基于边界矩的模糊神经网络图象识别

《基于边界矩的模糊神经网络图象识别》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、哈尔滨工程大学学位论文原创性声明本人郑重声明：本论文的所有工作，是在导师的指导下，由作者本人独立完成的。有关观点、方法、数据和文献的引用已在文中指出，并与参考文献相对应。除文中已注明引用的内容外，本论文不包含任何其他个人或集体已经公开发表的作品成果。对本文的研究做出重要贡献的个人和集体，均已存文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。作者(签字)：B缝日期：珈良F；月弓日哈尔滨t程大学硕士学位论文第1章绪论1．1选题的目的和意义目标识别系统是现阶段和未来武器系统的重要组成部分。在现代战争中，对于飞机、舰船、导弹等军事目标，如果能实时地加以识别，对掌握战场主动

2、权和正确确定打击目标、显著地提高未来指挥作战系统的性能，具有重要意义，是当代军事领域研究的热点。图像识别川在机械工业领域也有着广阔的应用前景，例如在自动装配线中检测零件的质量，并对零件进行分类；在自动化流程线中，对于对人的身体健康构成危害的环节，人的眼睛不能分辨的高精密的环节，和在高速度下需要做出反应的环节等，都需要计算机能快速精确地来实现识别。对于真实世界的图像识别的研究，面临着下面几个问题：(1)大数据量的图像。一般来说，要取得较高的识别精度，原始图像应具有较高的分辨率，至少应大于64×64；(2)位移、旋转、尺度变化。和人类视觉系统一样，目标和传感器之间存在有位置的变化，

3、因此，要求系统在目标产生位移、旋转、尺度变化时，仍然能够正确识别目标；(3)图像污损。由于目标环境的干扰、传感器的误差、噪声、背景干扰、变形等会污损图像；(4)实时性。在军事领域的应用中，大都要求系统能够实时地识别目标，这就要求系统有极快的处理速度和识别速度。传统的图像识别技术，很多是基于大规模计算的基础之上的，在运算量与运算精度之间存在着不可调和的矛盾。近年来人工神经网络技术14～的发展为解决这一问题提供了新的途径。因为其分布式信息存贮和大规模自适应并行处理满足了对大数据量目标图像的实时处理要求，其高度容错性又容许许多目标图像出现背景模糊和局部残缺。网络事先对待识别模式的大量

4、样本迸哈尔滨工程大学硕士学位论文I-●■●____-__●______■______●___-__●___●__-______●-_____●_____●●___-III_行学习训练，并通过神经元间的互连权值来存贮结果。网络训练完毕，标志着它对某一类或几类模式已具有正确分类的能力。这样，一旦有新的待识别的模式样本出现，网络便能根据记忆马上对它做出“反应”，即识别。网络所具有的记忆全部来自各处理单元间的联系权值，输入经过大量的权值进行加权后的结果就是输出，即输出只不过是输入的一种变换而已。如果用电子或光学器件来构造网络的话，那么这个从输入到输出的过程几乎是瞬间完成的。因此，人工神

5、经网络⋯在目标图像识别领域拥有数字方法无法具备的巨大潜力，被认为是解决自动目标识别问题的有力工具。本文就是基于这样一个背景，对传统的神经网络进行改进，利用在目标图象的边界上提取矩不变量特征来提高特征提取的速度和图象识别速度；通过模糊技术和神经网络的结合来进～步提高图象识别率。1．2图象识别技术的发展针对不同的对象、不同的环境，可以有不同的识别方法。目前的识别方法主要有：图像识别、光谱识别、运动参数识别等等。由于图像可以提供十分丰富且有效的信息，这给识别带来极大的方便，因此，图像识别技术一直受到人们的重视，是模式识别p9J领域的研究热点之一。一般来说，图像识别技术大体经历了三个主

6、要阶段，即：文字识别、图像处理和识别、物体识别。文字识别开始于1950年前后，首先是识别字母、符号及数字，后来发展到文字识别，从印刷字体到手写文字，并研制了相应的文字识别设备。从1965年开始，人们开始图像处理和识别的研究，最初主要利用成像技术、光学技术等，后来人们把同新月异的计算机技术结合进来进行，获得了巨大成功。物体识别以图像处理和识别为基础，是对三维世界的感知认识，属于计算机视觉范畴，在结合了人工智能科学、信息科学和讨+算机科学之后，成为图像识别研究的又一重要方向。1．3图象识别系统的构成图像识别是关注分析图像内容的算法。图像中可能包含一个或多个目标哈尔滨『．程人学硕士学

7、何沦义对象，并且每个对象属于若干个事先定义的类型、范畴和模式之一。在给定一幅含有多个对象的数字图像的条件下，基于图像的模式识别一般由四个阶段组成(如图1．1)：第一个阶段为图像的预处理阶段，在该阶段可对质量不高的原始图像进行增强和复原处理，以有利于提取感兴趣的信息；第二阶段为图像分割阶段，在该阶段中可检测出图像中的各个对象，并把它们的图像和其它对象或背景分离；第三个阶段为特征提取阶段，在该阶段可对图像分割后的物体进行度量而产生一些描述图像的特征，把特征组合在一起，就形成了一组可用于识别的特征