Az ember számára az értelmes látás természetes velejárója az életnek. Látórendszerünk struktúrájának és a korai gyermekkor alatt lezajló tanulásnak köszönhetően sajátítjuk el a nélkülözhetetlen készségeket.
Amióta digitális eszközökkel képeket nyerünk a környezetünkből, folyamatosan felmerül az igénye, hogy a számítógép is hasonlóan ,,lásson”, mint mi, emberek. A mesterséges látás aktívan kutatott terület, amely számos nehéz problémájának egyike az objektumok konturdetekciója és képről képre történő követése. Az elmúlt évtizedben a Celluláris Neurális-Nemlineáris Hálózat (CNN) igen sok érdekes problémát megoldott, főként a képfeldolgozás területén. A lokális kapcsolatainak köszönhetően - egy cella csak a közeli szomszédjaival van összeköttetésben - mondhatjuk, hogy ez nagyon jól illeszkedő számítási paradigma képfeldolgozási problémákhoz.

Ebben a dolgozatban 2D és 3D tér-időbeli algoritmusokat szeretnék bemutatni. Az algoritmusok nívóhalmazok használatán alapulnak, valamint igyekeznek kihasználni a CNN lokális kapcsolataiban rejlő előnyöket. A dolgozat fő célja, hogy lehetséges továbblépést mutasson, és párhuzamos implementációját adja - a helyi kölcsönhatások ötletét kibontva - egy gyors nívóhalmaz algoritmusnak [Shi, 2005]. Az implementált CNN algoritmusok több kiinduló görbét kezelnek, melyek
a feladatnak megfelelően olvadnak össze, vagy őrzik meg önllóságukat (például orvosi képek feldolgozásánál lehet erre szükség). Ez kiváló alap lehet gyors regisztrációhoz, képszegmentációhoz valamint objektum detekcióhoz, követéshez. Jelen munkában igyekeztünk robosztus algoritmusokat kifejleszteni. Igyekeztünk szem előtt tartani a hibatűrést. Az orvosi adatokon végzett szimulációs eredmények azt bizonyítják, hogy ez a célkitűzésünk sikerült.