人工神经网络在图像处理与识别中的应用.doc

毕业论文

人工神经网络应用于图像识别与处理中的应用

摘要

有几种方法可用于图像识别。在这些方法中，软计算模型在数字图像中应用已被认为是一种获得更好结果的方法。本工作的主要目的是为图像识别提供一种新方法——人工神经网络。最初的原始灰度图像已经被转型。将输入图像加进椒盐噪声，然后将带有噪声的图像经过一个自适应中值滤波器，滤除噪声，输出图像就可以视为过滤图像。参考存储在原始数据矩阵中的值，计算出估计误差和平均误差的值存储在过滤图像矩阵中，以便检查进行适当噪声滤除的效果。现在将每个像素数据从十进制数转化成八位二进制数，四个一组的像素已经在一起形成一个新的32位二进制数并转换成一个十进制数，这个过程将用新的不同组值持续产生新的数据矩阵。这个数据矩阵将被作为原始数据矩阵存储在数据银行。现在用来识别，一个新的测试图像已采取和插入椒盐噪声相同的步骤，正如前面提到的，采用自适应中值滤波去除噪声，从而得到一个新的测试矩阵。现在，相对于原始图像，第二个图像的平均误差是基于这两个生成矩阵计算出来的。如果这个平均误差大于45%，我们就可以得出结论，图像是不同的，无法匹配。但如果平均误差值已发现是小于或等于45%，我们做出尝试，相对于原始数据矩阵，将人工神经网络应用于测试数据矩阵，从而产生第二个图像（测试图像）的一个新矩阵。对测试数据矩阵应用人工神经网络之后产生生成数据矩阵，通过这个生成数据矩阵，可以计算出总的平均误差，从而检查是否可以作出正确的识别。已观察得到，平均误差的值小于没有应用人工神经网络的测试图像的值。此外，还观察到，测试图像相对于原始图像是可以被识别和匹配的。

关键词：数字图像处理人工神经网络前馈BP神经网络灰度图像椒盐噪声自适应中值滤波器

引言

图像处理的主要目的是改变视觉的影响，这样信息量大大提高，使得所述图像比原始图像更清晰。这种技术有助于我们获得图像中我们感兴趣的部分或特征的更好的清晰度，并且抑制图像中其他部分或特征的信息。图像识别一直致力于，从一组身份已知的标签中寻找图像中被观察目标的身份。可用的识别技术有许多种，但是对于选择何种技术最合适主要取决于给定的手头任务和一些其它的相关参数。软计算是建立在模糊逻辑，人工神经网络，进化计算，机器学习等一些最新技术之上的一种新兴领域。每种软计算技术都可以应用于，产生因太复杂或嘈杂而无法用常规方法处理的任何问题的解决方法。本文将利于人工神经网络，提供一种图像处理与识别的新方法。人工神经网络已成为灵感来自于生物神经网络的一个最新发展工具。这个新的强大工具的主要优势是，它具有靠传统计算方法不太容易解决问题的能力。
传统的计算机采用逐步解决问题的方法，且每一步都需要很好定义并且必须保证是可计算的。如果其中计算机需要遵循的任何一步是未知的，计算机将无法解决问题。所以利用计算机解决问题需要事先掌握如何解决这个问题的所有知识。而人工神经网络是一种新技术，它采用的是一种与传统计算方法不同的解决问题的方式。或许人工神经网络之所以被认为更强大，是因为它可以解决一些还不能准确知道如何去解决的问题。人工神经网络的应用已经扩展到广泛的领域，如图像识别，指纹识别等。人工神经网络有能力适应，学习，推广和组织数据。一些已知的人工神经网络结构有感知器网络，线性神经网络，Madaline网络,Kohonen网络，反向传播网络。

相关工作
数字计算机[1]的出现和现代学习与神经处理理论的发展都发生在大约同一时期，即二十世纪40年代后期。在计算机上进行人工神经系统[2]的研究（ANS）仍然是生物医学研究的一个活跃领域。自那时以来，数字计算机已作为一种工具被用来建立单个神经元以及神经元簇的模型，这就是所谓的神经网络。源自统计模式识别的传统技术一直很流行，直到20世纪90年代初期。在新的时代，2000，RobertP.W.Duin和毛建昌[3]给了我们作了一个全面的总结并对模式识别中一些众所周知的方法进行了比较。给出的评论主要针对统计方法。人工神经网络（ANN）在这只作为一部分被讨论。由于发现，对于进行特征识别，统计方法或多或少存在着一般数学方法的不可用性。一个新的基于轮廓特征值计算的特征提取方法被提出，并发现利用前馈神经网络可以得到令人满意的结果[4]。人工神经网络已经越来越多地被用来作为一种传统模式分类器及聚类技术的替代。在医学图像处理领域，KenjiSuzuki[5]比较了基于像素和非基于像素的人工神经网络方法，结果证明，当涉及到分割和特征计算，前者效果更好。本文还认为，进行大量的人工神经网络训练可用于图像增强。1993，在一个关于图像分割的评论文章中，Pal就预言，神经网络将被广泛的应用于图像处理中。基于神经网络的分割技术，被发现显示出了强大功能。在医学图像处理领域的另一个相关工作证实了这种基于神