基于bp神经网络壁纸自动识别的研究

《基于bp神经网络壁纸自动识别的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于BP神经网络壁纸自动识别的研究摘要：本文应用BP神经网络对8类壁纸样本进行了自动识别研究。首先，应用不变矩提取了壁纸样本纹理特征参数；然后，在此特征参数体系下，应用BP神经网络对壁纸样本进行了自动识别研究，获得了满意的效果。关键词：壁纸识别；BP神经网络；不变矩中图分类号：TP391.41贴标的识别以往是通过人工识别，人为因素影响大，识别速度慢，精度低，不能满足大批量生产的需要。因此，在经济社会高速发展的今天，此方法越来越不能满足壁纸行业发展的需要。随着计算机的发展，通过计算机智能识别壁纸的纹理就成为可能，主要思路是将壁纸拍摄获知的图像进行纹理特征的提取，

2、只要建立足够的特征库，就可以把需要判别的壁纸图片输入计算机，通过检索来判别该壁纸是哪种材种。因此，本文引入图像处理技术和BP神经网络技术，提出一种壁纸贴标自动识别算法，以解决贴标大批量生产的需要。1壁纸纹理特征的提取不变矩是指物体图像经过平移，旋转以及比例变换仍保持不变的矩特征量，设物体的二维离散图像函数用f（x，y）表示，其（p+q）阶矩定义为：5（1）相应的（p+q）阶中心矩定义为：（2）其中，x0=m10/m00，y0=m01/m00，x0表示二维图像的灰度在水平方向上的重心，y0表示二维图像的灰度在垂直方向上的重心。HuM.K.等人利用二阶、三阶中心矩

3、得到了7个不变矩特征参数，具体如下：Φk=

4、log

5、Φk‖，k=1，2，3，4，5，6，7（3）在本设计的实验中要求样本的尺寸是256×256，从每一类原始样本中采集100个能表现该样本纹理的图片，形成识别样本库，之后提取了所有样本的不变矩纹理特征。图1壁纸样本图片2BP-神经网络分类器的设计2.1BP神经网络概述BP神经网络（BackPropagation）是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种基于误差逆传播算法的多层前馈神经网络，目前广泛应用于分类、识别、函数逼近等领域。BP神经网络结构如图2所示，包括输入层、输出

6、层和隐含层。图2BP神经网络结构图5BP学习算法的工作过程由正向传播和反向传播组成。正向传播过程是指输入信号从输入层经隐含层，在输出层产生输出信号。如果输出层不能得到期望的输出信号，输出信号将反向传播，将误差信号沿原有路径返回，并按照一定规则修改网络参数，逐渐地向输入层传播去进行计算，正向传播和反向传播两个过程的反复运用，直到误差信号满足要求。2.2BP神经网络分类器设计2.2.1网络输入节点数的设计输入层节点数主要根据数据特征向量的维数来确定，本文输入节点数为不变矩特征向量的维数，即输入节点数为7。2.2.2网络隐含层数的设计通常情况下，增加网络的隐含层数可

7、以使网络误差降低，提高网络的精度，但同时也使网络变得复杂化，使得网络的训练时间增加，而且容易出现网络过拟合的情况。有研究表明，具有Sigmoid非线性函数的3层BP神经网络能够逼近任何连续函数。因此，本研究中神经网络分类器的隐含层数选为3层。2.2.3网络隐含层节点数的设计在确定BP神经网络隐含层数后，下一步就需要确定隐含层节点数。隐含层神经元个数一般由是公式确定，其中n是隐含层神经元个数，n0是输入层神经元个数，n1是输出神经元个数，a∈（1～10）。2.2.4网络输出层的设计5输出层的节点数是根据BP神经网络分类器的输出类别数量决定，也就是说，输出层的节点

8、数应为类别总数。例如，本研究需要将待识别的壁纸样本分成8大类，那么输出层节点数应设置为8，并将每类对应的目标向量依次设置为[10000000]T、[01000000]T、[00100000]T、[00010000]T、[00001000]T、[00000100]T、[00000010]T、[00000001]T，对应目标向量的数目为对应输入壁纸样本的数目，即目标向量与输入壁纸样本是相互对应的。本文BP神经网络分类器采用MATLAB神经网络工具箱进行设计，训练函数选择Trainlm，训练次数为200，误差为0.001，将壁纸样本其分成训练样本与测试样本2部分，并

9、利用训练好的BP神经网络对样本进行自动识别，识别率达到90.0%。3结束语实验结果表明不变矩纹理特征参数可以用于表征壁纸样本，使用本文设计的BP神经网络分类器可以有效识别不同种类的壁纸样本。参考文献：[1]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003：55-63.5[2]杨斐，王坤明，马欣.应用BP神经网络分类器识别交通标志[J].计算机工程，2000（10）：120-121.[3]YapingJIANG，ZuxinXU，HailongYIN.StudyonimprovedBPartificialneuralnetworksineut

10、rophicationassessme