资源描述：
《基于Matlab神经网络的图像识别》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35卷(2007)第8期计算机与数字工程93*基于Matlab神经网络的图像识别唐晓东徐东平(武汉理工大学计算机科学与技术学院武汉430063)摘要神经网络是信息科学、脑科学、神经心理学等诸多学科近年来共同关注的研究热点。由于神经网络具有良好的抽象分类特性,使其成为解决图像识别相关问题的有效工具。在简述图像识别过程的基础上重点讨论利用BP神经网络对图像进行识别,用Matlab完成对神经网络的训练和测试,获得满意的结果。关键词人工神经网络BP网络图像识别中图分
2、类号TP183BP神经网络采用的是并行网格结构,包括输1引言入层、隐含层和输出层,经作用函数后,再把隐节点人工神经网络(ArtificialNeuralNetwork)是一的输出信号传递到输出节点,最后给出输出结果。种模拟人脑神经元细胞的网络结构和功能,运用大由图1可见各层次的神经元之间形成全互连连接,量的处理部件,由人工方式建立起来的自适应非线各层次内的神经元之间没有连接。性动态系统。它是在生物神经网络研究的基础上该算法的学习过程由信息的前向传播和误差建立起来的,能在一定程度上模仿生物神经系统的的反向传播组成。在前向传播的
3、过程中,输入信息智慧和功能,因此广泛应用于信息处理和模式识别从输入层经隐含层逐层处理,并传向输出层。第一等领域。本文介绍的是将需要识别的图像经过预层神经元的状态只影响下一层神经元的状态。如处理后进行特征提取,再利用神经网络可以较好的果在输出层得不到期望的输出结果,则转入反向传解决图像识别中往往存在的噪声或输入图像的部播,将误差信号(目标值与网络输出之差)沿原来分损失等等优势将BP神经网络应用于图像识别。的连接通道返回,通过修改各层神经元权值,使得误差均方最小。神经网络理论已经证明BP网络2BP神经网络的基本原理和学习算法具有强
4、大的非线性映射能力和泛化功能,任一连续BP(Backpropagation反向传播)网络是神经网函数或映射均可采用三层网络加以实现。络的一个分支,又称误差信号反馈网络,是神经网假设训练集包含M个样本,对于BP模型的输络中使用最广泛的一类。它是一种有教师的学习入层单元,其输出与输入相同,即oi=ii。中间隐含网络,能够实现从N维到M维的非线性映射,采用层和输出层的神经元的操作特性为:梯度下降法实现快速收敛。netpj=wjiOpiiopj=fj(netpj)其中p表示当前的输入样本(P=1,2,,M),wji为神经元i与神经元j
5、之间的连接权值,opi为神经元j的当前输入(即神经元i的输出),opj为其输出。fj为非线性可微非递减函数,BP算法中一般-x取为s形函数即fj(x)=1/(1+)。其算法步骤描述如下:(1)设置变量和参数,其中包括训练样本,权图1BP网络结构值矩阵,学习速率。*收到本文时间:2006年9月20日作者简介:唐晓东,女,硕士研究生,研究方向:多媒体技术。徐东平,男,博士,教授,研究方向:多媒体技术。94唐晓东等:基于Matlab神经网络的图像识别第35卷(2)初始化,输入样本,提供训练
6、模式,训练网拟神经网络进行图像识别。首先我们选取0-9这络,直到满足学习要求。十个数字的BMP格式图像作为目标图像。每个数(3)前向传播过程:对给定训练模式输入,计字取4个样本进行训练,这样就有40个训练样本,算网络的输出模式,并与期望模式比较,若有误差,另取10个作识别样本。神经网络采用三层的BP则执行(4);否则,返回(2)。网络,在特征提取部分采用的是直接利用每个点的(4)后向传播过程:a.计算同一层单元的误像素值来作为特征也就是对图像进行逐行逐列的差;b.修正权值和阈值;c.返回(2)。扫描,当遇到黑色像素时取其特征值为
7、1,遇到白色像素时取其特征值为0,这样就形成了一个维数3图像识别过程与图像中像素点的个数相同的特征向量矩阵。由图像识别的过程分为两大块即图像预处理模于进行归一化后字符的高度为16宽度为8,这样块和图像识别模块。其中图像预处理模块在对图对于每一个输入样本就有16*8=128个特征。因像目标进行一系列变换后把最后提取到的目标特此输入层的结点数为128。隐层神经元根据多次征提交给图像识别模块并进行分类,最后进行识别试验选取为45,输出层结点数的确定则取决于如并给出结果。如图2所示。何设定标准输出,这里采用8421BCD码来对0到9其
8、中图进行编码,如输出0就采用(0,0,0,0)这样的输出像的特征向向量来表示,输出1就采用(0,0,0,1)输出向量表量做神经网示,一直到9。这样一来输出层的神经元数目就为络分类器的4即输出向量的维数,但是由于采用的激励函数是输入,而隐S型函数,其输出永远不可能
