基于忆阻神经网络的图像边缘检测的FPGA硬件实现

基于忆阻器的高集成度和非易失性等特点，本文将忆阻器应用于传统神经网络模型中，对原有的脉冲耦合神经网络进行创新，将两个忆阻元件反向并联替代神经网络连接权值，形成忆阻神经网络。同时利用忆阻神经网络可对图片实现边缘检测的特性，将边缘检测结果图与FPGA结合，通过串口通信，SDRAM存储，TFT显示等模块，使用Verilog语言对各个硬件模块进行描述，最后成功在TFT显示屏上显示出结果图。

边缘检测[1]作为图像处理技术中的一种，是图像处理的一个基本步骤。在进行图像的边缘检测时， 先检测出图像轮廓的像素点，然后通过连接规则将像素点连接起来，最后进行检测并形成整体的边缘。

脉冲耦合神经网络(Pulse Coupled Neural Network，简称PCNN)由Eckhorn 等人于20 世纪90 年代提出，是对猫等哺乳动物的视觉皮层神经元脉冲振荡(同步振荡)现象的研究[2]。PCNN 不需要学习或者训练，可以自主地从复杂背景下提取有效信息。现已广泛应用在图像处理中，例如图像分割，边缘检测、细化、识别等方面。

忆阻神经网络(Memristive convolutional neural networks，简称MCNN)是将忆阻器与神经网络相结合的神经网络模型[3]。

针对传统神经网络实现图像边缘检测的效果不佳以及网络参数手动设置繁琐等不足， 提出该网络模型。忆阻器具有高集成度、低功耗、可模拟突触可塑性等特点，自此，忆阻突触器件成为神经形态计算中新型电子突触器件的有力候选者之一。

FPGA (Field-Programmable Gate Array)，即现场可编程门阵列，它是在PAL、GAL、CPLD 等可编程器件的基础上进一步发展的产物[4]。

TFT-LCD 液晶显示屏是薄膜晶体管型液晶显示屏， TFT 液晶为每个像素都设有一个半导体开关，每个像素都可以通过点脉冲直接控制，因而每个节点都相对独立，并可以连续控制，对比VGA 显示器，不仅提高了显示屏的反应速度，同时可以精确控制显示色阶，TFT 液晶的色彩更真。

由于近年来神经网络的不断发展， 图像显示的分辨率和图像处理算法的复杂度也在不断提升。

而FPGA等硬件设备在图像领域得到了迅速的发展，它通过为每个功能建立单独的硬件来实现整个应用程序所需要的逻辑功能，为实现清晰图像的显示提供了可能性，所以FPGA 使其很适合作为图片显示的处理器。

2. 忆阻神经网络的边缘检测图像 2.1. 脉冲耦合神经网络 脉冲耦合神经网络模型如图1 所示。当该神经网络模型进行图像边缘检测时，彩色图像转为灰度图像，随后对灰度图像进行边缘提取。M × N 个图像像素矩阵相当于M × N 个PCNN 神经元模型[5]。

每个神经元的输入I 相当于每一个图像像素的灰度值， β 为神经元之间的连接强度[6]， PCNN 模型如图1 所示：