未来智库 > 神经网络论文 > 基于BP神经网络的图像分离算法

基于BP神经网络的图像分离算法

发布时间:2018-07-02 01:06:00 文章来源:未来智库    
    关键词: 图像分离;BP神经网络算法;边界概率
    中图分类号:TP3 文献标识码:A 文章编号:1671-7597(2011)0210028-02
    
    1 简介
    纹理图像通常是通过布扫描,如果我们缩放图像时,因为纹理结构可以看到它由许多不同的颜色。换句话说,它是一个有噪声的图像,很难完成的图像,不能区分用不同颜色的地区,计算机的分离将会导致错误的图像分离。
    有两种算法来处理这个图像分离问题。基于边界提取[1],另一种是基于图像的边界[2]。这些算法只使用信息的边界或颜色的形象,所以他们不能单独的成像。最近提出的算法利用多种信息做分离工作,如颜色、空间、边界、轻盈、纹理等。这些算法获得好的结果,图像分离,但不能用于纹理图像分离,结果直接包含错误的分离。处理这个问题,一个纹理图像分离算法的基础上,提出了基于图像分割的分离算法[3],然而,本算法复杂、慢、边界分离后的形象不是平滑。
    在本文中,我们提出了一种基于BP神经网络算法的纹理品的形象。采用BP神经网络的12输入节点和3个输出节点。输入节点是RGB值的一个像素,灰度值8个相邻边界上的概率像素,而输出节点值为目标对象像素。我们选择一个或多个功能区域的图像的纹理训练样本,用它们来训练BP网络。之后,BP神经网络训练的能力,独立的分离图像。
    2 方法描述
    训练BP神经网络的算法:BP网络是最重要的组成部分,80%-90%神经网络是BP网络或其转型。它是广泛应用在模式识别、图像、系统识别、功能配件、优化计算及其他领域。在这个例子中,应用图1刺激的输入信号的第一层,穿透隐藏层(s)到输出层。每一个环节的神经元之间有着独特的权值。网络功能如下:每个神经元接收信号从神经元在以前的蜡层,每一个信号值乘一个分开的权值。加权输入模型,并通过积极的作用,以一个固定的输出的尺度范围内的值。输出的积极作用,然后转播所有的神经元的下一层。所以利用网络来解决一个问题,我们运用输入值的输入信号的第一层,允许通过网络传播,并且读的输出值。
    在学习过程中工作的BP小迭代步:其中一个例子是应用于网络,在网络产生一些输出的现状的基础上,它的重量(输出将随机)。这个输出与已知好的输出,并计算出任意给定码误差信号。这个错误的价值是通过网络传播、小改变重量在每一层。体重变化的计算误差信号来减少的问题。整个过程重复每例病例中,然后又回到第一例,等等。这个循环重复进行,直到整个误差值低于某些预阈值。在这一点上,我们说网络已经学到的问题”不够好”,网络将从不学习最理想的功能,而它将会渐近接近理想的功能。
    原来的训练BP神经网络算法存在许多缺陷和限度,因此,它是由许多学者改进[4]。许多训练算法,并提出了应采取的蚁群算法与基因演算法。这些算法提高了BP神经网络的能力,并且使它迅速发展。
    该算法基于BP神经网络的图像分离,在本文中,我们设计了一种基于BP神经网络的图像分离工作[6]。这个方法包含四个步骤:1)为纹理图像分离工作构建BP神经网络;2)根据错综复杂的纹理的图象,选择一个或多个功能区域,由人为或其他方法得到相对目标图像(s)。这个功能区域和目标图像(s)组成的训练样本。3)设置相关训练参数和用样本训练BP神经网络参数。4)用训练有素的BP将图像完成纹理图像分离工作。
    事实上,这个图像分离过程是从原始图像到带有噪声目标图像一个映射的。这写因素会影响像素RGB值的分离结果,边界概率可以计算出相关算法和灰度值时,它的8个相邻像素的输出是目标象素RGB值。根据这些信息,建立BP网络[7]。它有12个输入节点和3输出节点。输入节点是来边界的概率分布,8个相邻像素的灰度值RGB训练的像素RGB值,输出节点是目标像素RGB值。因为没有相关的算法,这个隐层节点的参数是通常的经验难以确定,在本文中我们设定该参数是7。所构造的BP神经网络如图1。
    然后,我们选择了样品进行训练。为了减少BP神经网络训练时间,并加快图像分离,我们选择一个或多个特征较多的图像,这些地区包括各种各样的颜色的图象。越小的特征区域是约好的。例如,图2显示出来的图象。
    最后,我们用样本训练BP网络,在训练前我们为这个网络设置参数。我们设置输入层和输出层的功能接近线性的函数,目标和步骤的训练可以根据实际的训练功能要求。然后我们就开始训练BP网络,之后,BP神经网络训练可以用于纹理图象,完成任务的分离。由于样本训练只是部分的整体图象是分开的,它可以降低了图像相分离的时间。
    3 实验
    为了验证该算法的正确性,使用我们的算法设计一种实验,分别在图3显示三个纹理图象。我们先提取特征区域的图像。这个功能区域的值是由复杂的图像。参考图1.1、2.1、2.2,照片中提取的结果是3.1图像,图5显示相关目标图像的特征。
    把样品进入的BP神经网络,训练他们独立工作。参数如下:输入和输出层采用班轮功能、隐层采用训练功能、培训功能,采用的情况应该如何修改以数量的BP网络的步骤是800,目标设置成0.0001。然后我们就开始训练网络,利用训练有素BP神经网络分离原始图像。结果显示在图6、图7。
    4 结论和未来的工作
    相比之下,我们可以看出,结果我们的算法比现有算法是基于图像分割,尤其是当放大这些图片。采用基于BP神经网络的分离算法,我们可以做的工作更迅速,影像分离,我们可以得到一个图像与光滑的边界。实验表明,本算法是有效的。
    在这个算法设计简单、可行的,适用于纹理图像分离的工作。最重要的是,它可以减少使用的工作量,降低了时间的分离,有利于未来的工作。
    基于BP神经网络的算法,成功地分离纹理形象。然而,这一不足:有太多的12个输入参数节点和七个隐层节点等因素的影响,导致一个复杂的BP神经网络模型。在今后的工作,我们将努力降低BP神经网络的大小,并降低复杂性。
    
    参考文献:
    [1]Malik J, Belongie F, Leugn T, etal.. Contour and texture analysis for image segmentation [J].International Journal of Computer Vision, 2001,43(1):7-27.
    [2]Scheunders P., A genetic c-means clustering algorithm applied to color image quantization [J].Pattern Recognition,1997,30(6):859-866.
    [3]Yang Ping, Li Xue-Qing,etal, A textile image separation algorithm based on graph cut [J].The 4th Jiont Conference on Harmonious Human Machine Environment.
    [4]Yibao Li, Xueyong Zhang, et al.,Study of improving algorithms based on the BP neural network [J].Journal of Hefei University of Technology.2005,6:668-671.
    [5]Q.M. Zhu, A back propagation algorithm to estimate the parameters of non-linear dynamic rational models,Applied Mathematical Modeling.2003,27:169-187.
    [6]S.Yu, K.Zhu, F.Diao, A Dynamic all Parameters Adaptive BP Neural Networks Model and its Application on Oil Reservoir Prediction[J]. Appl. Math. Comput.(2007),doi: 10.1016/j.amc.2007
    (04)088.
    [7]Zhang Yudong, Wu Lenan. Stock market prediction of S&P 500 via combination of improved BCO approach and BP neural network [J]. Expert Systems with Applications, 2009,7:8849-8854.
    
    作者简介:
    杨蕊华(1980-),女,山东莱阳人,中学二级教师,主要研究方向:图像处理;郭绍翠(1980-),女,山东烟台人,助教主要研究方向:图像处理、网格计算。

转载请注明来源。原文地址:https://www.7428.cn/vipzj20804/
 与本篇相关的热门内容: