BP人工神經(jīng)網(wǎng)絡(luò)在圖像分割中的應(yīng)用

《BP人工神經(jīng)網(wǎng)絡(luò)在圖像分割中的應(yīng)用》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。

1、維普資訊http://www.cqvip.com計(jì)算機(jī)科學(xué)2007Vo1．34№．3BP人工神經(jīng)網(wǎng)絡(luò)在圖像分割中的應(yīng)用)楊治明王曉蓉彭軍陳應(yīng)祖(重慶科技學(xué)院電子信息工程學(xué)院重慶400050)摘要圖像分割是圖像處理和計(jì)算機(jī)視覺(jué)的重要研究領(lǐng)域，也是圖像識(shí)別和圖像分析的基礎(chǔ)性工作之一。圖像分割效果的好壞直接影響圖像特征的提取、圖像識(shí)別的精度。BP人工神經(jīng)網(wǎng)絡(luò)在理論上具有實(shí)現(xiàn)任意非線性映射的能力，具有自學(xué)習(xí)、自適應(yīng)及魯棒性強(qiáng)的特點(diǎn)，在模式識(shí)別、模式分類和模糊控制等領(lǐng)域得到廣泛應(yīng)用。作者將BP人工神經(jīng)網(wǎng)絡(luò)成功地運(yùn)用于印鑒圖像分割、車牌號(hào)碼圖像的分割等工作中，取得了良好的圖像分割效果。關(guān)鍵詞

2、BP神經(jīng)網(wǎng)絡(luò)，神經(jīng)元，圖像分割，圖像識(shí)別TheApplicationofBPNeuralNetworksinImageSegmentationYANGZhkMingNGXiao-RongPENGJunCHENYing-Zu(CollegeofElectronicInformationEngineering，ChongqingUniversityofScienceandTechnology，Chongqing400050)AbstractImagesegmentationisoneofthemostimportantresearchfieldsofimageprocessandco

3、mputervision，anditisalsooneofbasicworksinimagerecognitionandimageanalysis．Successornotofimagesegmentationwillafectthesuccessofcharacterabstractofimageandimagerecognition．AstheBPNeuralnetworkscantheoreticallymapanynon-linearrelation，anditpossessessomegoodpropertiessuchasself-learning，self-adap

4、tingandstrongerrobustness．Ithasbeenwidelyusedinpatternrecognition，patternclassifyingandfuzzycontrolling．Inthispaper，thewriterap—pliestheBPneura1networkstosegmentthesealimageandvehiclelicenseplate，andachievedgoodimagesegmenteffect．KeywordsBPneuralnetworks，Neuralcell，Imagesegmentation，Imagereco

5、gnition多層前向反饋式神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用比較廣泛的人工神義_2j：經(jīng)網(wǎng)絡(luò)，其中BP(BackPropagationnetwork，簡(jiǎn)稱BP網(wǎng)絡(luò))學(xué)令集合R代表整個(gè)圖像區(qū)域，對(duì)R的分割可看作將R分習(xí)算法是最著名的多層前向反饋式神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法之一。成N個(gè)滿足下列5個(gè)條件的非空子集(子區(qū)域)R-，Rz，?，該算法在圖像處理和圖像識(shí)別領(lǐng)域已經(jīng)取得令人矚目的成RⅣ；就，其主要思想是利用已知確定結(jié)果的樣本模式對(duì)網(wǎng)絡(luò)進(jìn)行Ⅳ①UR=R；訓(xùn)練，然后利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行圖像的處理或識(shí)別[1]?！欢?，由于BP的訓(xùn)練是“導(dǎo)師監(jiān)督”的學(xué)習(xí)，最終的輸出②對(duì)所有的i和，有RnRI：j2『(≠)；③對(duì)

6、一1，2，?，N，有P(R)一TRUE；結(jié)果往往與訓(xùn)練樣本的特征、網(wǎng)絡(luò)結(jié)構(gòu)等因素密切相關(guān)。當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)確定時(shí)，訓(xùn)練樣本輸入模式的相關(guān)性往往會(huì)導(dǎo)致網(wǎng)④對(duì)ig=，有P(RUR)=FALSE,絡(luò)內(nèi)某些神經(jīng)元總是處于“獲勝”狀態(tài)，而其他神經(jīng)元成為“死⑤對(duì)=1，2，?，N，R是連通區(qū)域。點(diǎn)”口]，使得神經(jīng)元網(wǎng)絡(luò)的模式不能得到充分利用，從而導(dǎo)致其中P(R)是對(duì)所有在集合R中元素的邏輯謂詞，j2『代表空?qǐng)D像分割的失敗。分析其原因，首先是輸入模式中，某些輸入集。節(jié)點(diǎn)輸入的數(shù)值遠(yuǎn)遠(yuǎn)大于其他節(jié)點(diǎn)的數(shù)值，導(dǎo)致“大數(shù)吃小傳統(tǒng)的圖像分割方法是基于R、G、B閾值法來(lái)判斷該點(diǎn)數(shù)”問(wèn)題的出現(xiàn)；其次是部分代表重要特

7、征的學(xué)習(xí)樣本數(shù)量不是否為目標(biāo)像素點(diǎn)。由于噪聲和背景的干擾，往往不能取得足，導(dǎo)致相關(guān)的神經(jīng)元連接權(quán)得不到充分的調(diào)整。針對(duì)以上質(zhì)量良好的目標(biāo)圖像。問(wèn)題，作者根據(jù)BP網(wǎng)絡(luò)的特性，采用了在輸入層和隱藏層間利用BP網(wǎng)絡(luò)解決類似問(wèn)題時(shí)，首先是對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)增加歸一化層，輸出層后增加數(shù)值還原層的方法和采用針對(duì)練，然后將網(wǎng)絡(luò)應(yīng)用于圖像分割。BP網(wǎng)絡(luò)在分割圖像時(shí)，本性學(xué)習(xí)的方法，強(qiáng)化BP網(wǎng)絡(luò)的訓(xùn)練，取得了滿意的效果。質(zhì)上是將待處理圖像中的各點(diǎn)聚類為目標(biāo)像素和非目標(biāo)像素。正確聚類后去除非目標(biāo)像素，