(完整版)偽彩色處理技術(shù)畢業(yè)設(shè)計(jì).doc

1、偽彩色處理技術(shù)畢業(yè)論文摘要彩色圖像的偽彩色處理是目前彩色圖像處理領(lǐng)域中具有廣闊應(yīng)用前景和實(shí)際應(yīng)用價(jià)值的熱門研究課題。對(duì)彩色圖像進(jìn)行偽彩色處理有很多種方法，其中比較常用的是基于圖像分割的方法。此方法的關(guān)鍵技術(shù)是對(duì)圖像進(jìn)行有效的分割，因此本文把研究重點(diǎn)放在了對(duì)圖像進(jìn)行有效的分割上面。本文提出了一種基于 Gabor濾波器與 BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的彩色圖像分割方法。其中 Gabor濾波器方法用于提取圖像的紋理特征，而神經(jīng)網(wǎng)絡(luò)用于對(duì)所提取的圖像特征進(jìn)行分類。首先，采用 Gabor濾波器方法提取圖像的紋理特征。人類視覺系統(tǒng)具有多通道和多分辨率的特征。因此基于多通道 Cabor濾波器的應(yīng)用研究，在彩色圖像分割

2、方面得到了廣泛的關(guān)注。根據(jù)二維測(cè)不準(zhǔn)原理， Gabor濾波器對(duì)信號(hào)空間域和空間頻率域能夠做出最優(yōu)的描述，所以本文構(gòu)造了一組排列成一個(gè)小波基集合的二維 Gabor濾波器，并用其提取圖像多分辨率和多方向性的空間域和頻域的特征。通過(guò)實(shí)驗(yàn)證明，相對(duì)于其它的圖像分割方法，基于 Gabor濾波器的方法能夠取得比較好的分割效果。然后，分別采用傳統(tǒng) BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)后的 BP神經(jīng)網(wǎng)絡(luò)作為分類器對(duì)圖像進(jìn)行分割。神經(jīng)網(wǎng)絡(luò)作為一種新的方法體系，具有較強(qiáng)的自適應(yīng)性，這使得它的應(yīng)用極其廣泛，特別是它的自適應(yīng)性學(xué)習(xí)能力在模式識(shí)別方面表現(xiàn)的尤為突出。傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播算法的多層前饋神經(jīng)網(wǎng)絡(luò)，它已成

3、為目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)。但同時(shí)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)也存在著一些缺陷，例如由于采用梯度算法，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度很慢，而且容易陷入局部極小點(diǎn)等。為此，本文對(duì)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)作了改進(jìn)，并應(yīng)用于圖像分割，與用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了圖像分割的結(jié)果比較。實(shí)驗(yàn)證明，改進(jìn)后的 BP神經(jīng)網(wǎng)絡(luò)有效地克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的一些缺陷。實(shí)驗(yàn)結(jié)果表明，本文提出并應(yīng)用 Cabor濾波器與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法進(jìn)行彩色圖像分割，取得了良好的效果。與傳統(tǒng)的分割方法相比較，此方法具有較強(qiáng)的自適應(yīng)性和較快的分割速度。關(guān)鍵詞：圖像分割，神經(jīng)網(wǎng)絡(luò)，Gabor小波濾波器，偽彩色處理ABSTRACTPseudo-color p

4、rocessing of the color image，which which themethodbased on image segmentation is in common useThe importanttechnology of thismethod isIn this thesis， an approach thmconnects Gabor filtering、 im networks isroposed and is used incolor image segmentation Gabor filteing is used in extractingthefeatures

5、of color images， and a neural network is used for theclassification ofthecolor image featuresFirst ， the effective features are extracted by GaborfilteringInspired by themultichannel operation ofthe HumanVisual System for interpreting texture，researchhas been focusedon a multi channel approach based

6、 on Gabor filtering tothesegmentation of color imageGabor filters botllinspatialandspatial 行 equency domain Normally theeffective width of a filterin the spatial domain and its bandwidth in thespatial frequencydomain arc inverselyrelmed according the 2D uncertaintyprinciple，therefore，we getthe filte

7、redimages tb_rougha setof Gabor filtersarranged as a set ofwavelet basesWeachieves a good result andmakepreparations for the follow upThen ，traditionalBP neural network and improved BPneural networkare used toimage segmentation respectively As a new methodologysystem ，neural network used widely in m

8、any fields，especially inpaRem recognitionTraditional BP neural network iS a multi layer feed-forwardnetwork that iS based on error back-propagation algorithmand Although traditional BP neural network is successful，it Therefore,an improved BP neural network is proposed in thisthesis and is used in im

9、age segmentation.And it is also comparedwith traditionalBP neural network in the aspect of imagesegmentation Experimentalresultsshowthat the improvedBP neuralnetwork overcomes some disadvantages ofthe traditionalBP neuralnetwork effectivelyExperimental result show that the proposed approach combinin

10、gOabor filteringand neural network performs better in segmentation of color image The proposedmethod speed Keywords ：image segmentation，neural network， Gaborfilter,Pseudo-colorprocessing畢業(yè)設(shè)計(jì)（論文） 原創(chuàng)性聲明和使用授權(quán)說(shuō)明原創(chuàng)性聲明本人鄭重承諾：所呈交的畢業(yè)設(shè)計(jì)（論文），是我個(gè)人在指導(dǎo)教師的指導(dǎo)下進(jìn)行的研究工作及取得的成果。盡我所知，除文中特別加以標(biāo)注和致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過(guò)的研

11、究成果，也不包含我為獲得及其它教育機(jī)構(gòu)的學(xué)位或?qū)W歷而使用過(guò)的材料。對(duì)本研究提供過(guò)幫助和做出過(guò)貢獻(xiàn)的個(gè)人或集體，均已在文中作了明確的說(shuō)明并表示了謝意。作者簽名：日期：-指導(dǎo)教師簽名：日期：使用授權(quán)說(shuō)明本人完全了解大學(xué)關(guān)于收集、保存、使用畢業(yè)設(shè)計(jì)（論文）的規(guī)定，即：按照學(xué)校要求提交畢業(yè)設(shè)計(jì)（論文）的印刷本和電子版本；學(xué)校有權(quán)保存畢業(yè)設(shè)計(jì)（論文）的印刷本和電子版，并提供目錄檢索與閱覽服務(wù)；學(xué)?？梢圆捎糜坝　⒖s印、數(shù)字化或其它復(fù)制手段保存論文；在不以贏利為目的前提下，學(xué)?？梢怨颊撐牡牟糠只蛉?jī)?nèi)容。作者簽名：日期：第1章引言1 1偽彩色處理技術(shù)的意義進(jìn)入 21世紀(jì)以來(lái)，隨著微電子技術(shù)、計(jì)算機(jī)技術(shù)、現(xiàn)

12、代通信技術(shù)的飛速發(fā)展，人類社會(huì)正健步邁入信息化時(shí)代。 在人類所接收到的全部信息中， 70以上是通過(guò)視覺得到的。因此對(duì)數(shù)字圖像進(jìn)行有效的處理變的十分重要。而目前彩色圖像占很大的比例，所以，對(duì)彩色圖像的處理顯得尤為重要。其中偽彩色處理技術(shù)就是一項(xiàng)重要的圖像處理技術(shù)。圖像的偽彩色處理技術(shù)，是將黑白圖像變成彩色圖像，也可以將原來(lái)有彩色的圖像變換成給定彩色分布的圖像。如不同譜能遙感圖像。彩色圖像中的彩色是根據(jù)黑白圖像的灰度級(jí)或其他圖像特征 ( 如空間頻率成分 ) 人為給定的。這是一種視覺效果明顯，而又不太復(fù)雜的圖像增強(qiáng)技術(shù)，在國(guó)內(nèi)也是發(fā)展較快的一種圖像處理技術(shù)。缺點(diǎn)是對(duì)于相同物體或大物體各個(gè)部分因光照等

13、條件不同，會(huì)形成不同的灰度級(jí)，結(jié)果會(huì)產(chǎn)生不同彩色往往產(chǎn)生錯(cuò)誤的判斷。在質(zhì)量較高的黑白底片和 x光片中，往往有些灰度級(jí)相差不大，但包含著豐富的信息?？墒侨搜鄯直婊叶燃?jí)能力較差，一般只有幾十級(jí)，無(wú)法從圖像中提取這些信息。但是我們知道人眼對(duì)色彩的分辨率較高，達(dá)幾百種甚至上千種。因此通常將圖像中的不同灰度級(jí)變換成不同的彩色，且分割越細(xì)，彩色越多，人眼所能提取信息也越多，從而達(dá)到圖像增強(qiáng)的效果。偽彩色處理技術(shù)不僅適用于航攝和遙感圖片，也可以用于x光片及云圖判讀等方面。可以用計(jì)算機(jī)去做，也可以用專用硬件設(shè)備來(lái)實(shí)現(xiàn)，如美國(guó)DIGlCOL電子觀察儀 6010，日本 PHOSDAC700，1000，1200，國(guó)

14、產(chǎn) NST1密度分割偽彩色儀。其中國(guó)產(chǎn) NST1密度分割偽彩色儀，能分出12級(jí)灰度以 12種彩色顯示，并可計(jì)算出某一彩色面積占全圖比例等。為了實(shí)時(shí)觀察 ( 如云圖判讀 ) ，多數(shù)采用專用硬件設(shè)備。偽彩色處理技術(shù)可以在空間域里實(shí)現(xiàn)，也可以在頻率域里實(shí)現(xiàn)。偽彩色圖像可以是連續(xù)彩色( 如彩色電視圖像 ) 也可以由幾種彩色單獨(dú)構(gòu)成。1 2偽彩色處理的基本原理圖像的偽彩色處理作為一種重要的圖像處理技術(shù)，從 80年代起，就有很多研究人員為此付出巨大的努力。 迄今為止，文獻(xiàn)報(bào)道的處理方法有很多種。但這些方法從根本上說(shuō)，可以歸為三類：基于圖像分割的方法，基于灰度級(jí)彩色變換的方法，基于濾波的方法。實(shí)際上，大多數(shù)

15、新的處理方法都是以這三類方法為基礎(chǔ)演變而來(lái)的。本文的研究?jī)?nèi)容是基于第一種方法一基于圖像分割的方法。這種方法的原理圖如下：圖像處理 圖像預(yù)處理 圖像分割 顏色填充 處理后圖像這種方法的關(guān)鍵技術(shù)是對(duì)圖像進(jìn)行有效的分割。因此本文把研究重點(diǎn)放在了對(duì)圖像進(jìn)行有效的分割上面。1 3彩色圖像分割的發(fā)展及現(xiàn)狀圖像分割 11 2J是圖像分析和模式識(shí)別的第一步，而且是圖像分析和模式識(shí)別基本而又重要的一個(gè)組成部分，是圖像處理中難度最大的部分之一，它決定了圖像最終分析結(jié)果的質(zhì)量。通常所說(shuō)的圖像分割是將一幅圖像分成不同的區(qū)域，同一區(qū)域有同類性，而任意兩相鄰區(qū)域不具有此同類性。發(fā)展到今天，灰度圖像分割的技術(shù)已經(jīng)比較成熟。

16、彩色圖像的分割也逐步引起人們的關(guān)注 13J，主要有下述原因： (1) 彩色圖像比灰度圖像能提供更多的信息； (2) 隨著個(gè)人計(jì)算機(jī)處理能力的大大增強(qiáng)，快速處理彩色圖像硬件條件已經(jīng)成熟。通過(guò)運(yùn)用 RGB各分量及其變換 ( 線性、非線性 ) ，能將對(duì)灰度圖像分割的技術(shù)應(yīng)用到彩色圖像領(lǐng)域。但是關(guān)于彩色圖像分割的文獻(xiàn)資料還較少，目前研究主要集中在兩個(gè)方面：一是討論一些彩色表示法的性質(zhì)，分割方法和色彩空間；二是運(yùn)用基于邊緣和基于區(qū)域的分割技巧進(jìn)行彩色圖像的復(fù)雜紋理分割。彩色圖像分割的步驟一般分為預(yù)處理、顏色空間的選擇、分割算法實(shí)施及后處理。根據(jù)分割算法的理論依據(jù)不同，彩色圖像分割方法可分為基于閾值技術(shù)、

17、基于顏色聚類技術(shù)、基于區(qū)域增長(zhǎng)技術(shù)、基于分裂與合并技術(shù)、基于區(qū)域競(jìng)爭(zhēng)技術(shù)以及基于神經(jīng)網(wǎng)絡(luò)技術(shù)等算法。它們是針對(duì)不同的應(yīng)用領(lǐng)域、處理對(duì)象和分割精度要求發(fā)展起來(lái)的。這種分類是不嚴(yán)格的，為了達(dá)到定的分割精度，或者為了降低運(yùn)算量，往往把幾種方法結(jié)合起來(lái)對(duì)圖像進(jìn)行分割。1 4本文的主要工作目前各種文獻(xiàn)報(bào)道了一些關(guān)于彩色圖像分割的方法例如，基于小波變換技術(shù)、基于閑值技術(shù)、基于顏色聚類技術(shù)、基于區(qū)域增長(zhǎng)技術(shù)等。這些方法對(duì)于如何提取圖像的特征及提取哪些特征作了很多的探索，但是在解決自適應(yīng)性和特征提取之間的矛盾上并無(wú)長(zhǎng)足的進(jìn)展。對(duì)于彩色圖像，在HIS顏色空間， I 表示密度 (Intensity)，而 H表示色

18、調(diào) (Hue) ， S表示飽和度(Saturation)，其中 H和 S是圖像顏色的相關(guān)信息。HIS有兩個(gè)特點(diǎn)：其一，1分量與圖像的彩色信息無(wú)關(guān)：其二，H和S分量與人的感受顏色的方式是緊密相連的。這些特點(diǎn)使得HIS模型非常適合應(yīng)用于協(xié)助人的視覺系統(tǒng)來(lái)感知彩色特性的圖像處理算法。所以在進(jìn)行特征提取時(shí)，我們可以把由1分量組成的圖像看成灰度圖像，對(duì)它進(jìn)行特征提取然后再把兩個(gè)顏色分量的特征提取出來(lái)。最后利用這兩方面特征進(jìn)行圖像分割。本文采用了1分量的紋理信息、 H和s分量的特征函數(shù)作為分類的特征。Campbell 和Robson最先提出了人類的視覺具有多通道和多分辨率的特征，并在心理物理學(xué)試驗(yàn)中驗(yàn)證了

19、這個(gè)結(jié)論。近年來(lái)基于多通道、多分辨率分析的算法受到廣泛的重視。如 Gabor濾波器、 Wigner分布等，利用這些方法可以有效地對(duì)圖像進(jìn)行特征提取和分割處理。其中Gabor濾波器是該類方法的典型代表。它是一種聯(lián)合空頻的方法，符合人類視覺感知系統(tǒng)的特性，能很好地描述視覺細(xì)胞的感受野。為此本文采用Gabor濾波器的方法來(lái)對(duì)由 I 構(gòu)成的圖像進(jìn)行紋理特征的提取。人工神經(jīng)網(wǎng)絡(luò)是一種非線性動(dòng)力學(xué)系統(tǒng)，它具有良好的自學(xué)習(xí)、自組織和自適應(yīng)能力。因此，人工神經(jīng)網(wǎng)絡(luò)被應(yīng)用到眾多的研究和應(yīng)用領(lǐng)域之中。為了提高圖像分割的自適應(yīng)性，本文采用BP神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行圖像的分割。試驗(yàn)結(jié)果表明，使用G-abor 多通道濾

20、波器和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)圖像進(jìn)行分割具有較強(qiáng)的自適應(yīng)性、較高的識(shí)別率 BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò)。 BP神經(jīng)網(wǎng)絡(luò)是一種多層的前饋型神經(jīng)網(wǎng)絡(luò)，它可以實(shí)現(xiàn)任意線性或非線性函數(shù)映射，具有較強(qiáng)的自適應(yīng)性。然而，由于 BP神經(jīng)網(wǎng)絡(luò)是基于梯度下降的誤差反向傳播算法進(jìn)行學(xué)習(xí)的，所以 BP神經(jīng)網(wǎng)絡(luò)也存在一些缺陷，例如其網(wǎng)絡(luò)的訓(xùn)練速度通常很慢。而且很容易陷入局部極小點(diǎn)等。本文針對(duì) BP神經(jīng)網(wǎng)絡(luò)存在的這些缺陷，提出了一些改進(jìn)的方法，使 Bp神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)步長(zhǎng)能夠在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中自適應(yīng)地調(diào)整其大小，從而大大地加快了 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，而且還可以使網(wǎng)絡(luò)在訓(xùn)練過(guò)程中跳出局部極小點(diǎn)，到達(dá)

21、全局最小點(diǎn)。另外，本文還對(duì)神經(jīng)元激活函數(shù)的改進(jìn)作了一些探索性的工作。本文提出的這些方法在一定程度上加快了網(wǎng)絡(luò)的收斂速度，同時(shí)對(duì) BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性也有一定程度的提高。1 5本文的安排從文章的內(nèi)容看，論文分為四部分。第1章：是論文的引言部分。主要介紹了課題的研究意義和內(nèi)容，以及彩色圖像分割的現(xiàn)狀和本文的主要工作。第2章：詳細(xì)介紹了彩色圖像的各種分割方法的原理和優(yōu)缺點(diǎn)。第3章：詳細(xì)闡述了小波的基本理論，并在此基礎(chǔ)上介紹了本文采用的CJabor濾波器的特點(diǎn)和設(shè)計(jì)方法。第4章：詳細(xì)介紹了傳統(tǒng) BP神經(jīng)網(wǎng)絡(luò)和它的一些特點(diǎn)，并分析了它存在的缺陷。在此基礎(chǔ)上介紹了本文改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)，并用改進(jìn)的BP

22、神經(jīng)網(wǎng)絡(luò)作為分類器對(duì)圖像進(jìn)行了分割實(shí)驗(yàn)，對(duì)試驗(yàn)結(jié)果進(jìn)行了深入分析，將其與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的分割結(jié)果進(jìn)行了對(duì)比，給出了本文研究的結(jié)論。第 2章圖像分割技術(shù)研究2 1 圖像分割技術(shù)概述圖像分割作為一種重要的圖像處理技術(shù)，從 70年代起，就有很多研究人員為此付出巨大的努力。迄今為止，各種文獻(xiàn)資料記載的分割方法有成百上千種。但這些方法從本質(zhì)上說(shuō)，可以歸為三類：基于閾值的分割方法：基于邊緣檢測(cè)的分割方法：基于區(qū)域的分割方法。實(shí)際中，人們往往考慮對(duì)單色圖像的分割，即從單色圖像中提取出感興趣的目標(biāo)。當(dāng)灰度圖像有變化灰度的背景或本身有較大灰度范圍的區(qū)域時(shí)進(jìn)行視覺圖像的分割會(huì)非常困難。這是因?yàn)閷?duì)于單色圖像的分割

23、來(lái)說(shuō)明亮度(Lightness)是惟一的可用信息，故這種問(wèn)題是灰度圖像本身固有的。人的視覺中對(duì)明亮度的感覺一般只有 20級(jí)左右 I ，而彩色圖像除了提供明亮度外，還有色調(diào)和彩色的深淺，而人眼對(duì)色調(diào)或彩色的深淺可區(qū)分130級(jí)左右，即人眼可區(qū)分的顏色可達(dá)到 35萬(wàn)多，人眼對(duì)顏色的感覺是人的視覺中一個(gè)重要部分。彩色圖像分割與灰度圖像分割的算法相比，大部分算法在分割思想上是一致的，只是彩色圖像包括著更豐富的信息，并有多種彩色空間的表達(dá)方式，因而彩色圖像分割算法的關(guān)鍵在于如何利用豐富的彩色信息來(lái)達(dá)到分割的目的。彩色空間是描述色彩的一種方法，我們用它來(lái)制定、產(chǎn)生、可視化一種色彩。不同的彩色空間適用于不同的

24、應(yīng)用場(chǎng)合，因此需要有不同的彩色空間。一些設(shè)備因?yàn)橛布系南拗茮Q定了它使用的彩色空間類型。大部分彩色空間，特別是計(jì)算機(jī)圖形學(xué)上使用的彩色空間是非線性的，即彩色空間中的相同顏色差在不同的位置有著不同的視覺差別，有些彩色空間用起來(lái)直觀，有些彩色空間是依賴于設(shè)備的，有些彩色空間則與設(shè)備無(wú)關(guān)。雖然彩色圖像分割已經(jīng)有了很長(zhǎng)的研究歷史，針對(duì)各種具體要求建立了許多算法，然而至今尚無(wú)統(tǒng)一的理論。利用算法分割出的區(qū)域圖與正確存在的分割之間可能出現(xiàn)誤差。誤差有 3種類型：一是分割后的圖像增添了新的區(qū)域；二是應(yīng)有的區(qū)域未被分割出；三是所用的分割算法沒有正確給出邊界定位。本章對(duì)彩色圖像分割方法進(jìn)行了較為深入的研究，分析

25、了各種分割方法的出發(fā)點(diǎn)、基本原則、分割效果以及優(yōu)缺點(diǎn)。在以下各小節(jié)將分別介紹。2 2彩色圖像分割的方法2 21基于像素的技術(shù)基于像素的技術(shù)并不考慮空間因素，而是只取決于該點(diǎn)的顏色特征。這使得算法簡(jiǎn)單，無(wú)需圖像的先驗(yàn)知識(shí)：但沒有考慮與鄰近像素之間的聯(lián)系，容易將噪聲引入圖像，而且分割結(jié)果很容易產(chǎn)生原圖像中不存在的、孤立的、小塊的區(qū)域。典型方法是直方圖門限法和聚類法。最古老、最簡(jiǎn)單而且應(yīng)用最廣的基于像素的技術(shù)就是直方圖門限法。這種方法用彩色直方圖中相鄰兩個(gè)峰之間的谷作為門限來(lái)進(jìn)行圖像分割。直方圖閾值法是圖像分割中最簡(jiǎn)單的方法，故常應(yīng)用于租糙的圖像分割中。目前一些圖像和視頻數(shù)據(jù)庫(kù)系統(tǒng)是使用直方圖門限法

26、來(lái)進(jìn)行圖像和視頻的復(fù)原。直方圖門限法最通常的缺點(diǎn)就是對(duì)自然景物的彩色圖像進(jìn)行分割的結(jié)果不能令人滿意。圖像分割中另一種基于像素的技術(shù)是聚類方法，它的應(yīng)用也很廣泛?；诰垲惣夹g(shù)的基本原理是將一幅彩色圖像聚為直方圖中的幾簇，每一簇都對(duì)應(yīng)著圖像中的目標(biāo)。在進(jìn)行聚類時(shí)，首先應(yīng)得到圖像中各點(diǎn)的顏色值，然后把它分配到與之顏色最相近的簇中去。 通過(guò)聚類方法來(lái)進(jìn)行圖像分割存在以下問(wèn)題： (1) 彩色空間中相鄰的簇類常常相互重疊，引起像素的錯(cuò)誤分類： (2) 當(dāng)簇的總數(shù)量預(yù)先不知，采用聚類的分割方法比一般方法更困難。另外，也有可能景物中單一物體的表面因觀察的幾何條件不同而使得同一物體表面被分割成彩色空間中的不同種

27、類。目前也有把聚類和直方圖閾值法綜合在一起的算法，具體分為兩步：第一步是修改直方圖闞值法中的算法，修改內(nèi)容包括對(duì)圖像要被分割的區(qū)域計(jì)CIE*a*b* 空間的主要分量軸；第二步是在彩色距離的基礎(chǔ)上對(duì)像素進(jìn)行再分類。另外近來(lái)針對(duì)彩色圖像分割提出了一種基于數(shù)學(xué)形態(tài)學(xué)的分割方法，而且實(shí)驗(yàn)證明，該算法獨(dú)立于彩色空間的選取。2 2 2基于區(qū)域的技術(shù)基于區(qū)域的分割技術(shù)能夠直接將圖像分割， 這使得它成為目前最流行的分割技術(shù)之一?；趨^(qū)域的技術(shù)主要依賴于圖像中區(qū)域的連續(xù)性，一般包括區(qū)域生長(zhǎng)、分裂和聚合等技術(shù)。區(qū)域生長(zhǎng)就是組合鄰近的像素或者收集具有相似特征的像素到一個(gè)更大的區(qū)域中去。分裂和聚合技術(shù)的思想是將整個(gè)圖

28、像分成若干個(gè)互不交疊的圖像塊，對(duì)每塊進(jìn)行分割，然后根據(jù)塊與塊分割特征進(jìn)行聚合，甚至可以一開始把每一個(gè)像素看成一塊即一簇，然后再不斷聚合?；趨^(qū)域的技術(shù)既考慮到彩色空間中顏色的貢獻(xiàn)，又考慮到與鄰近像素之間的聯(lián)系。盡管區(qū)域生長(zhǎng)技術(shù)一般是通過(guò)計(jì)算歐幾里的空間距離來(lái)比較兩個(gè)像素顏色之間的差別，但是實(shí)驗(yàn)表明：在L*a *b* 彩色空間中采用這種方法不比在其他彩色空間中有明顯的優(yōu)勢(shì)。在區(qū)域分裂和聚合方法中，四叉樹算法是目前最通用的數(shù)據(jù)結(jié)構(gòu)方法，此算法簡(jiǎn)單，而且計(jì)算效率非常高 Illl 。四叉樹算法的主要缺點(diǎn)是因?yàn)樽陨韲?yán)格的直線性，而使得它們的圖像分裂方式無(wú)法自適應(yīng)于圖像數(shù)據(jù)的底層結(jié)構(gòu)的不同。當(dāng)然也有人提出

29、采用漸增的 Delaunay 三角作為一個(gè)直接的區(qū)域劃分技術(shù)應(yīng)用于圖像分裂和聚合中。2 23基于邊緣的技術(shù)基于邊緣的技術(shù)主要依賴于圖像中區(qū)域的不連續(xù)性。 圖像邊緣檢測(cè)技術(shù)目前主要被用來(lái)進(jìn)行圖像分割，一旦圖像中的邊緣被識(shí)別出來(lái)之后，圖像則能夠被分割成基于這些邊緣的許多區(qū)域，其優(yōu)點(diǎn)是邊緣定位準(zhǔn)確，運(yùn)算速度快?；谶吘壍募夹g(shù)的缺點(diǎn)就是對(duì)噪聲敏感，而且邊緣檢測(cè)方法只使用了局部信息，難以保證分割區(qū)域內(nèi)部的顏色一致，且不能產(chǎn)生連續(xù)的閉區(qū)域輪廓。限制其在圖像分割中應(yīng)用的兩大難點(diǎn)：一是不能保證邊緣的連續(xù)性或封閉性，二是在高細(xì)節(jié)區(qū)存在大量瑣細(xì)邊緣，難以形成一個(gè)大區(qū)域，但又不宜將高細(xì)節(jié)區(qū)分成小碎片，這使得單獨(dú)的邊

30、緣檢測(cè)只能產(chǎn)生邊緣點(diǎn)，而不是一個(gè)完整意義上的圖像分割過(guò)程，這樣邊緣點(diǎn)的信息需要后續(xù)處理或與其他分割算法結(jié)合起來(lái)，才能完成分割任務(wù)。2 24基于模型的技術(shù)近來(lái)相當(dāng)多的工作都針對(duì)基于隨機(jī)模型的分割技術(shù)來(lái)展開若圖像的區(qū)域被歸結(jié)為隨機(jī)場(chǎng)模型，則分割問(wèn)題可以歸為求統(tǒng)計(jì)最優(yōu)問(wèn)題。與以往的技術(shù)相比，基于隨機(jī)模型的技術(shù)能夠提供更精確的圖像區(qū)域特征。事實(shí)上，各種各樣的隨機(jī)模型均能夠合成同現(xiàn)實(shí)世界中自然景物非常相似的彩色紋理正因?yàn)檫@種特性和優(yōu)化公式，使得當(dāng)圖像區(qū)域復(fù)雜或者通過(guò)簡(jiǎn)單的技術(shù)很難劃分時(shí)，應(yīng)用基于模型的技術(shù)會(huì)得到非常好的分割結(jié)果。此技術(shù)大部分的方法都是采用類似于Markov隨機(jī)場(chǎng) (MRF， Markov

31、 Random Field) 或Gibbs隨機(jī)場(chǎng)等空間交互模型來(lái)對(duì)圖像建模。還有一種方法就是 MAP(Maximum APost 日iori)方法，此方法一般用來(lái)解決存在噪聲情況下的圖像分割問(wèn)題，并且穩(wěn)健性比較好。為了提高條件概率模型，有人提出了一種自適應(yīng)的MAP算法。當(dāng)類的均值空間獨(dú)立并且先驗(yàn)概率分布被忽略時(shí)，可采用與K均值法K-means)相類似的非自適應(yīng)彩色聚類算法。采用基于最隨機(jī)模型技術(shù)對(duì)彩色圖像 ( 特別是對(duì)自然景物圖像) 分割的結(jié)果在大部分情況下都非常理想。但是，由于需要大量的計(jì)算，而且算法很復(fù)雜，因此需要在計(jì)算機(jī)復(fù)雜度和良好的分割結(jié)果之間做一個(gè)平衡2 25基于物理的技術(shù)基于物理模

32、型的技術(shù)在生成彩色矩陣時(shí)采用彩色圖像信息處理中的底層物理模型?；谖锢淼姆指罘椒ㄊ菑膱D像的產(chǎn)生過(guò)程和人眼視覺系統(tǒng)角度出發(fā)，根據(jù)圖像中得到的顏色數(shù)據(jù)獲得景物中物體的材料或形狀信息進(jìn)而分割。一般是采用由雙色反射模型(DRM，DichromaticReflectionModel)空間測(cè)量的彩色方差進(jìn)行分類，從而實(shí)現(xiàn)圖像分割。這種技術(shù)是在目標(biāo)的邊界處而不是圖像中亮和暗的邊緣處來(lái)進(jìn)行分割。一幅圖像的形成總是三方面因素相互的、復(fù)雜的作用過(guò)程，這些因素包括：景色的光學(xué)特性、光源和光傳感器。估計(jì)三方面因素對(duì)圖像的影響是圖像分析及計(jì)算機(jī)視覺主要目標(biāo)之一，人的視覺系統(tǒng)基本能解決這個(gè)問(wèn)題，那就是顏色恒常性(Colo

33、r Constancy)。有人分析了燈光、陰影以及相機(jī)特性( 比如彩色剪輯、彩色平衡、彩色鏡頭失調(diào)等) 的對(duì)彩色圖像分割的影響。也有人用此技術(shù)來(lái)對(duì)塑料目標(biāo)進(jìn)行分割并得到了非常精確的結(jié)果。但在 DRM中存在著一些嚴(yán)格的假設(shè)，比如亮度條件和物體類型。對(duì)于大部分的實(shí)際場(chǎng)景圖像來(lái)說(shuō)，這些條件都是不具備的。因此，采用DRM進(jìn)行分割處理的算法一般是用在可控的環(huán)境下。2 26基于人工神經(jīng)網(wǎng)絡(luò)的技術(shù)早在本世紀(jì) 50年代，研究人員就開始采用軟件或硬件的方法，模擬動(dòng)物神經(jīng)系統(tǒng)的某些功能， 建立了以大量處理單元為結(jié)點(diǎn)，處理單元間實(shí)現(xiàn) ( 加權(quán)值的 ) 互聯(lián)的拓?fù)渚W(wǎng)絡(luò)稱之為人工神經(jīng)網(wǎng)絡(luò)。最近，人工神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用

34、日益受到人們的重視，特別是隨著計(jì)算機(jī)技術(shù)飛速發(fā)展，更加速了它在各個(gè)領(lǐng)域的應(yīng)用，其中包括彩色圖像分割。Liumann和RJtterI”l 成功地應(yīng)用一個(gè)局部線性映射神經(jīng)網(wǎng)絡(luò)(Local Linear Maps)，從復(fù)雜彩色實(shí)驗(yàn)室圖像中分割出人手。他們預(yù)先用已經(jīng)分割出來(lái)的人手與背景的象素特征訓(xùn)練該人工神經(jīng)網(wǎng)絡(luò)，然后利用局部的彩色信息估計(jì)出象索屬于“人手”的隸屬度和屬于“背景”的隸屬度，最后將人手分割出來(lái)。這一研究說(shuō)明LLM模型適用于利用彩色信息從復(fù)雜背景中分割出復(fù)雜對(duì)象。 Erealla7l用一種新穎的人工神經(jīng)網(wǎng)絡(luò)算法，將惡性黑色素瘤從 3種與其特征相似的良性皮膚腫瘤中檢測(cè)出來(lái)。本算法利用基于腫瘤

35、形狀和相關(guān)皮膚顏色的判別式特征，經(jīng)過(guò)適當(dāng)?shù)挠?xùn)練，獲得了80的檢出正確率。但是， LLM模型必須采用更多的變量，以避免太多初始化。2 27基于模糊技術(shù)近年來(lái)，模糊理論和模糊算法越來(lái)越多地應(yīng)用于圖像處理。模糊理論是指模糊集合理論。在彩色圖像分割中，模糊理論與經(jīng)典分割算法結(jié)合，產(chǎn)生一些新的算法。 Lim等人在 Ohta顏色空間中測(cè)試了閾值結(jié)合模糊 C均值聚類算法，他們先用閩值方法把彩色圖像進(jìn)行粗略分割，即把特征比較明顯的象素分成幾個(gè)區(qū)域，然后運(yùn)用模糊 C均值聚類算法把剩余象索歸并到隸屬度最大的區(qū)域里，完成分割。由于模糊 C均值聚類算法需要反復(fù)遞歸迭代，所以運(yùn)算量過(guò)大，任彬等對(duì)此算法進(jìn)行了改進(jìn)， 加速

36、了收斂過(guò)程， 降低了運(yùn)算量。 Kandel 等驗(yàn)證了模糊區(qū)域增長(zhǎng)的可行性，他在文章中提到結(jié)合邊緣檢測(cè)和基于兩個(gè)模糊判決標(biāo)準(zhǔn)的區(qū)域增長(zhǎng)算法，在UV彩色空問(wèn)用直方圖完成彩色圖像的精細(xì)分割。第 3章基于 Gabor小波濾波器的特征提取3 1小波變換基礎(chǔ)小波變換 (wavelet transform)作為一種新的變換域信號(hào)處理，是在傅里葉變換的基礎(chǔ)上發(fā)展起來(lái)的一種時(shí)頻分析方法。它通過(guò)伸縮和平移等運(yùn)算功能對(duì)函數(shù)或信號(hào)進(jìn)行多尺度細(xì)化分析，解決了傅里葉變換不能解決的許多困難，被譽(yù)為數(shù)學(xué)顯微鏡。它在許多領(lǐng)域都得到了成功的應(yīng)用，在圖像處理領(lǐng)域也有很廣泛的應(yīng)用。我們知道，應(yīng)用傅里葉變換研究模擬信號(hào)的譜特性，必須獲

37、得該信號(hào)在時(shí)域中的所有信息，甚至包括將來(lái)的信息，在短時(shí)傅里葉分析中，由于其時(shí)間頻率窗是嚴(yán)格的，反映不出隨時(shí)間變化的頻率，在處理非平穩(wěn)信號(hào)分析和實(shí)時(shí)信號(hào)處理中，傅里葉變換是不夠的，促使我們引入小波變換來(lái)代替傅里葉變換。3 11連續(xù)小波的概念小波變換的含義是： 把某一被稱為基本小波或母小波(motllerwavelet)的函數(shù) （t ）作為移 b后，再在不同尺度 a下與待分析信號(hào) x （t ）作內(nèi)積，即：WT（ a， b）=稱為 x（t ）的連續(xù)小波變換。其中 x（t ）是平方可積函數(shù)， a>0是尺度因子， b反應(yīng)位移，其值可正可負(fù)，而且（ t ） =是基本小波的位移與尺度伸縮。其等效的頻域

38、表示為：WT（a，b）=dw總之，從頻率上看，用不同尺度作小波變換大致相當(dāng)于用一組帶通濾波器對(duì)信號(hào)進(jìn)行處理。當(dāng)口值小時(shí)，時(shí)軸上觀察范圍小，而在頻域上相當(dāng)于用較高頻率作分辨率較高的分析，即用高頻率小波作細(xì)致觀察。當(dāng)口值較大時(shí)，時(shí)軸上考察范圍大，而在頻域上相當(dāng)于用低頻小波作橛貌觀察分析頻率有高有低，但在各分析頻段內(nèi)分析的品質(zhì)因數(shù) Q卻保持一致。任何變換必須存在反變換才有實(shí)際意義，但反變換并不一定存在。對(duì)小波變換而言，所采用的小波必須滿足所謂“容許條件”(admissible condition)。3 2 Gabor 小波濾波器在圖像處理與計(jì)算機(jī)視覺領(lǐng)域，圖像分割是一項(xiàng)困難而又重要的技術(shù)。在某種意義

39、上，對(duì)于目標(biāo)識(shí)別任務(wù)而言，圖像分割結(jié)果的好壞會(huì)直接影響到目標(biāo)識(shí)別的結(jié)果。一般而言，影響圖像分割結(jié)果的因素主要有目標(biāo)特征的選取以及圖像分割方法這兩方面，其中目標(biāo)特征選擇的是否正確，對(duì)分割結(jié)果將起至關(guān)重要的作用。由于 Gabor小波交換較好地描述了生物視覺神經(jīng)元的感受野問(wèn)題，根據(jù)特定的視覺需要可相應(yīng)地調(diào)整它的空間與頻率采樣特性，從而獲得我們感興趣的目標(biāo)特征，所以適合用于圖像的分析與處理。較早將 Gabor小波變換技術(shù)應(yīng)用于圖像分割的A K Ja抽等人結(jié)合非線性變換技術(shù)和均方差聚類技術(shù)，實(shí)現(xiàn)了對(duì)多種紋理的分割；Xing Wu等人將Gabor小波變換技術(shù)用于紅外目標(biāo)的識(shí)別，取得了魯棒的效果；P.P.R

40、aghu等人將 Gabor小波變換技術(shù)與無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)技術(shù)聯(lián)系在一起，對(duì)紋理圖像進(jìn)行分割，也得到了良好的結(jié)果。Gabor 小波是這樣一組相似的Gabor函數(shù)，它們相互之間有不同的相移、比例尺度以及旋轉(zhuǎn)方向；Gabor函數(shù)在空間頻率域同時(shí)進(jìn)行測(cè)量，并且在這兩種域中都是局部的變換，具有明顯的方向選擇特性和頻率選擇特性；另外， Gabor函數(shù)有許多的自由度，允許通過(guò)調(diào)整空間與頻譜特性來(lái)滿足特定的視覺需要。由于它可以較好地模擬人類視覺系統(tǒng)某些方面的特點(diǎn)，并且具有一些非常吸引人的計(jì)算特性：如上述在空間域和頻率域同時(shí)具有最優(yōu)的局部化特點(diǎn)等，通過(guò)改變Gabor小波的形狀、帶寬、中心頻率和方向參數(shù)。我們可以設(shè)

41、計(jì)一組Gabor小波濾波器來(lái)采樣一幅圖像的整個(gè)頻率域，因此Gabor小波濾波器可以用來(lái)解決各種圖像處理與計(jì)算機(jī)視覺難題。第 4章基于 BP神經(jīng)網(wǎng)絡(luò)的圖像分割4 1人工神經(jīng)網(wǎng)絡(luò)概述4 1 1 人工神經(jīng)網(wǎng)絡(luò)的基本概念和基本特征人工神經(jīng)網(wǎng)絡(luò)是生理學(xué)上的真實(shí)人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能以及若干基本特性的某種理論抽象、簡(jiǎn)化和模擬而構(gòu)成的一種信息處理系統(tǒng)。從系統(tǒng)的觀點(diǎn)看，人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元通過(guò)極其豐富和完善的連接而構(gòu)成的自適應(yīng)非線性動(dòng)態(tài)系統(tǒng)。由于神經(jīng)元之間有著不同的連接方式，所以組成不同結(jié)構(gòu)形態(tài)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)是可能的。人的智能來(lái)源于大腦， 大腦是由大量的神經(jīng)細(xì)胞或神經(jīng)元組成的。 每一個(gè)神經(jīng)元可以看作為

42、一個(gè)小的處理單元，這些神經(jīng)元按照某種方式互相連接起來(lái)，構(gòu)成了大腦內(nèi)部的生理神經(jīng)元網(wǎng)絡(luò)，它們中的各神經(jīng)元之間連接的強(qiáng)弱，按照外部的激勵(lì)信號(hào)作自適應(yīng)變化，而每個(gè)神經(jīng)元又隨著接受到的多個(gè)激勵(lì)信號(hào)的綜合大小呈現(xiàn)興奮或抑制狀態(tài)。根據(jù)現(xiàn)在的了解，大腦的學(xué)習(xí)過(guò)程就是神經(jīng)元之間連接強(qiáng)度隨外部激勵(lì)信息作自適應(yīng)變化的過(guò)程，大腦處理信息的結(jié)果確實(shí)是由神經(jīng)元的狀態(tài)表現(xiàn)出來(lái)。顯然，神經(jīng)元是信息處理系統(tǒng)的最小單元。雖然神經(jīng)元的種類有很多種，但其基本結(jié)構(gòu)相似，神經(jīng)元的結(jié)構(gòu)如圖示圖為神經(jīng)元結(jié)構(gòu)示意圖神經(jīng)元是由細(xì)胞體、樹突、軸突和突觸四部分組成的。從細(xì)胞體向外伸出許多樹突和一條長(zhǎng)的軸突，樹突和軸突分別負(fù)責(zé)傳入和傳出興奮或抑制信

43、息到細(xì)胞。神經(jīng)元的樹突較短，分支很多，是信息的輸入端。軸突較長(zhǎng)，是信息的輸出端。突觸是一個(gè)神經(jīng)元與另一個(gè)神經(jīng)元相聯(lián)系的特殊結(jié)構(gòu)部位，突觸包括突觸前、突觸間隙和突觸后三部分。突觸前是第一個(gè)神經(jīng)元的軸突末梢部分。軸突后是指第二個(gè)神經(jīng)元的受體表面。突觸前通過(guò)化學(xué)接觸或者點(diǎn)接觸，將信息傳往軸突后受體表面，實(shí)現(xiàn)信息源的信息傳輸。樹突和軸突一一對(duì)接，從而靠突觸把眾多的神經(jīng)元連接成一個(gè)神經(jīng)元網(wǎng)絡(luò)。神經(jīng)元群或者神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)外界有興奮和抑制兩種反應(yīng)，興奮指的是由相對(duì)靜止變?yōu)橄鄬?duì)活動(dòng)，抑制是指由相對(duì)活動(dòng)變?yōu)橄鄬?duì)靜止。神經(jīng)元之間信息的傳遞形式有正負(fù)兩種。正連接呈相互激發(fā)；負(fù)連接呈相互抑制。各神經(jīng)元之間的連接強(qiáng)度和

44、極性可以有所不同，并且都可以進(jìn)行調(diào)整，因此人腦才可以有存儲(chǔ)信息的功能。圖為神經(jīng)元結(jié)構(gòu)模型由大量神經(jīng)元相互連接組成的人工神經(jīng)網(wǎng)絡(luò)將顯示出人腦的某些基本特征，人工神經(jīng)網(wǎng)絡(luò)主要有以下幾個(gè)基本特征：·(1) 分布存儲(chǔ)和容錯(cuò)性：一個(gè)信息不是只存儲(chǔ)在一個(gè)神經(jīng)元上而是按照內(nèi)容分布在整個(gè)神經(jīng)元網(wǎng)絡(luò)上，神經(jīng)網(wǎng)絡(luò)的某一處不是只存儲(chǔ)一個(gè)外部信息，而是每個(gè)神經(jīng)元存儲(chǔ)多種信息的部分內(nèi)容。這種分布式存儲(chǔ)方式是存儲(chǔ)區(qū)與運(yùn)算區(qū)合為一體的。 在神經(jīng)網(wǎng)絡(luò)中， 要獲得存儲(chǔ)的知識(shí)， 則采用 “聯(lián)想”的方法，即當(dāng)一個(gè)神經(jīng)網(wǎng)絡(luò)輸入一個(gè)激勵(lì)時(shí)，它要在已存儲(chǔ)的知識(shí)中尋找與該輸入匹配最好的存儲(chǔ)知識(shí)為其解。當(dāng)然在信息輸出時(shí)，也要經(jīng)過(guò)種

45、處理，而不是直接從記憶中取出。這種存儲(chǔ)方式的優(yōu)點(diǎn)在于若部分信息不完全，就是說(shuō)或者丟失或者損壞甚至有錯(cuò)誤的信息，它仍然能恢復(fù)出來(lái)正確的完整的信息，系統(tǒng)仍能運(yùn)行。這就是神經(jīng)網(wǎng)絡(luò)具有容錯(cuò)性和聯(lián)想記憶功能，自然呈現(xiàn)出較強(qiáng)的魯棒性。(2) 大規(guī)模并行處理：人工神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上是并行的，而且神經(jīng)網(wǎng)絡(luò)的各個(gè)神經(jīng)元可以同時(shí)進(jìn)行類似的處理過(guò)程因此，神經(jīng)網(wǎng)絡(luò)中的信息處理是在大量神經(jīng)元中并行而又有層次地進(jìn)行，運(yùn)算速度高，大大超過(guò)了傳統(tǒng)的序列式運(yùn)算的數(shù)字機(jī)。雖然每個(gè)神經(jīng)元的信息傳遞( 神經(jīng)脈沖 ) 速度是以毫秒計(jì)算的，比普通序式計(jì)算機(jī)要慢很多，但是人能通常在一秒內(nèi)即可做出對(duì)外界事物的判斷和決策，這就是能神奇地完成所謂

46、“百步”決策。而這應(yīng)用現(xiàn)有傳統(tǒng)的計(jì)算機(jī)及人工智能技術(shù)目前還是做不到的。(3) 自學(xué)習(xí)、自組織和自適應(yīng)性：自學(xué)習(xí)、自組織和自適應(yīng)要求在時(shí)間上系統(tǒng)內(nèi)部結(jié)構(gòu)和聯(lián)系方式有改變，神經(jīng)網(wǎng)絡(luò)是種變結(jié)構(gòu)系統(tǒng)，恰好能完成對(duì)環(huán)境的適應(yīng)和對(duì)外界事物的學(xué)習(xí)能力。神經(jīng)元之間的連接方式有多種多樣，而且各個(gè)神經(jīng)元之間連接強(qiáng)度具有一定的可塑性，這相當(dāng)于突觸傳遞信息能力的變化，這樣神經(jīng)網(wǎng)絡(luò)可以通過(guò)學(xué)習(xí)和訓(xùn)練進(jìn)行自組織以適應(yīng)不同信息處理的要求(4) 神經(jīng)網(wǎng)絡(luò)是大量神經(jīng)元的集體行為，并不是單個(gè)神經(jīng)元行為的簡(jiǎn)單的相加，而是表現(xiàn)出復(fù)雜非線性動(dòng)態(tài)系統(tǒng)的特性。如不可預(yù)測(cè)性、不可逆性和出現(xiàn)混沌現(xiàn)象等。(5) 神經(jīng)元可以處理些環(huán)境信息十分復(fù)雜

47、、知識(shí)背景不清楚和推理規(guī)則不明確的問(wèn)題。例如語(yǔ)音識(shí)別和手寫體識(shí)別等，這些都屬于具有復(fù)雜非線性和不確定性對(duì)象的控制。在這些問(wèn)題中，信源提供的模式豐富多彩，有的相互問(wèn)存在矛盾，兩判定決策原則又無(wú)條理可以遵循，通過(guò)神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí) ( 按照學(xué)習(xí)法則 ) ，可以從典型事例中學(xué)會(huì)處理具體事例，給出比較滿意的解答。4 12人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用及發(fā)展方向人工神經(jīng)網(wǎng)絡(luò)作為一種新的方法體系，具有分布并行處理、非線性映射、自適應(yīng)學(xué)習(xí)和魯棒容錯(cuò)等特性， 這使得人工神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、控制優(yōu)化、智能信息處理以及故障檢測(cè)等方面都有廣泛的應(yīng)用。目前，人工神經(jīng)網(wǎng)絡(luò)的研究方向可以分為理論研究和應(yīng)用研究?jī)纱蠓矫?。人工神?jīng)網(wǎng)絡(luò)的理論

48、研究可以分為以下兩類：(1) 利用神經(jīng)生理與認(rèn)知科學(xué)研究大腦思維及智能機(jī)理。(2) 利用神經(jīng)科學(xué)基礎(chǔ)理論的研究成果，用數(shù)理方法探索智能水平更高的人工神經(jīng)網(wǎng)絡(luò)模型，深入研究神經(jīng)網(wǎng)絡(luò)的算法和性能，開發(fā)新的神經(jīng)網(wǎng)絡(luò)數(shù)理理論。人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究可以分為以下兩類：(1) 人工神經(jīng)網(wǎng)絡(luò)的軟件模擬和硬件實(shí)現(xiàn)的研究。(2) 人工神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域中的應(yīng)用研究，這些研究領(lǐng)域主要包括模式識(shí)別、信號(hào)處理、專家系統(tǒng)、優(yōu)化組合等。隨著人工神經(jīng)網(wǎng)絡(luò)理論本身以及相關(guān)理論、相關(guān)技術(shù)的不斷發(fā)展，人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用必將更加深入和廣泛。4 2 BP神經(jīng)網(wǎng)絡(luò)及其特點(diǎn)4 21 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)BP 神經(jīng)網(wǎng)絡(luò)的算法又稱為誤差反向傳

49、播算法。該神經(jīng)網(wǎng)絡(luò)具有良好的分類識(shí)別和記憶等能力，因此相應(yīng)的學(xué)習(xí)算法成了研究的焦點(diǎn)。1985年，Rumdhart等人提出的 EBP(Error Back Propagation)算法 ( 簡(jiǎn)稱 BP)，系統(tǒng)地解決了多層神經(jīng)元網(wǎng)絡(luò)中隱單元層連接權(quán)的學(xué)習(xí)問(wèn)題，并在數(shù)學(xué)上給出了完整的推導(dǎo)。由于 BP神經(jīng)網(wǎng)絡(luò)克服了簡(jiǎn)單感知器不能解決的 XOR和其它一些問(wèn)題，所以 BP模型已經(jīng)成為神經(jīng)網(wǎng)絡(luò)的重要模型之一，并且得到了廣泛的應(yīng)用。多層 BP神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)如圖 4 3所示它是由輸入層、中間層和輸出層組成的。中間層也稱為隱含層，隱含層可以是一層也可以是多層。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由兩部分組成：正向傳播和

50、反向傳播。當(dāng)正向傳播時(shí)，輸入信息從輸入層經(jīng)隱單元層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿著原來(lái)的神經(jīng)元連接通路返回。在返回過(guò)程中，逐一調(diào)整各層神經(jīng)元連接的權(quán)值。這種過(guò)程不斷地迭代，最后使信號(hào)的誤差達(dá)到所允許的范圍之內(nèi)。4 .3本文對(duì)傳統(tǒng) BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)4. 3 1傳統(tǒng) BP神經(jīng)網(wǎng)絡(luò)的一些缺陷BP 神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò)，從本質(zhì)上講，BP神經(jīng)網(wǎng)絡(luò)是把對(duì)一組樣本的輸入，輸出問(wèn)題變?yōu)閭€(gè)非線性優(yōu)化問(wèn)題。它使用了優(yōu)化技術(shù)中的一種最速下降算法，利用迭代運(yùn)算求解權(quán)值，這相當(dāng)于學(xué)習(xí)記憶闖題，加入隱層神經(jīng)

51、元可以使優(yōu)化問(wèn)題的可調(diào)節(jié)參數(shù)增加，這樣可以達(dá)到更精確的解。但是，BP神經(jīng)網(wǎng)絡(luò)本身還存在著一些不足之處。(1) 已經(jīng)學(xué)習(xí)好的網(wǎng)絡(luò)的推廣問(wèn)題即能否逼近規(guī)律和對(duì)大量未經(jīng)學(xué)習(xí)過(guò)的輸入量也能做出正確的處理， 并且神經(jīng)網(wǎng)絡(luò)是否具有一定的預(yù)測(cè)能力。(2)BP 神經(jīng)網(wǎng)絡(luò)的誤差曲面有以下三個(gè)特點(diǎn)：第一， BP神經(jīng)網(wǎng)絡(luò)的誤差曲面存在有很多的全局最小解第二， BP神經(jīng)網(wǎng)絡(luò)的誤差曲面存在一些平坦區(qū)，在此區(qū)域內(nèi)的誤差改變很小，這些平坦區(qū)多數(shù)發(fā)生在神經(jīng)元的輸出接近于0或者 l 的情況下，對(duì)于不同的映射，其平坦區(qū)的位置、范圍各不相同，在有的情況下，誤差曲面會(huì)出現(xiàn)一些階梯形狀。第三， BP神經(jīng)網(wǎng)絡(luò)的誤差曲面存在不少局部極小點(diǎn) 133l ，在某些初值的條件下，算法的結(jié)果很可能會(huì)陷入局部極小點(diǎn)。由于誤差曲