人工神經(jīng)網(wǎng)絡(luò)在圖像處理與識別中的應(yīng)用畢業(yè)

1、.人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識別與處理摘要有幾種方法可用于圖像識別。在這些方法中，軟計(jì)算模型在數(shù)字圖像中應(yīng)用已被認(rèn)為是一種獲得更好結(jié)果的方法。本工作的主要目的是為圖像識別提供一種新方法人工神經(jīng)網(wǎng)絡(luò)。最初的原始灰度圖像已經(jīng)被轉(zhuǎn)型。將輸入圖像加進(jìn)椒鹽噪聲，然后將帶有噪聲的圖像經(jīng)過一個自適應(yīng)中值濾波器，濾除噪聲，輸出圖像就可以視為過濾圖像。參考存儲在原始數(shù)據(jù)矩陣中的值，計(jì)算出估計(jì)誤差和平均誤差的值存儲在過濾圖像矩陣中，以便檢查進(jìn)行適當(dāng)噪聲濾除的效果。現(xiàn)在將每個像素?cái)?shù)據(jù)從十進(jìn)制數(shù)轉(zhuǎn)化成八位二進(jìn)制數(shù)，四個一組的像素已經(jīng)在一起形成一個新的32位二進(jìn)制數(shù)并轉(zhuǎn)換成一個十進(jìn)制數(shù)，這個過程將用新的不同組值持續(xù)產(chǎn)生新的

2、數(shù)據(jù)矩陣。這個數(shù)據(jù)矩陣將被作為原始數(shù)據(jù)矩陣存儲在數(shù)據(jù)銀行?，F(xiàn)在用來識別，一個新的測試圖像已采取和插入椒鹽噪聲相同的步驟，正如前面提到的，采用自適應(yīng)中值濾波去除噪聲，從而得到一個新的測試矩陣。現(xiàn)在，相對于原始圖像，第二個圖像的平均誤差是基于這兩個生成矩陣計(jì)算出來的。如果這個平均誤差大于45%，我們就可以得出結(jié)論，圖像是不同的，無法匹配。但如果平均誤差值已發(fā)現(xiàn)是小于或等于45%，我們做出嘗試，相對于原始數(shù)據(jù)矩陣，將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于測試數(shù)據(jù)矩陣，從而產(chǎn)生第二個圖像（測試圖像）的一個新矩陣。對測試數(shù)據(jù)矩陣應(yīng)用人工神經(jīng)網(wǎng)絡(luò)之后產(chǎn)生生成數(shù)據(jù)矩陣，通過這個生成數(shù)據(jù)矩陣，可以計(jì)算出總的平均誤差，從而檢查是否

3、可以作出正確的識別。已觀察得到，平均誤差的值小于沒有應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的測試圖像的值。此外，還觀察到，測試圖像相對于原始圖像是可以被識別和匹配的。關(guān)鍵詞：數(shù)字圖像處理 人工神經(jīng)網(wǎng)絡(luò) 前饋BP神經(jīng)網(wǎng)絡(luò) 灰度圖 像 椒鹽噪聲 自適應(yīng)中值濾波器第1章 引言圖像處理的主要目的是改變視覺的影響，這樣信息量大大提高，使得所述圖像比原始圖像更清晰。這種技術(shù)有助于我們獲得圖像中我們感興趣的部分或特征的更好的清晰度，并且抑制圖像中其他部分或特征的信息。圖像識別一直致力于，從一組身份已知的標(biāo)簽中尋找圖像中被觀察目標(biāo)的身份。可用的識別技術(shù)有許多種，但是對于選擇何種技術(shù)最合適主要取決于給定的手頭任務(wù)和一些其它的相關(guān)參數(shù)

4、。軟計(jì)算是建立在模糊邏輯，人工神經(jīng)網(wǎng)絡(luò)，進(jìn)化計(jì)算，機(jī)器學(xué)習(xí)等一些最新技術(shù)之上的一種新興領(lǐng)域。每種軟計(jì)算技術(shù)都可以應(yīng)用于，產(chǎn)生因太復(fù)雜或嘈雜而無法用常規(guī)方法處理的任何問題的解決方法。本文將利于人工神經(jīng)網(wǎng)絡(luò)，提供一種圖像處理與識別的新方法。人工神經(jīng)網(wǎng)絡(luò)已成為靈感來自于生物神經(jīng)網(wǎng)絡(luò)的一個最新發(fā)展工具。這個新的強(qiáng)大工具的主要優(yōu)勢是，它具有靠傳統(tǒng)計(jì)算方法不太容易解決問題的能力。傳統(tǒng)的計(jì)算機(jī)采用逐步解決問題的方法，且每一步都需要很好定義并且必須保證是可計(jì)算的。如果其中計(jì)算機(jī)需要遵循的任何一步是未知的，計(jì)算機(jī)將無法解決問題。所以利用計(jì)算機(jī)解決問題需要事先掌握如何解決這個問題的所有知識。而人工神經(jīng)網(wǎng)絡(luò)是一種新

5、技術(shù)，它采用的是一種與傳統(tǒng)計(jì)算方法不同的解決問題的方式?；蛟S人工神經(jīng)網(wǎng)絡(luò)之所以被認(rèn)為更強(qiáng)大，是因?yàn)樗梢越鉀Q一些還不能準(zhǔn)確知道如何去解決的問題。人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用已經(jīng)擴(kuò)展到廣泛的領(lǐng)域，如圖像識別，指紋識別等。人工神經(jīng)網(wǎng)絡(luò)有能力適應(yīng)，學(xué)習(xí)，推廣和組織數(shù)據(jù)。一些已知的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有感知器網(wǎng)絡(luò)，線性神經(jīng)網(wǎng)絡(luò)，Madaline網(wǎng)絡(luò), Kohonen網(wǎng)絡(luò)，反向傳播網(wǎng)絡(luò)。第2章 相關(guān)工作數(shù)字計(jì)算機(jī) 1 的出現(xiàn)和現(xiàn)代學(xué)習(xí)與神經(jīng)處理理論的發(fā)展都發(fā)生在大約同一時期，即二十世紀(jì)40年代后期。在計(jì)算機(jī)上進(jìn)行人工神經(jīng)系統(tǒng) 2 的研究（ANS）仍然是生物醫(yī)學(xué)研究的一個活躍領(lǐng)域。自那時以來，數(shù)字計(jì)算機(jī)已作為一種工具被

6、用來建立單個神經(jīng)元以及神經(jīng)元簇的模型，這就是所謂的神經(jīng)網(wǎng)絡(luò)。源自統(tǒng)計(jì)模式識別的傳統(tǒng)技術(shù)一直很流行，直到20世紀(jì)90年代初期。在新的時代，2000，Robert P.W.Duin和毛建昌 3 給了我們作了一個全面的總結(jié)并對模式識別中一些眾所周知的方法進(jìn)行了比較。給出的評論主要針對統(tǒng)計(jì)方法。人工神經(jīng)網(wǎng)絡(luò)（ANN）在這只作為一部分被討論。由于發(fā)現(xiàn)，對于進(jìn)行特征識別，統(tǒng)計(jì)方法或多或少存在著一般數(shù)學(xué)方法的不可用性。一個新的基于輪廓特征值計(jì)算的特征提取方法被提出，并發(fā)現(xiàn)利用前饋神經(jīng)網(wǎng)絡(luò)可以得到令人滿意的結(jié)果4。人工神經(jīng)網(wǎng)絡(luò)已經(jīng)越來越多地被用來作為一種傳統(tǒng)模式分類器及聚類技術(shù)的替代。在醫(yī)學(xué)圖像處理領(lǐng)域，Ke

7、nji Suzuki 5 比較了基于像素和非基于像素的人工神經(jīng)網(wǎng)絡(luò)方法，結(jié)果證明，當(dāng)涉及到分割和特征計(jì)算，前者效果更好。本文還認(rèn)為，進(jìn)行大量的人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練可用于圖像增強(qiáng)。1993，在一個關(guān)于圖像分割的評論文章中，Pal就預(yù)言，神經(jīng)網(wǎng)絡(luò)將被廣泛的應(yīng)用于圖像處理中。基于神經(jīng)網(wǎng)絡(luò)的分割技術(shù)，被發(fā)現(xiàn)顯示出了強(qiáng)大功能。在醫(yī)學(xué)圖像處理領(lǐng)域的另一個相關(guān)工作證實(shí)了這種基于神經(jīng)網(wǎng)絡(luò)的分割技術(shù)。該方法結(jié)合了實(shí)時應(yīng)用的方法。從而一種混合神經(jīng)網(wǎng)絡(luò)被提了出來 8 。與特征臉方法相比，這種混合神經(jīng)網(wǎng)絡(luò)的方法顯示發(fā)現(xiàn)的錯誤率產(chǎn)生了令人滿意的結(jié)果。在人工神經(jīng)網(wǎng)絡(luò)前進(jìn)方向上，一個更為實(shí)時的方法已經(jīng)顯示出，如何完成對一個處在

8、雜亂海灘場景9里的人的檢測和量化，這顯示出了基于神經(jīng)的分類系統(tǒng)。一種用平行的Hopfield神經(jīng)網(wǎng)絡(luò) 10 完成對暗淡面部圖像識別的方法，在識別率上顯示出了令人鼓舞的結(jié)果。2007年，一項(xiàng)基于Hopfield神經(jīng)網(wǎng)絡(luò)的研究發(fā)表，在這項(xiàng)研究中，關(guān)于這個概念寬泛的理論綜述被提了出來。目標(biāo)識別包括在一副圖像中定位目標(biāo)實(shí)例的相應(yīng)位置及可能的方向和尺度，這樣做的目的大概也是為了給檢測到的目標(biāo)指定一個分類標(biāo)簽。一些其他類型的人工神經(jīng)網(wǎng)絡(luò)，如前饋人工神經(jīng)網(wǎng)絡(luò)方法也可以被用于目標(biāo)識別。前饋網(wǎng)絡(luò)通常由三到四層按邏輯排列的神經(jīng)元組成。第一層和最后一層分別是輸入層和輸出層，在其它層之間通常有一個或多個隱藏層。在這里

9、信息只允許單向傳輸，這就這意味著，一個層的輸出成了下一層的輸入，如此類推。這種傳輸有序發(fā)生，每層都完全連接到下一層并且每個神經(jīng)元通過加權(quán)后連接到下一層的神經(jīng)元。本文的目的是利用人工神經(jīng)網(wǎng)絡(luò)為目標(biāo)識別提供一個替代解決方案。最初的原始灰度圖像已經(jīng)被作為了一個參考，并被存儲為原始數(shù)據(jù)銀行。對轉(zhuǎn)化方法的處理已經(jīng)應(yīng)用與原始圖像，最初的一副原始灰度圖像已經(jīng)采取轉(zhuǎn)換，輸入圖像已加入鹽和辣椒噪聲，自適應(yīng)中值濾波器已被應(yīng)用在處理嘈雜了噪聲的圖像，因此噪聲可以被濾除，輸出圖像可視為過濾圖像。參考存儲在原始數(shù)據(jù)矩陣中的值將計(jì)算出估計(jì)誤差和平局誤差的值并存儲在過濾圖像矩陣中，目的是檢查適當(dāng)濾波的效果?，F(xiàn)在每個像素?cái)?shù)據(jù)

10、的值已經(jīng)從十進(jìn)制數(shù)被轉(zhuǎn)換到8位二進(jìn)制數(shù)。那四個像素合在一起組成一組形成一個新的32位二進(jìn)制數(shù)。此后，這些二進(jìn)制數(shù)再被轉(zhuǎn)換成一個十進(jìn)制數(shù)，這個過程像這樣一直持續(xù)到完成圖像所有行，最終產(chǎn)生了由一系列不同值組成的新數(shù)據(jù)矩陣。這個數(shù)據(jù)矩陣被作為原始數(shù)據(jù)矩陣，并保存在數(shù)據(jù)銀行以供參考?，F(xiàn)在用來識別，一個新的測試圖像已經(jīng)采取了和前面所提到的相同的步驟，插入椒鹽噪聲，采用中值濾波器濾除噪聲，從而得到一個新的測試矩陣?，F(xiàn)在基于兩個生成矩陣，相對于原始圖像，第二張圖像的平均誤差被計(jì)算出來。如果誤差的百分比大于45%，我們可以得出結(jié)論：圖像是不同的，是不可匹配和識別 。相反，如果得出的誤差百分比小于或等于45%，

11、我們將嘗試相比與原始數(shù)據(jù)矩陣，將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到測試數(shù)據(jù)矩陣，從而產(chǎn)生第二個圖像的新矩陣。對測試數(shù)據(jù)矩陣應(yīng)用人工神經(jīng)網(wǎng)絡(luò)后產(chǎn)生對應(yīng)生成數(shù)據(jù)矩陣，我們便可以通過生成數(shù)據(jù)矩陣計(jì)算出平均誤差。已觀察到，如果平均誤差小于之前得到的值，那么我們就可以得出結(jié)論：圖像是匹配的，從而也是可以被識別的。利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像處理和識別的流程圖如圖1： 圖1 流程圖第3章 實(shí)現(xiàn)A. 原始圖像的處理步驟一： 我們選取最初的最佳的圖像如圖2，我們把它作為原始圖像。為簡單起見，取原始圖像的第一個10x10矩陣元素如下： 表1 輸入數(shù)據(jù)矩陣步驟二：輸入圖像加入椒鹽噪聲，計(jì)算出加入椒鹽噪聲后的平均誤差是25.67%。為

12、簡單起見，加入噪聲的原始圖像的第一個10x10矩陣元素如下： 表2 帶有噪聲的輸入數(shù)據(jù)矩陣B. 含噪聲圖像的處理步驟三：將自適應(yīng)中值濾波器應(yīng)用于含噪聲的圖像，從而將噪聲濾除，輸出的圖像將被視為過濾圖像。步驟四：參考原始數(shù)據(jù)矩陣的值，估計(jì)誤差和平均誤差的值被計(jì)算出來存儲在過濾圖像矩陣中。平均誤差的值為5.397%。這顯示出了噪聲濾除的結(jié)果。步驟五：去除噪聲得到原始圖像被轉(zhuǎn)化成包含像素值的數(shù)據(jù)矩陣，如表3所示。為簡單起見，取第一個10x10矩陣元素值如下：表3 噪聲濾除后的輸入數(shù)據(jù)矩陣步驟六：為簡化計(jì)算，四個像素被合在一起，并明智的逐行取出，并轉(zhuǎn)化成單個二進(jìn)制數(shù)。步驟七： 四個像素的二進(jìn)制值并排在

13、一起，已經(jīng)結(jié)合形成32位二進(jìn)制數(shù)。步驟八：現(xiàn)在將這32位二進(jìn)制數(shù)轉(zhuǎn)換成一個十進(jìn)制數(shù)。步驟九：在步驟五中生成的十進(jìn)制數(shù)，被放進(jìn)了原始數(shù)據(jù)矩陣，把這個矩陣命名為ORMAT,如表4所示：表4 原始數(shù)據(jù)矩陣ORMAT步驟十： 本說明書所提供的步驟六到步驟九，重復(fù)操作直到完成濾除噪聲后的原始圖像的如表3所示的全部像素值，因此，產(chǎn)生了一個矩陣，數(shù)據(jù)存儲在命名的ORMAT數(shù)據(jù)矩陣中，如表4所示。需要注意的是，取第一個10x10矩陣元素顯示在表4中更容易介紹。C.測試圖像的處理 一張新的圖像被取出，作為測試圖像，現(xiàn)在最重要的是檢查所取的圖像是否可以被識別出來。測試圖像如圖5所示，為簡單起見，測試圖像的第一個1

14、0x10矩陣元素（測試數(shù)據(jù)矩陣）的值如下表5所示： 表5 測試數(shù)據(jù)矩陣步驟十一： 正如上述步驟二的說明，現(xiàn)將其在測試圖像上執(zhí)行，產(chǎn)生一個含噪聲的測試數(shù)據(jù)矩陣，如表6所示：表6 含噪聲的測試數(shù)據(jù)矩陣步驟十二： 如上述在步驟三和步驟四中的說明，先將其在含噪聲的測試圖像上執(zhí)行，將生成一個濾除噪聲的測試數(shù)據(jù)矩陣，如表7所示：表7 濾除噪聲的測試數(shù)據(jù)矩陣步驟十三： 如上述步驟五到步驟九的程序，將其在濾去噪聲的測試圖像上執(zhí)行，將產(chǎn)生的十進(jìn)制數(shù)放置在測試數(shù)據(jù)矩陣TESTMAT中，如表8所示：表8 矩陣TESTMATD.基于原始數(shù)據(jù)矩陣計(jì)算測試數(shù)據(jù)矩陣平均誤差步驟十四： 基于表4存儲的原始數(shù)據(jù)矩陣，我們可以計(jì)

15、算出存儲在二進(jìn)制矩陣中的估計(jì)誤差和平均誤差，如表9所示。其中平均誤差為31%。估計(jì)誤差如下所示：表9 估計(jì)誤差數(shù)據(jù)步驟十五： 由于平均誤差小于45%，為了進(jìn)行識別，我們采取必要的步驟，利用人工神經(jīng)網(wǎng)絡(luò)的技術(shù)對測試圖像進(jìn)行處理。E.利用人工神經(jīng)網(wǎng)絡(luò)對識別的圖像進(jìn)行處理步驟十六： 相對于原始圖像的數(shù)據(jù)矩陣，前饋反向傳播神經(jīng)網(wǎng)絡(luò)被用在測試圖像的測試數(shù)據(jù)矩陣進(jìn)行訓(xùn)練與測試。結(jié)果就產(chǎn)生了一個新的數(shù)據(jù)矩陣，我們把它命名為NEWMAT，如表10所示。需要注意的是，矩陣ORMAT,TESTMAT,NEWMAT的列的數(shù)目只占了原始圖像或測試圖像數(shù)據(jù)總列數(shù)的四分之一，因此利用人工神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練和測試所需的時間大

16、大減少。表10 應(yīng)用ANN后的數(shù)據(jù)矩陣NEWMAT步驟十七：數(shù)據(jù)矩NEWMAT   的每個值被轉(zhuǎn)換成32為二進(jìn)制數(shù)。步驟十八： 現(xiàn)在32位二進(jìn)制數(shù)被分為四組8位二進(jìn)制數(shù)。步驟十九： 每組8位二進(jìn)制數(shù)被轉(zhuǎn)化為十進(jìn)制數(shù)，每個十進(jìn)制數(shù)被作為每行連續(xù)四個像素的像素值。步驟二十：重復(fù)上述步驟十七到步驟十九的說明，直到完成數(shù)據(jù)矩陣MEWMAT中所有的值。結(jié)果產(chǎn)生了一個新的被修改了的數(shù)據(jù)矩陣，我們把它命名為MODMAT,如表11所示。需要注意的是，為了便于陳述，我們?nèi)〉谝粋€10x10像素存儲在表11。表11 修改后的數(shù)據(jù)矩陣MODMATF.估計(jì)誤差和平均誤差的計(jì)算步驟二十一：參

17、考存儲在表3中的值，我們可以計(jì)算出估計(jì)誤差和平均誤差的值，并存儲在表11。且計(jì)算出的平均誤差為14.39%?；诖鎯υ诒?1中的值，可以形成圖像，如圖8所示。步驟二十二： 其它的測試圖像如圖9，被用來進(jìn)行處理和識別。第4章 結(jié)果一些原始圖像和測試圖像被取出來進(jìn)行處理，結(jié)果顯示如表12所示。表12 結(jié)果Srl No原始圖像含噪聲的原始圖像相對于原始圖像的平局誤差濾除噪聲的原始圖像濾除噪聲后相對于原始圖像的平均誤差（1）（2）（3）（4）（5）（6）1圖2圖325.67%圖45.39%2圖2圖326.42%圖42.93%測試圖像含噪聲的測試圖像相對于測試圖像含噪聲圖像的平均誤差濾除噪聲后的測試圖像

18、相對于測試圖像的平均誤差（7）（8）(9)(10)(11)圖5圖625.75%圖75.56%圖9圖1027.39%圖117.8%濾除噪聲后相對于原始圖像的平均誤差通過ANN訓(xùn)練后的測試圖像相對于原始圖像的平均誤差結(jié)論（12）（13）（14）（15）31%圖814.39可識別64%-不可識別 圖2 輸入原始圖像 圖3含噪聲的原始圖像 圖4 濾除噪聲的原始圖像 圖5 測試圖像 圖6 含噪聲的測試圖像 圖7噪聲濾除后的測試圖像 圖8 利用ANN訓(xùn)練后的圖像 圖9 測試圖像 圖10 含噪聲的測試圖像 圖11噪聲濾除后的測試圖像第5章 總結(jié)已經(jīng)觀察到，如果平均誤差小于45%，人工神經(jīng)網(wǎng)絡(luò)可以用于訓(xùn)練檢測

19、從而進(jìn)行識別。因此，測試圖像和原始圖像是可識別和成功匹配的。同時也被察到，如果平均誤差大于45%，那么圖像被識別為不同的圖像。在本文中，插入椒鹽噪聲主要是因?yàn)樗杏脕碜R別的圖像都可能含有某種噪聲，這就需要去濾除噪聲，從而進(jìn)行正確的識別。本文還觀察到，由于用來訓(xùn)練的矩陣行數(shù)只有原始圖像列數(shù)的四分之一，用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試需要更少的時間。參考文獻(xiàn)1 M. Egmont-Petersena, D. de Ridderb, Handelsc,L.Beaurepaire, K.Chehdi; B.Vozel “Image processing with neural networksarevie

20、w", Pattern Recognition 35 (2002), 2002, PP-228022882 Berend Jan van der Zwaag , Kees Slump , and Lambert Spaanenburg" Extracting Knowledge from Neural Networks in Image Processing"PP-143-1453 Anil K. Jain, Fellow, IEEE, Robert P.W. Duin, and Jianchang Mao,Senior Member, IEEE “Statist

21、ical Pattern Recognition: A Review”,IEEE TRANSACTIONS ON PATTERN ANALYSIS ANDMACHINE INTELLIGENCE VOL. 22, NO. 1, JANUARY 20004 Andrzej Dziech, Ali Amuri, “CONTOUR RECOGNITION USING NEURAL NETWORKAPPLICATION”, Communications Dept.,AGH Cracow University, Cracow, POLAND, Electronics and Communication

22、Dept., Kielce University of Technology, Kielce,POLAND.5 Kenji Suzuki, “Pixel-Based Artificial Neural Networks in Computer-Aided Diagnosis”, Department of Radiology, Division of Biological Sciences, the University of Chicago USA6 N.R. Pal, S.K. Pal, "A review on image segmentation techniques&quo

23、t;,Pattern Recognition 26 (9) (1993) 1277 1284.7 S.K. Pal, A. Ghosh, "Neuro-fuzzy computing for image processing and pattern recognition", Int. J. Systems Sci. 27 (12) (1996) 118211938 Mostafa Jabarouti Moghaddam, Hamid Soltanian-Zadeh, “Medical Image Segmentation Using Artificial Neural N

24、etworks “.9 Adilson Gonzaga, Armando Marin, Evandro A. Silva, Fabiana C.Bertoni Kelton A.P. Costa, Luciana A.L. Albuquerque “NeutralFacial Image Recognition Using Parallel Hopfield Neural Networks”,Universidade de São Paulo10 Y.J. Zhang, "A survey on evaluation methods for imagesegmentatio

25、n", Pattern Recognition 29 (8) (1996) 1335 134011 Humayun Karim Sulehria, Ye Zhang, “Hopfield Neural NetworksA Survey”, Proceedings of the 6th WSEAS Int. Conf. on Artificial Intelligence, Knowledge Engineering and Data Bases, Corfu Island,Greece, February 16-19, 2007.12 Rafael C. Gonzalez, Rich

26、ard E. Woods, " Digital Image Processing", Second Edition, Prentice Hall Upper Saddle River, New Jersey 07458, TA1632.G66 2001, 698-740原理1 提出問題 數(shù)字計(jì)算機(jī)的出現(xiàn)和現(xiàn)代學(xué)習(xí)與神經(jīng)處理理論的發(fā)展都發(fā)生在大約同一時期，即二十世紀(jì)40年代后期。在計(jì)算機(jī)上進(jìn)行人工神經(jīng)系統(tǒng)的研究（ANS）仍然是生物醫(yī)學(xué)研究的一個活躍領(lǐng)域。自那時以來，數(shù)字計(jì)算機(jī)已作為一種工具被用來建立單個神經(jīng)元以及神經(jīng)元簇的模型，這就是所謂的神經(jīng)網(wǎng)絡(luò)。源自統(tǒng)計(jì)模式識別的傳統(tǒng)技術(shù)

27、一直很流行，直到20世紀(jì)90年代初期。在新的時代，2000，Robert P.W.Duin和毛建昌給了我們作了一個全面的總結(jié)并對模式識別中一些眾所周知的方法進(jìn)行了比較。給出的評論主要針對統(tǒng)計(jì)方法。人工神經(jīng)網(wǎng)絡(luò)（ANN）在這只作為一部分被討論。由于發(fā)現(xiàn)，對于進(jìn)行特征識別，統(tǒng)計(jì)方法或多或少存在著一般數(shù)學(xué)方法的不可用性。一個新的基于輪廓特征值計(jì)算的特征提取方法被提出，并發(fā)現(xiàn)利用前饋神經(jīng)網(wǎng)絡(luò)可以得到令人滿意的結(jié)果。圖像處理的主要目的是改變視覺的影響，這樣信息量大大提高，使得所述圖像比原始圖像更清晰。這種技術(shù)有助于我們獲得圖像中我們感興趣的部分或特征的更好的清晰度，并且抑制圖像中其他部分或特征的信息。圖

28、像識別一直致力于，從一組身份已知的標(biāo)簽中尋找圖像中被觀察目標(biāo)的身份?？捎玫淖R別技術(shù)有許多種，但是對于選擇何種技術(shù)最合適主要取決于給定的手頭任務(wù)和一些其它的相關(guān)參數(shù)。軟計(jì)算是建立在模糊邏輯，人工神經(jīng)網(wǎng)絡(luò)，進(jìn)化計(jì)算，機(jī)器學(xué)習(xí)等一些最新技術(shù)之上的一種新興領(lǐng)域。每種軟計(jì)算技術(shù)都可以應(yīng)用于，產(chǎn)生因太復(fù)雜或嘈雜而無法用常規(guī)方法處理的任何問題的解決方法。傳統(tǒng)的計(jì)算機(jī)采用逐步解決問題的方法，且每一步都需要很好定義并且必須保證是可計(jì)算的。如果其中計(jì)算機(jī)需要遵循的任何一步是未知的，計(jì)算機(jī)將無法解決問題。所以利用計(jì)算機(jī)解決問題需要事先掌握如何解決這個問題的所有知識。而人工神經(jīng)網(wǎng)絡(luò)是一種新技術(shù)，它采用的是一種與傳統(tǒng)計(jì)

29、算方法不同的解決問題的方式?；蛟S人工神經(jīng)網(wǎng)絡(luò)之所以被認(rèn)為更強(qiáng)大，是因?yàn)樗梢越鉀Q一些還不能準(zhǔn)確知道如何去解決的問題。本文將利于人工神經(jīng)網(wǎng)絡(luò)，提供一種圖像處理與識別的新方法。人工神經(jīng)網(wǎng)絡(luò)已成為靈感來自于生物神經(jīng)網(wǎng)絡(luò)的一個最新發(fā)展工具。這個新的強(qiáng)大工具的主要優(yōu)勢是，它具有靠傳統(tǒng)計(jì)算方法不太容易解決問題的能力。2 分析問題 論文設(shè)計(jì)流程1. 選取最佳原始圖像目的，是為了進(jìn)行識別提供標(biāo)準(zhǔn)的原始數(shù)據(jù)，以減小相對誤差，提高識別正確率。 2.加入椒鹽噪聲的目的，因?yàn)橐驗(yàn)樗杏脕碜R別的圖像都可能含有某種噪聲，這就需要去濾除噪聲，從而進(jìn)行正確的識別。 3.選用自適應(yīng)中值濾波器原因：濾波器被廣泛地用于圖象的預(yù)處理

30、,抑制圖象噪聲,增強(qiáng)對比度,以及強(qiáng)化圖象的邊沿特征. 運(yùn)用較為廣泛的線性濾波器如平均值濾波器,能較好地抑制圖象中的加性噪聲. 但是,線性濾波器會引起圖象的鈍化或模糊,使得圖象中物體邊界產(chǎn)生位移. 特別是,在圖象受到乘性噪聲或脈沖噪聲的干擾,如超聲波及雷達(dá)成像中普遍存在的斑點(diǎn)噪聲,線性濾波器就不能取得預(yù)期的效果. 中值濾波器，就像其名字一樣，是用該像素的相鄰像素的灰度中值來代替該像素的值，是一種非線性濾波器. 例如濾波窗口由3×3 個象素組成,則其中5個象素的灰度值會小于等于該濾波器的輸出灰度值,同時5 個象素的灰度值會大于等于濾波器的輸出. 由此可見,對于離散的脈沖噪聲,當(dāng)其出現(xiàn)的次

31、數(shù)小于窗口尺寸的一半時,將被抑制掉同時也能較好地保證圖象的邊沿特征,而且易于實(shí)現(xiàn). 因此它被廣泛地應(yīng)用于圖象處理,尤其是醫(yī)學(xué)圖象處理,如超聲波圖象.但由于其使用的濾窗大小是固定不變的,當(dāng)窗中噪聲像素?cái)?shù)超過有用像素之半時（噪聲密度較大時）,中值濾波濾波作用大大降低。多次試驗(yàn)驗(yàn)證:在脈沖噪聲強(qiáng)度大于0.2時,中值濾波效果就顯得不是令人滿意。而自適應(yīng)中值濾波器會根據(jù)一定的設(shè)定條件改變?yōu)V窗的大小,即當(dāng)噪聲面積較大時,通過增加濾窗的大小將噪聲予以去除,同時當(dāng)判斷濾窗中心的像素不是噪聲時,不改變其當(dāng)前像素值,即不用中值代替。這樣,自適應(yīng)中值濾波器可以處理噪聲概率更大的脈沖噪聲,同時在平滑非脈沖噪聲圖像時能

32、夠更好地保持圖像細(xì)節(jié),這是傳統(tǒng)中值濾波器做不到的。所以選用自適應(yīng)中值濾波有利于保留圖像細(xì)節(jié)，有利于正確進(jìn)行圖像識別。4. 采用將一副圖像分割成幾部分的方法，只取其中10X10矩陣的元素，一是方便進(jìn)行誤差計(jì)算，二是只進(jìn)行圖像某部分進(jìn)行識別，提高了識別速度，三是采用矩陣形式方便進(jìn)行將數(shù)據(jù)輸入至ANN網(wǎng)絡(luò)進(jìn)行圖像處理。5.采用圖像壓縮的方法，將像素?cái)?shù)據(jù)進(jìn)行進(jìn)制轉(zhuǎn)換，矩陣ORMAT,TESTMAT,NEWMAT的列的數(shù)目只占了原始圖像或測試圖像數(shù)據(jù)總列數(shù)的四分之一，因此利用人工神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練和測試所需的時間大大減少。6.圖像處理可以看作一大類圖像技術(shù)，著重強(qiáng)調(diào)在圖像之間的變換，圖像處理是包含豐富內(nèi)容

33、和具有廣闊應(yīng)用領(lǐng)域的研究學(xué)科。近幾年來，作為具有自組織、自學(xué)習(xí)和聯(lián)想功能的人工神經(jīng)網(wǎng)絡(luò)理論已成功地應(yīng)用于圖像處理的許多方面，如圖像壓縮、圖像分割、邊緣檢測、圖像增強(qiáng)、圖像識別等。概括得說，神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像處理的主要思路是：把原始圖像或經(jīng)過適當(dāng)預(yù)處理的圖像作為網(wǎng)絡(luò)的輸入信號，在網(wǎng)絡(luò)的輸出端得到處理后的圖像信號或分類結(jié)果。7.圖像增強(qiáng)的目標(biāo)是改進(jìn)圖片的質(zhì)量，例如增加對比度，去掉模糊和噪聲，修正幾何畸變。8.BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層

34、各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。 圖像增強(qiáng)的主要目的是使圖像處理后達(dá)到特定的效果。不同的圖像，其處理

35、方法也各不相同，使我們很難找到一個標(biāo)準(zhǔn)的公式或函數(shù)，因此可利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)特性和自組織能力幫助我們完成這任務(wù)。即將測試數(shù)據(jù)矩陣的數(shù)據(jù)輸入ANN網(wǎng)絡(luò)，其輸出即為調(diào)整好的測試新數(shù)據(jù)矩陣，將這個新矩陣再與原始數(shù)據(jù)矩陣進(jìn)行對比，計(jì)算誤差，即可判定是否為同一圖像。3 解決問題Matlab程序function =TwoDPCA % %Face recognition clear all close all clc M=200;traincopy=3; eignum=100;%選取100個特征值。 cel=cell(1,M); cellafter=cell(1,M); tt=clock; S=; ii=1

36、; str=strcat('E:人臉2dfacedatabaseORLs11.pgm'); img=imread(str); ia ib=size(img); sum=zeros(ia,ib); B=zeros(ia,ib); for i=1:40 for j=1:5 str=strcat('E:人臉2dfacedatabaseORLs11.pgm'); eval('img=imread(str);'); sum=double(sum)+double(img); cel1,ii=img; ii=ii+1; end end meanA=sum/M;

37、 cov=zeros(ib); for i=1:M img=cel1,i; B=double(img)-double(meanA); temp=B'*B; cov=double(cov)+double(temp); end vv dd=eig(cov); num2=size(vv); % Sort and eliminate those whose eigenvalue is zero v=; d=; for i=1:size(vv,2) if(dd(i,i)>1e-4) v=v vv(:,i); d=d dd(i,i); end end num1=size(v,2); %sor

38、t, will return an ascending sequence B index=sort(d); ind=zeros(size(index); dtemp=zeros(size(index); vtemp=zeros(size(v); len=length(index); for i=1:len dtemp(i)=B(len+1-i); ind(i)=len+1-index(i); vtemp(:,ind(i)=v(:,i); end d=dtemp; v=vtemp; imgafter=; for i=1:M for j=1:eignum img=cel1,i; temp1=double(img)*dou