度值的突变部分,是图像最基本的特征之一。因此边缘提取是图像分析中重要的处理步骤,广泛地应用于图像分割、模式识别、逆向工程等方面。传统的边缘提取方法中,主要是检测梯度的最大值,二阶导数的零交叉点,小波多尺度边缘检测,曲面拟合等方法。神经网络边缘检测作为一种新近发展起来的边缘提取方法,具有可并行计算、非线性映射和自适应能力等优点,因而受到更多的关注。工业CT(Computerized Tomography)技术,作为一种先进的无损检测技术,能够通过扫描工件,重建工件切片图像序列,从而检测工件内部结构和缺陷,在航天、航空、铁路运输、机械制造等领域获得广泛应用。但由于受射线串扰等因素的影响,得到的工业CT图像可能带有伪影等噪声,用传统边缘提取方法得到的边缘往往不连续。同时,工业CT图像边缘与自然图像边缘相比较,具有更规则的几何形状,多由直线段、圆弧等几何图形组成。本文结合这些工业CT图像边缘的特点,讨论了几种神经网络边缘提取算法,如BP网络、CP网络、细胞神经网络(CNN)。在本文中,给出了这几种算法的实验结果。在用BP网络提取边缘时,需已知边缘结果的图像作为训练图像,通过网络训练得到权值矩阵,待训练结束,再将这组权值矩阵用于检测其它图像的边缘。如何选取训练图像,使网络具有很好的泛化性是必需考虑的问题。同时,BP算法容易陷入局部极小值困惑中,从而增加网络收敛的时间开销,甚至可能导致网络无法收敛。考虑到这些问题,本文构造了学习样本,从而得到二值图像边缘检测的权值矩阵,避免了因学习样本过大而难以收敛的问题。对于灰度图像,综合灰度图像各位面的边缘提取结果,从而实现对灰度图像的边缘检测。实验表明,本文得到的权值矩阵,泛化性较好,抗噪能力较强,能提取较为连续精细的边缘。在用CNN提取边缘时,直接用一组CNN进行边缘检测,往往只能得到少量的不连续的边缘,不利于图像的后续处理。本文提出了基于两组CNN的工业CT图像的分割算法。具体地,即一组CNN用于粗分割,得到阈值分割图像,再在此基础上用另一组CNN细分割,得到精细的边缘等信息。从对工业CT图像的实验结果来看,应用本文提出的方法,能够得到连续且精细的边缘,并且还能得到更多的图像分割信息。最后,本文研究改进了CNN边缘检测方法,从工业CT三维体数据出发,提取被扫描工件的内外表面(称为边缘面)。当一个边缘面与沿某方向切片序列中的某切片重合时,采用二维边缘提取方法不易从该切片序列中提取出边缘面。本文针对这种情形,将工业CT体数据沿三个互相垂直的方向剖分,得到相应的切片序列。然后对每个切片,采用两组二维细胞神经网络实现边缘提取。再将同方向的切片边缘数据重组,得到对应方向的边缘体数据。最后,综合各方向的边缘体数据得到边缘面。由于该算法考虑了体数据点在三个方向的灰度变化,边缘分割结果比仅考虑单一方向的算法更接近真实情形。对边缘分割后的体数据的三维显示表明,本文算法能得到比较完整真实的边缘面。