BP人工神经网络在图像分割中的应用

《BP人工神经网络在图像分割中的应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、维普资讯http://www.cqvip.com计算机科学2007Vo1．34№．3BP人工神经网络在图像分割中的应用)杨治明王晓蓉彭军陈应祖(重庆科技学院电子信息工程学院重庆400050)摘要图像分割是图像处理和计算机视觉的重要研究领域，也是图像识别和图像分析的基础性工作之一。图像分割效果的好坏直接影响图像特征的提取、图像识别的精度。BP人工神经网络在理论上具有实现任意非线性映射的能力，具有自学习、自适应及鲁棒性强的特点，在模式识别、模式分类和模糊控制等领域得到广泛应用。作者将BP人工神经网络成功地运用于印鉴图像分割、车牌号码图像的分割等工作中，取得了良好的图像分割效果。关键词

2、BP神经网络，神经元，图像分割，图像识别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多层前向反馈式神经网络是目前应用比较广泛的人工神义_2j：经网络，其中BP(BackPropagationnetwork，简称BP网络)学令集合R代表整个图像区域，对R的分割可看作将R分习算法是最著名的多层前向反馈式神经网络训练算法之一。成N个满足下列5个条件的非空子集(子区域)R-，Rz，⋯，该算法在图像处理和图像识别领域已经取得令人瞩目的成RⅣ；就，其主要思想是利用已知确定结果的样本模式对网络进行Ⅳ①UR=R；训练，然后利用训练好的网络进行图像的处理或识别[1]。’然而，由于BP的训练是“导师监督”的学习，最终的输出②对所有的i和，有RnRI：j2『(≠)；③对

6、一1，2，⋯，N，有P(R)一TRUE；结果往往与训练样本的特征、网络结构等因素密切相关。当网络结构确定时，训练样本输入模式的相关性往往会导致网④对ig=，有P(RUR)=FALSE,络内某些神经元总是处于“获胜”状态，而其他神经元成为“死⑤对=1，2，⋯，N，R是连通区域。点”口]，使得神经元网络的模式不能得到充分利用，从而导致其中P(R)是对所有在集合R中元素的逻辑谓词，j2『代表空图像分割的失败。分析其原因，首先是输入模式中，某些输入集。节点输入的数值远远大于其他节点的数值，导致“大数吃小传统的图像分割方法是基于R、G、B阈值法来判断该点数”问题的出现；其次是部分代表重要特

7、征的学习样本数量不是否为目标像素点。由于噪声和背景的干扰，往往不能取得足，导致相关的神经元连接权得不到充分的调整。针对以上质量良好的目标图像。问题，作者根据BP网络的特性，采用了在输入层和隐藏层间利用BP网络解决类似问题时，首先是对BP网络进行训增加归一化层，输出层后增加数值还原层的方法和采用针对练，然后将网络应用于图像分割。BP网络在分割图像时，本性学习的方法，强化BP网络的训练，取得了满意的效果。质上是将待处理图像中的各点聚类为目标像素和非目标像素。正确聚类后去除非目标像素，