基于Gabor小波和神经网络的图像目标识别

基于Gabor小波和神经网络的图像目标识别

ID:38271502

大小:416.15 KB

页数:5页

时间:2019-05-24

基于Gabor小波和神经网络的图像目标识别_第1页
基于Gabor小波和神经网络的图像目标识别_第2页
基于Gabor小波和神经网络的图像目标识别_第3页
基于Gabor小波和神经网络的图像目标识别_第4页
基于Gabor小波和神经网络的图像目标识别_第5页
资源描述:

《基于Gabor小波和神经网络的图像目标识别》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、第12卷第2期扬州大学学报(自然科学版)Vol.12No.22009年5月JournalofYangzhouUniversity(NaturalScienceEdition)May2009基于Gabor小波和神经网络的图像目标识别3袁峰,杜宇人,吴震宇(扬州大学信息工程学院,江苏扬州225009)摘要:针对目前数字图像目标识别方法中存在识别精度和实时性的问题,提出一种结合Gabor小波和神经网络的图像目标识别方法.该方法首先对图像进行预处理,用Canny算子进行边缘提取,然后通过神经网络获取最优的双Gabor小波复合滤波器参数,再采用参数优化过

2、的滤波器组提取目标的特征向量,最后进行目标的分类和识别.实验表明这种方法鲁棒性好、识别率高,具有较广泛的实际应用价值.关键词:Gabor小波滤波器;神经网络;图像;目标识别中图分类号:TP391141文献标识码:A文章编号:10072824X(2009)02249204数字图像目标的自动识别是目前国内外研究的热点,它在智能交通系统、工业生产自动化和机[1]器人视觉等诸多领域有极高的应用价值.已经报道的研究方法很多,其中有基于神经网络和模糊的[2][3][4]方法、基于分形与神经网络的图像识别法,还有Hausdorff测距法.然而,这些方法或者耗

3、时较长,或者适用范围较窄,不能同时兼顾实时性和适用性.由于Gabor小波变换在分析数字图像的局部区域频率和方向信息方面具有优异的性能,故在计算机视觉及纹理分析中已经得到广泛应用.而神经网络又具有自学习性、自适应性、强鲁棒性和推广能力.因此,在本文中,笔者拟结合以上两种算法的特点,提出一种基于双Gabor小波复合滤波器提取图像目标特征向量,并结合神经网络得到最优化滤波器参数值的方法,以此对图像目标进行识别.1图像预处理[5]本研究以车型图像为例进行目标识别.采用低误判率和高定位精度的Canny算子进行边缘检[6]测,并通过3DMAX给出3类典型车

4、型(小汽车、客车、卡车)的数据库,即分离出背景的目标图像.预处理的结果如图1所示.2Gabor小波滤波器Gabor小波在计算机视觉和纹理分析中应用较多,如基于二值图像的纹理分割、图像目标识[7]别等.二维的Gabor小波滤波器因可同时获取空间和频率域的最小不确定性而常用于信号处理,并且它和人眼视网膜神经细胞的感受非常相似,从而应用于图像处理、理解、识别等领域,在人脸和特[8]征识别领域也已成功应用.2211xy二维Gabor小波滤波器可定义为g(x,y)=exp-2+2exp[jω0(x+y)],其极2πσxσy2σxσy坐标形式定义为2211

5、xyG(x,y)=exp-2+2exp{j2π[ωr·cos(θ-φ)]},(1)2πσxσy2σxσy收稿日期:2008209225基金项目:国家自然科学基金资助项目(20299030);扬州大学自然科学基金资助项目(KK0313090)3联系人,E2mail:yzdyr@163.com50扬州大学学报(自然科学版)第12卷其中σ为高斯函数的标准差,ω0为复平面波的空间频率,φ=arctanv/u是22方向角,r=x+y,θ=arctany/x.极坐标形式的Gabor小波滤波器G与输入图像进行相关运算的输出结果是该区域上ω,φ的总和.(1)式

6、表示的滤波器在空间域是一个复数,它由实部和虚部组成,分别图13个典型样本(a)及其预处理结果(b)称为实Gabor小波滤波器Fig.1Threetypicalsamples(a)andpre2doneresults(b)和虚Gabor小波滤波器.本文采用实Gabor小波滤波器来提取特征进行进一步的识别.3提取边缘特征及优化复合滤波器参数[9]一个实Gabor小波滤波器只能提取关于一组a,b,ω,φ的信息,这对用于提取出能够准确识别出图像目标的特征是不够的,故须使用多个实Gabor小波滤波器,但又使得计算量很大.为此,本文构造了一种复合滤波器组,

7、用它和输入图像进行一次相关运算,即可得到几个实Gabor小波滤波器分别与输入图像相关运算所获得的特征向量.本研究用两组实Gabor小波滤波器线性组合成复合滤波器∑nwnGn(n=1,2).可以根据图像目标的特点初始化w1G1+w2G2的参数值,其中w为列向量,其包含复合滤波器的线性组合系数wn,G为矩阵,每一列包含复合滤波器的一个Gn.复合滤波器参数初值见表1.表1复合滤波器参数的初始化Tab.1Theparameterinitialvaluesofcomposedfilter参数abωφwJG1b/35112/(23b)90°11250.92

8、G2b/250—-0.25为了获取目标的局部特征,可以假定目标的尺寸在一定的范围,因此参数a,b应小于目标的尺寸,一般取这个范围的下限.复合滤波器参数

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。