BỘ GIÁO DỤC VÀ ĐÀO TẠO

VIỆN KH&CN VIỆT NAM

VIỆN CÔNG NGHỆ THÔNG TIN

Phạm Đức Long

PHÁT TRIỂN MỘT SỐ
THUẬT TOÁN XỬ LÝ ẢNH
SỬ DỤNG MẠNG NƠRON TẾ BÀO

LUẬN ÁN TIẾN SĨ TOÁN HỌC

HÀ NỘI 10 - 2011


BỘ GIÁO DỤC VÀ ĐÀO TẠO

VIỆN KH&CN VIỆT NAM

VIỆN CÔNG NGHỆ THÔNG TIN

Phạm Đức Long

PHÁT TRIỂN MỘT SỐ
THUẬT TOÁN XỬ LÝ ẢNH
SỬ DỤNG MẠNG NƠRON TẾ BÀO
Chuyên ngành: Bảo đảm toán học cho máy tính
và hệ thống tính toán
Mã số:

quả nêu trong luận án là trung thực và chưa từng được công bố trong bất kỳ sản
phẩm khoa học nào khác.


1

MỤC LỤC
Trang
CHƯƠNG 1: MỞ ĐẦU
1.1. Tổng quan về xử lý ảnh dùng mạng nơron tế bào CNN
1.1.1 Tình hình nghiên cứu trên thế giới

9
10

a). Lọc nhiễu trong xử lý ảnh trên máy tính hệ lệnh tuần tự

10

b). Sự ra đời và phát triển của CNN và CNN UM

12

c). Xử lý ảnh dùng CNN

20

1.1.2 Tình hình nghiên cứu về xử lý ảnh dùng CNN trong nước.

22

29

2.2. Một số vấn đề cơ bản của CNN
2.2.1. Giới hạn động lực học của CNN

32

2.2.2. Độ ổn định của CNN.

32

2.2.3. Ba kiểu điều kiện biên tiêu biểu cho một CNN

35

2.2.4. Thiết kế mẫu cho mạng nơ ron tế bào

36

a). Bộ mẫu – chương trình máy tính mạng nơ ron tế bào

36

b). Các phương pháp thiết kế mẫu cho CNN

40

2.2.5. Thiết kế mẫu giải các PDE khuếch tán

41

b). CNN một lớp thực hiện bộ lọc phức của Gabor

50

2.4.2. Mô hình CNN hai lớp của Zonghuang Yang, Yoshifumi
và Akio Ushida

51

CHƯƠNG 3: PHÁT TRIỂN MỘT SỐ THUẬT TOÁN XỬ LÝ ẢNH
XỬ LÝ SONG SONG DÙNG CÔNG NGHỆ MẠNG NƠRON TẾ BÀO
3.1. Thuật toán lọc nhiễu dùng CNN với khuếch toán phức

53

3.1.1. Mô hình CNN thực hiện PDE khuếch tán tuyến tính phức

53

3.1.2. Mô hình CNN khuếch tán phi tuyến phức

63

3.1.3 Độ chính xác của phương pháp

69

3.2. Thuật toán lọc nhiễu SHOCK dùng CNN.

69


88

CHƯƠNG 4: MỘT SỐ KẾT QUẢ THỰC NGHIỆM
VÀ MÔ PHỎNG KIỂM CHỨNG
4.1. Thực nghiệm thuật toán lọc nhiễu shock
4.1.1. Mô tả thực nghiệm

93

4.1.2. Kết quả và đánh giá so sánh với các phương pháp khác

94


3

4.2. Mô phỏng thuật toán lọc nhiễu đốm SRAD
4.2.1. Mô tả bài toán mô phỏng

99

4.2.2. Kết quả và đánh giá so sánh với các phương pháp khác

99

4.3. Thực nghiệm xử lý ảnh thời gian thực trên CNN UM
4.3.1. Thực nghiệm thuật toán phục hồi ảnh đối xứng thời gian thực

99

Các kết quả mới của luận án

112

Kiến nghị về những nghiên cứu tiếp theo

112

Danh mục các công trình đã công bố

114

TÀI LIỆU THAM KHẢO

116


4

Danh mục các hình vẽ
Hình 1.1

Các mức phần mềm và công cụ sử dụng ngôn ngữ.

Hình 1.2

Cấu tạo của thiết bị Bi-iV2

Hình 1.3


Hình 2.8

Cấu trúc hệ thống của một cell trung tâm không ghép cặp.

Hình 2.9

Sáu kiểu hệ số của mẫu A 3x3 cho phép CNN ổn định.

Hình 2.10

Đồ thị DP.

Hình 2.11

Giải thích bằng mạch điện của điều kiện tế bào biên cố định
(Dirichlet).

Hình 2.12

Giải thích bằng mạch điện các tế bào biên kiểu Neumann.

Hình 2.13

Giải thích bằng mạch điện các tế bào biên kiểu Periodic.

Hình 2.14

Mẫu tìm biên và hiệu quả của mẫu.

Hình 2.15


Hình 2.23

Khuếch tán phức của ảnh cameraman với θ lớn.

Hình 2.24

Làm mờ một ảnh bằng CNN.

Hình 2.25

Thực hiện bộ lọc Gabor phức.

.


5

Hình 2.26

Tách đôi đối tượng thành hai nửa dùng CNN 2 lớp.

Hình 2.27

Tìm xương đối tượng bằng mạng CNN hai lớp.

Hình 3.1

CNN 2 lớp 2D giải phương trình khuếch tán.


Thuật toán thực hiện bộ lọc shock theo phương pháp lai.

Hình 3.10

Biểu đồ DP của CNN tính Ipx.

Hình 3.11

SRAD tám hướng.

Hình 3.12

Thuật toán lai giảm nhiễu đốm.

Hình 3.13

Sơ đồ khối của thuật toán khôi phục ảnh 2D đối xứng bằng
CNN.

Hình 3.14

Biểu đồ xử lý luồng ảnh.

Hình 3.15

Ảnh X0 .

Hình 3.16

Quay P1 1800 quanh trục Oz để nhận được P2.


6

Hình 4.8

Màn hình chương trình và các ảnh nguyên thuỷ sau khi khôi
phục.

Hình 4.9

Đĩa gắn mũ ốc.

Hình 4.10

Mô hình thí nghiệm.

Hình 4.11

Thuật toán xử lý chính.

Hình 4.12

Quá trình xử lý ảnh: một số tác vụ trong ACE16K, một số
tác vụ trong DSP.

Hình 4.13

Ảnh thu được qua camera.

Hình 4.14


Danh mục các bảng
Bảng 1.1

Kích thước mảng CPU trong chip CNN tăng theo thời gian.

Bảng 4.1

Hiệu quả xử lý của một số bộ lọc shock.

Bảng 4.2

Tỷ lệ số phép toán thực hiện song song khi sử dụng thuật toán
lai.

Danh mục các ký hiệu, viết tắt
*

Phép chập cuộn

x

Phép nhân

∆

Toán tử Laplace

div(.)



Thành phần phức của I.

Ix

Đạo hàm bậc nhất theo hướng x của I.

Ixx

Đạo hàm bậc hai theo hướng x của I.

Ixxx

Đạo hàm bậc ba theo hướng x của I.

ℑ

Trường số phức.

ℵ

Trường số nguyên.

ℜ

Trường số thực.

uij

Điện áp vào cell ij.


CNN UM

Máy tính vạn năng tương tự lo gic (CNN Universal Machine).

DC

Dòng điện một chiều (Direct Current).

DSP

Bộ xử lý tín hiệu số (Digital Signal Processor).

fps

Số khung ảnh trong 1 giây (frame per second).

FPGA

Mảng cổng dạng trường lập trình được (Field Programmable
Gate Array).

1D

Một chiều (1 dimention).

2D

Hai chiều (2 dimentions).



Tỷ lệ tín hiệu đỉnh trên nhiễu (Peak Signal-to-Noise Ratio)

SAR

Ảnh tổng hợp Radar (Synthetic Aperture Radar).

SNR

Tỷ lệ tín hiệu trên nhiễu (Signal-to-Noise Ratio)

SRAD

Khuếch tán không đẳng hướng giảm nhiễu đốm (Speckle
Reducing Anisotropic Diffusion).

TeraOPS

1012 lệnh/giây (tera Operations per Second).

VCCS

Nguồn dòng điều khiển bằng điện áp (Voltage Controlled
Current Source).

Thuật ngữ
Biên (edge)

Nơi có sự thay đổi đột ngột về độ sáng.


CHƯƠNG 1 MỞ ĐẦU
1.1.Tổng quan về xử lý ảnh dùng mạng nơron tế bài CNN
Xử lý ảnh bằng máy tính hệ lệnh tuần tự đã đạt được nhiều thành tựu và là
một lĩnh vực vô cùng quan trọng trong xử lý thông tin và tín hiệu bằng máy tính.
Các chương trình ứng dụng như: nhận dạng mặt người, nhận dạng vân tay trong
điều tra hình sự, xử lý ảnh vệ tinh, kiểm soát giao thông, xử lý ảnh chụp cắt lớp,
MRI, chuẩn đoán tế bào trong y học, các chương trình nhận dạng chữ viết...đã đem
lại nhiều ứng dụng tiện ích cho con người. Xử lý ảnh trên máy tính hệ lệnh tuần tự
đã đạt được các kết quả mỹ mãn trên các ảnh 2D. Trong lĩnh vực 3D cũng thu được
nhiều kết quả có ý nghĩa khoa học và thực tiễn. Việc nghiên cứu các phương pháp
xử lý ảnh, cải tiến các thuật toán xử lý trên máy tính hệ lệnh tuần tự vẫn được tiếp
tục nhằm đáp ứng các nhu cầu của thực tế. Trong khoảng 10 năm trở lại đây, ngoài
việc phát triển các phương pháp xử lý truyền thống giới xử lý ảnh còn quan tâm đến
một loại hình xử lý ảnh mới là xử lý ảnh dùng PDE [17], [25], [27], [28], [37],... do
có nhiều ưu điểm hơn so với các phương pháp đã có. Tuy nhiên dù theo hướng nào
thì xử lý ảnh trên máy tính hệ lệnh tuần tự đã gặp phải các ngưỡng, các giới hạn khó
có thể vượt qua đó là tốc độ xử lý. Các ảnh đưa vào máy tính để xử lý là các ảnh đã
được số hoá. Chúng có thể là ảnh nhị phân (chỉ có 2 mức đen/trắng) hoặc ảnh đa
cấp xám (đen trắng có nhiều mức) hoặc ảnh màu (tổng hợp từ 3 màu cơ bản: đỏ,
xanh, lục). Các ảnh được lưu trữ dưới dạng các ma trận có kích cỡ khác nhau. Khi
xử lý ảnh tuỳ theo yêu cầu các giá trị ảnh sẽ bị biến đổi với các phép tính toán khác
nhau. Việc thao tác được thực hiện trên từng bit một. Ảnh càng lớn, thao tác càng
phức tạp thì số lượng phép tính phải thực hiện càng lớn thì dẫn đến thời gian xử lý
càng dài. Với các máy tính PC hiện nay thời gian xử lý trọn vẹn một tác vụ của một
ảnh dung lượng 128x128 (chúng ta tạm lấy con số này để dễ so sánh với CNN sau
này) không thể hoàn thành trong vài phần triệu giây (micro giây).
Một yếu tố nữa làm cho việc xử lý ảnh thời gian thực trên máy tính hệ lệnh
tuần tự khó thực hiện được là việc chuyển thông tin thu nhận vào cho CPU xử lý.
Cơ chế này yêu cầu các tín hiệu điện analog từ các sensor CCD khi đưa vào CPU
phải qua các bộ ADC để chuyển thành tín hiệu số rồi đưa qua bộ nhớ máy tính sau

Các nhiễu làm giảm hoặc nhiều khi làm mất khả năng khả năng biểu lộ thông tin
của đối tượng chính trong ảnh. Có nhiều loại nhiễu như nhiễu cộng, nhiễu nhân,
nhiễu xung. Với mỗi loại nhiễu cần có các bộ lọc thích hợp. Với nhiễu cộng và
nhiễu nhân người ta thường dùng các bộ lọc thông thấp, trung bình và lọc đồng hình


11

(homomorphic). Với nhiễu xung ta dùng lọc trung vị, giả trung vị, lọc ngoài [1], [3],
[4].
Trên thế giới việc nghiên cứu về khử nhiễu vẫn tiếp tục được quan tâm.
Trong khoảng 5 năm trở lại đây nghiên cứu về khử nhiễu trong xử lý ảnh chủ yếu là
sử dụng các công cụ ứng dụng wavelet, fuzzy [36], [40],...

• Xử lý ảnh dùng PDE
Từ khoảng những năm cuối của thế kỷ 20 việc ứng dụng PDE cho xử lý ảnh
đã được khởi động nghiên cứu, bắt đầu từ các bài báo của Witkin và Koenderink
[19], [47] tiếp theo là các công trình của Osher và Rudin [39], L.Alvarez và
L.Mazorra [32], P.Perona và J.Malik [37] với các PDE thành phần thực, G.Gillboa
và Y.Y.Zeevi, N.Sochen [22], [23], [24] với các PDE thành phần số phức. Xử lý
ảnh bằng PDE đã tỏ rõ là một phương pháp xử lý ảnh hiệu quả khi thực hiện các tác
vụ làm trơn (smoothing), giảm nhiễu (denoising) [20], [21], [25] tìm biên (edge
detection) [17], phân vùng ảnh (segmentation), phục hồi cấu trúc ảnh
(reconstruction) [28], [38], nén ảnh, thay đổi histogram (PDE based histogram
modification), ...
Các thuật toán xử lý ảnh dùng PDE [17] có nhiều đặc tính tốt do:
+ Tính chất cục bộ tự nhiên của PDE phù hợp với rất nhiều các đặc điểm cục bộ
của ảnh. Do vậy biểu diễn quá trình biến đổi ảnh qua PDE là rất thích hợp.
+ Đã sẵn có nền tảng lý thuyết toán học về PDE chặt chẽ và phong phú bao gồm
sự hội tụ, tính ổn định, lời giải duy nhất…

thế kỷ trôi qua nhưng kiến trúc và nguyên lý hoạt động của các hệ thống tính toán
hiện tại về cơ bản vẫn không có gì khác so với nguyên lý của Neuman János đưa ra
từ năm 1946. Việc tăng tốc độ tính toán dựa vào các cải tiến về tốc độ của các bộ xử
lý trung tâm CPU theo nguyên lý tuần tự tất nhiên sẽ phải dừng lại ở một giới hạn
do tính chất vật lý của vật liệu bán dẫn.
Mạng nơron tế bào (Cellular Neural Network) [5], [29], [30], [31], [43], [44]
được Leon O.Chua và Lin.Yang giới thiệu năm 1988 và sau đó là máy tính vạn
năng tương tự logic CNN UM (CNN Universal Machine) [41] xử lý theo luồng
được giới thiệu năm 1992 bởi L.O.Chua và Tamás Roska là một loại máy tính xử lý
song song thực sự, 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. Các chip CNN thực hiện tính toán song
song bằng một lệnh duy nhất cho một phép toán. Khi chúng ta đưa một mảng dữ


13

liệu cần xử lý vào đầu vào của CNN và thiết lập bộ trọng số liên kết trong CNN
thích hợp thì sau một khoảng thời gian ngắn ngủi là thời gian quá độ của mạch điện
(chỉ vài micro giây) chúng ta nhận được mảng dữ liệu đã được xử lý ở đầu ra. Về
mặt lý thuyết kích thước của mảng dữ liệu được đưa vào xử lý là không có giới hạn.
Về mặt công nghệ, hiện tại các chíp CNN thương phẩm đã có hàng vài chục ngàn
bộ xử lý trong một chip. Ví dụ chip ACE16K trong thiết bị Bi-i (được giới thiệu
2003) có 128x128=16.384 bộ xử lý, chip Q-Eye (2006) có 176x144 = 25.344 bộ xử
lý, chip 255x255=65.025 bộ xử lý đang được nghiên cứu. Những hệ thống kết hợp
cảm biến ảnh và CNN cho phép thu và xử lý ảnh đạt tốc độ đến 50.000fps. Các
mạng nơron tế bào CNN hiện nay được nghiên cứu để tạo ra các ứng dụng trong xử
lý ảnh nhanh, giải PDE, quan sát đa mục tiêu thời gian thực, xây dựng các sản phẩm
phỏng sinh học [2], [43]. Hướng cứng hoá các mô hình và thuật toán (thuần CNN
hoặc lai) sẽ cho phép tạo ra những hệ thống tính toán và xử lý cực mạch được áp

bộ ma trận trọng số liên kết trong mạng nơron một lớp [5], [29], [31] hoặc nhiều lớp
[52] đã được hoàn chỉnh, chứng minh chặt chẽ. Một số nguyên tắc xử lý mới dùng
CNN như nguyên lý xử lý cặp sóng (twin-wave processing principle), nguyên lý tự
thích nghi động phụ thuộc cảm biến (adaptive dynamic content hoặc context
dependent sensing) đã được phát triển và ứng dụng [43]. Trên cơ sở nền móng lý
thuyết vững chắc này các sản phẩm công nghệ đã được phát triển.

• Phần mềm và thuật toán
Máy tính mạng nơ ron tế bào CNN UM sử dụng hệ điều hành COS (CNN
Operating System) dưới dạng firmware trong hạ tầng phần cứng. Do là một dạng hệ
thống nhúng nên các nhà sản xuất không chú trọng phát triển giao diện với người sử
dụng riêng cho CNN-UM mà lợi dụng hệ thống PC quen thuộc để thực hiện các
thao tác nạp mẫu, hiển thị kết quả xử lý; đây cũng là một điều hợp lý trong sử dụng.
Tuy nhiên hiện nay tuỳ theo yêu cầu cụ thể một số hệ thống CNN-UM có nối thể
nối thẳng với màn hình giao diện người sử dụng cũng đã được xây dựng [50].
Để mô tả các thuật toán xử lý luồng người ta xây dựng một kiểu mô tả thuật
toán mới gọi là các biểu đồ luồng (UMF-Universal Machine on Flows). Ngôn ngữ
lập trình cho CNN-UM cũng được xây dựng thuận tiện cho người sử dụng. Mức
thấp nhất là mã máy, tiếp đến là assembly của CNN được gọi là AMC (Analogic
Macro Code). Để lập trình ở mức cao có thể sử dụng ngôn ngữ Alpha và bộ dịch
tương ứng [6] sản phẩm của Analogical and Neural Computing Labotary Computer
and Automation Institute Hungarian Academy of Sciences. Một công cụ hiện đang
được sử dụng rộng rãi là công cụ lập trình Code Compose Studio của hãng Texas.


15

Dùng Code Compose Studio (phiên bản hiện nay (9-2010) đang là 3.3) có thể nạp
các thuật toán và mẫu vào thiết bị CNN thông qua máy tính PC sử dụng các hệ điều
hành quen thuộc như Windows hoặc Linux. Các kết quả của quá trình xử lý trong

Cho đến nay các bộ trọng số liên kết cơ sở trong CNN (các mẫu - template) và thuật
toán cơ bản đã được các nhà khoa học nghiên cứu về CNN đi trước tìm ra và tập
hợp, sắp xếp thành thư viện chuẩn. Thư viện này vẫn có thể được cập nhật thêm các
mẫu và các thủ tục [12].
Đến 1-2007 đã có trên một trăm sáu mươi bộ mẫu và thủ tục của thư viện
được công bố. Phối hợp các mẫu và thủ tục cơ bản này người sử dụng có thể giải
quyết nhiều nhiệm vụ của tính toán và xử lý song song bằng CNN. Tuy nhiên đây
chưa phải là phương thức cho tất cả và trong nhiều trường hợp người sử dụng phải
xây dựng các mô hình mới, tìm ra các mẫu mới, xây dựng các thủ tục mới để giải
quyết nhiệm vụ tính toán xử lý của mình.


16

• Sản phẩm thương mại
Các mảng CNN ban đầu thực hiện xử lý song song được thiết kế với các ma
trận trọng số liên kết cố định. Ngay lập tức người ta nhận thấy rằng điều này thực là
bất tiện và các chip CNN sau này được thiết kế có tính năng thay đổi được giá trị
của các ma trận trọng số. Kích thước của các mảng procesor trong chip CNN có độ
lớn ngày càng tăng (xem bảng 1.1).
Bảng 1.1 Kích thước mảng CPU trong chip CNN.
T

Tên chip

T

Số bộ processor

Công


CMOS 2003

4

Q-Eye

176x144 = 25.344

CMOS 2006

128x128 = 16.384

FPGA

2008

176x144 = 25.344

FPGA

2008

5
6

Chip thử nghiệm với lõi Falcon PE
trên board RC203 FPGA của Xilinx
Eye-RIS


ACE16k, tương ứng với các đầu ra yêu cầu người ta khởi tạo thiết bị và nạp bộ
mẫu, sau đó thực hiện quá trình quá độ. Sau khoảng thời gian quá độ < 5µs mạng
lan truyền và đầu ra thu được kết quả mong muốn.
Sensor CMOS
1280x1024
(IBIS 5)

Bộ nhớ Flash và
SDRAM

Bộ xử lý
truyền tin
ETRAX 100

Sensor bộ xử lý
CNN
Các sensor ngoài
DSP số nguyên
TX C6415 @600MHz
Vào ra số

DSP số thực
TX
@150MHz
PLD(Xilinx)

Liên lạc với Host Coputer
qua Ethernet, RS232, USB

Hình 1.2 Cấu tạo của thiết bị Bi-iV2

Hình 1.3 Eye-RIS


19

Eye-RIS là một máy tính vạn năng tương tự logic CNN UM kết hợp camera với
mảng 25.344 bộ xử lý on chip có thể xử lý ảnh nhị phân, ảnh mức xám và ảnh màu
với kích thước (3.5 x 4.5 x 8.0 cm), trọng lượng (118g), công suất tiêu thụ cực nhỏ
(2.7W)! Có thể nói đây là một con mắt công nghiệp, có thể được ứng dụng cho
nhiều nhiệm vụ xử lý ảnh thời gian thực.

• Khả năng ứng dụng
CNN được dùng để xử lý theo luồng các mảng tín hiệu. Do sự xử lý là song
song thực sự-chỉ cần một lệnh duy nhất cho cả mảng vài chục ngàn bộ xử lý nên
CNN rất thích hợp cho các nhiệm vụ xử lý tín hiệu có khối lượng đồ sộ như xử lý
ảnh, video, mảng tín hiệu sensor tiếp xúc, xử lý dữ liệu trong nghiên cứu y học như
nghiên cứu về miễn dịch, DNA, giải phương trình vi phân đạo hàm riêng đáp ứng
xử lý thời gian thực. Các thiết bị chuyên dụng CNN có thể đạt tốc độ thu và xử lý
ảnh đến hàng chục ngàn fps cho phép ứng dụng vào nhiều nhiệm vụ phức tạp trong
thực tiễn; nhất là trong công nghiệp và quốc phòng. Sản xuất công nghiệp ngày nay
đã đạt tới trình độ tự động hoá cao, tốc độ sản xuất của dây chuyền rất lớn. Thực tế
này dẫn tới là nếu có sai lệch trong quá trình sản xuất thì chỉ trong những khoảng
thời gian rất ngắn đã có ngay hàng loạt lớn số lượng sản phẩm phế phẩm. Do đó
mọi khâu từ kiểm tra giám sát đến điều chỉnh đều phải đáp ứng rất nhanh; đặc biệt
là khâu kiểm tra phát hiện, chẳng hạn kiểm tra các hoạ tiết của tiền giấy bị lỗi trong
quá trình in, phân loại các viên thuốc lỗi trong sản xuất, kiểm tra hàn tự động các
đầu nối IC, ... các dạng kiểm tra này không cho phép tiếp xúc dụng cụ đo kiểm với
sản phẩm nên phải áp dụng các phương pháp khác trong đó có thể dùng xử lý ảnh
để kiểm tra. Một ví dụ khác sử dụng CNN trong quân sự là quan sát đa mục tiêu di
động: có nhiều loại mục tiêu cùng xuất hiện, chúng có hành vi di chuyển phức tạp

học liên tục về thời gian nên luồng ảnh được xử lý (thực chất là luồng tín hiệu điện),
trạng thái biến đổi của ảnh có thể quan sát được liên tục; đây là thuộc tính không
thể có được khi xử lý trên máy tính tuần tự.
+ Ý nghĩa khoa học:
Việc ứng dụng CNN cho các yêu cầu tính toán và xử lý nhanh đã cung cấp
cho xã hội con người một công cụ mạnh, sắc bén có tiềm năng lớn trong các hoạt
động khoa học, công nghệ, quân sự và dân dụng. Việc nghiên cứu về CNN giúp cho
việc thúc đẩy nghiên cứu tiếp cận các hoạt động sống của động vật: các cơ chế thu
nhận và xử lý âm thanh, hình ảnh, áp suất, ... của tai, mắt, da,... của động vật có thể
giống như mô hình các hệ thu và xử lý tín hiệu CNN.


21

+ Ý nghĩa thực tiễn:
Một điều rất lý thú và cũng là đặc điểm nổi bật của mạng nơron tế bào CNN
là do tính đơn giản về kết cấu và chúng có giới hạn động lực học xác định nên việc
thực hiện trên phần cứng tương đối đơn giản hơn so với việc cứng hoá các chip xử
lý tuần tự. Các hệ thống xử lý ảnh tốc độ cao dùng CNN có thể được cứng hoá trên
các mảng FPGA, tích hợp trong các hệ nhúng sẽ là những sản phẩm phổ biến trong
thời kỳ hậu PC hiện nay. Ở mức cao hơn nữa người ta tìm cách cứng hoá các thuật
toán CNN. Khi đó các thuật toán sẽ được thực hiện với thời gian ở gần mức quá độ
của mạch điện (thường khoảng vài micro giây) có nghĩa là các thuật toán xử lý phức
tạp sẽ chạy ngay trực tiếp trên các mạch điện được thiết kế theo yêu cầu của nhiệm
vụ cụ thể. Điều này là hoàn toàn cho phép do công nghệ FPGA đang càng ngày
càng phát triển và giá thành càng hạ. Đây cũng là một hướng nghiên cứu mở vô hạn
cho những người nghiên cứu về xử lý và tính toán thời gian thực dùng CNN.

• Xử lý ảnh dùng CNN những kết quả đạt được và những vấn đề còn chưa
được nghiên cứu