试析基于神经网络的图像识别系统的研究及实现

《试析基于神经网络的图像识别系统的研究及实现》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、西南农业大学硕士学位论文基于神经网络的图像识别系统的研究及实现姓名：董辉申请学位级别：硕士专业：农业机械化工程指导教师：余建桥20050501西南农业大学硕士学位论文摘要捅要阻像识别是近20年来发展起来的一门新型技术科学，它以研究某些对象或过程(统称图像)的分类与描述为主要内容。图像识别所研究的领域十分广泛，它可以从医学图像中进行癌细胞的识别：可以从机械加工中识别出零部件；可以是从遥感图片中识别农作物、森林、湖泊和军事设施；可以是自导引小车中的路径识别；可以是邮政系统中自动分拣信函；可咀识别违章行驶的汽车牌照；可以进行银行支票的识别等，图像识别

2、是上述课题中的最基础、最重要的技术。本论文研究分析了传统的图像识别方法，发现传统的方法中具有一定的局限性，不利于图像识别技术的广泛应用，因此提出了基于神经网络的图像识别算法，并依据神经网络的特点对图像识别中的相应技术进行了适当地改进。本论文的研究思路是按照图像识别的基本步骤进行的：(1)利用简单有效的算法公式，将彩色图像进行图像的灰度化转换及二值化处理。实现图像的数字化处理；(2)采用平滑滤波、中值滤波、和锐化滤波等算法去除图像中的噪声信息，对图像进行有效地增强；(3)通过对边缘检测法中的Roberts算子、Sobel算子和正交算子的分析，得到

3、了一种新的改进边缘检测分割算法，使得图像分割算法具有一定的普遍意义：(4)根据神经网络识别的特点，研究了不变矩的特性，发现其在离散状态下所具有的问题，通过对其比例因子进行适当得改进，得到一种新的改进不变矩算法，该方法保证了图像特征提取的准确性：(5)确定BP神经网络的隐层数，在BP神经网络中通过引入多次选择不同的初始权值和加入动量因子两种方法对其进行改进，使神经网络的识别方法更迅速、更准确。其中图像分割、图像特征提取及BP神经网络识别是本研究的重点，另外本论文还利用上述算法设计出了基于BP神经网络的图像识别系统。本论文主要取得下列成果。1．改进

4、的边缘检测图像分割算法图像分割是由图像处理转到图像分析的关键。本论文通过对边缘检测中的Robots算子、sobel算子及正交算子进行分析，发现每个算子在进行梯度计算时它们的模板中各个像素位权重是给定的，这就决定了只能考虑空间上的某个方位，而实际上对于图像边缘的方位性质，一般是事先不明确的。因此，本论文采用了一种更具有普遍意义的边缘检测算子。该算子选用3×3的模板，模板中各个像素点的权重，事先不给加以确定，因为图像边缘容易出现在图像灰度突变的交界处，所以可以先确定模板中各个位置所对应像素的灰度值大小，这样就可以粗略地判断边缘出现的方向，然后根据边

5、缘可能出现的方向来决定各个方位上像素的加权系数。本论文根据新算子的构造机理及大量实验，验证了新算子对边缘检测的经典算子是一个很好的补充。2．基于改进不变矩的图像特征提取算法特征抽取是图像识别中的一个关键问题，其基本任务是如何从许多特征中找出那些最有效的特征。对于基q--j,经网络的识别方法而言，其核心是利用图像的特征进行训练识别，理西南农业大学硕士学位论文摘要想的特征是对字符图像的平移、旋转与缩放都具有不变性，因此，如何选取字符图像的特征是字符识别的关键所在。通过研究了多种特征提取算法，本论文根据神经网络识别的特点采用了不变矩这种理论，但是同时

6、也发现虽然Hu定义的7个不变矩尽管在连续情况下具有比例不变性，但是在离散状态下并不成立。基于这种思想下，本论文采用一种改进的新的不变矩特征量的算法，该算法通过改变比例因子来实现不变矩的特征量不仅在连续状态下具有不变性，而且在平移和旋转的状态下也具有了不变性。另外本论文还利用了计算出的不变矩特征量来训练BP网络，对待识别对象的进行识别分类。实例计算表明这种识别方法有良好的分类效果。具有～定的实际价值。3．BP神经网络的图像识别BP算法是用于前馈多层网络的学习算法。BP网络模型实现了多层网络学习的思想。当给定网络的一个输入模式时，它由输入层单元送到

7、隐层单元，经隐层单元逐层处理后再送到输出层单元，由输出层单元处理后产生一个输出模式。如果输出响应与期望输出模式有误差，且不满足要求，就需转入误差后向传播，即将误差值沿连接通路逐层向后传送，并修正各层连接权值。可见，相对于其他方法而言，利用BP神经网络来解决图像识别问题比传统的分类器具有下述3个显著优点：①神经网络对问题的先验知识要求较少；②可以实现对特征空间较为复杂的划分；③适用高速并行处理系统来实现。虽然神经网络可以对图像进行直接识别但是其有效性、高速性较差。主要是因为BP网络存在局部极小值问题及当隐层神经元数目增多时网络训练时间急速增长等问

8、题。因此需提高网络的效率，提高识别率，提高稳定性。针对上述问题，本论文采用两种较为可行的神经网络改进方法：①多次选择不同的初始权值。多次选择不同的初始