’!))"!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!"> ’!))"!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!" />
欢迎来到天天文库
浏览记录
ID:34558973
大小:542.50 KB
页数:6页
时间:2019-03-07
《基于bp神经网络的数字图像边缘检测算法的研究》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库。
1、第!"卷第#期西安科技大学学报$%&’!"(%’#!))"年*月+,-.(/0,123’/(-(3$4.5367,15834(84/(9648:(,0,;75<=>’!))"!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!文章编号:?@A!B*#?"(!))"))#B)#A!B)C基于!"神经网络的数字图像边缘检测算法的研究肖锋(西安工业学院计算机科学与工程学院,陕西西安A?))#!)摘要:指出了传统边缘检测算子算法的不足,提出了一种利用基于DE神
2、经网络的数字图像边缘检测算法,即利用传统边缘检测算子检测出来的图像中像素的灰度的不同比例作为学习训练图像,进行神经网络的学习训练,改变神经网络的结构参数得到神经网络的模型参数,最后给出了DE神经网络实现图像边缘检测的实验研究结果。从实现中可发现,将人们关于边缘特征的先验知识包含在内进行数字图像的边缘检测,能够取得比较好的效果。关键词:神经网络;边缘检测;DE;训练中图分类号:6E!?!’?文献标识码:/#$%&$&’&(’)*+,-%*.)’/01,2&$*+!"+&3.,-+&’4*.52)+$)%)’,-)0,%&23/,1
3、L%M>>H<&KNK>I>K%F%O>H<>JIPK>K%FI&I&G%JK>HNIFPKF>J%PMQHN%OK%FI&G%JK>HNTILR%JULKFPKGK>I&KNIG<,K’<’R<>JIKF>HR%JURK>H>H<=4、J%=%J>K%F%O>H<=KV<&KF>H<H<>JIPK>K%FI&I&G%JK>HN’3FIPSPK>K%F,K>GKXHL%O>H<LRK>H>HHN;RHI>’LN%J<,K>GKXHR%JU’L=IJIN<>HJ%MGHL’1J%N>H<L,RH<=JK%JUF%R&5、F=J%QK%FR<&&’7&84*.$2:FR%JU;KNIG<K%F;DE;>JIKF)引言边缘提取是模式识别中物体特征抽取的重要环节之一,基于梯度的传统边缘检测方法对图像的边缘检测研究已经取得了一些成果,但目前在实际检测中得到的边缘结果并不令人满意;并且随着计算机速度和存储的飞速发展,图像量化像素点宽度将越来越小,即使在边缘处,相邻像素灰度值的差异将越来越小,从而制约了建立在以梯度为原则的边缘检测算子的发展,并且由于通常要作分析及处理的原始图像往往含有噪声,而边6、缘和噪声在空间域表现为灰度有比较大的起落,在频率域则反映为同是高频分量;同时,为了避免给图像带来新的误差[?]或掩盖真实信息,不能对其作滤波、增强等处理。因此,寻找新的边缘检测方法是必要的。?基于神经网络的边缘检测算法大家知道,如果一个过程的描述和理解都十分清楚,该过程的处理能用最佳方法设计,那就不必要考虑用神经网络去做;要做,其结果未必更好。然而,神经网络却适合于难于模型化的问题。神经网络是从样本中学习,"收稿日期:!))CB)YB!A万方数据作者简介:肖锋(?*A@B),男,河南焦作人,助教,主要从事数字图像处理和多媒体信息7、处理的教学与科研工作’第2期肖锋基于/0神经网络的数字图像边缘检测算法的研究2#2从而从网络本身形成所求解问题的模型。对于数字图像的边缘检测来说,图像中局部变化与场景的对应关系可以通过样本集对网络的训练来求解。神经网络能够很好地完成!维空间(输入结点个数!)到"维空间(输出[#]结点个数")的复杂的非线性映射。故它具备进行图像边缘检测的能力,所以我们可以用神经网络进行数字图像的边缘检测。$($训练集的选取在/0神经网络的学习训练过程中,训练集样本的选取是一件非常重要的事情。训练集的选取将直接影响网络学习训练的时间、权值矩阵与学习8、训练效果等。目前,国内外有很多的学者采用神经网络的方法进行数字图像边缘检测的研究,但是尚处在试验阶段,尤其对样本的选择问题还没有[1,2,3]很好的解决方法。我认为:在样本的选择过程中,要选择有代表性的图像作为训练图像。图$这副图像边缘比较明显,且边缘分布在图像
K%FI&G%JK>HNTILR%JULKFPKGK>I&KNIG<,K’<’R<>JIKF>HR%JURK>H>H<=4、J%=%J>K%F%O>H<=KV<&KF>H<H<>JIPK>K%FI&I&G%JK>HN’3FIPSPK>K%F,K>GKXHL%O>H<LRK>H>HHN;RHI>’LN%J<,K>GKXHR%JU’L=IJIN<>HJ%MGHL’1J%N>H<L,RH<=JK%JUF%R&5、F=J%QK%FR<&&’7&84*.$2:FR%JU;KNIG<K%F;DE;>JIKF)引言边缘提取是模式识别中物体特征抽取的重要环节之一,基于梯度的传统边缘检测方法对图像的边缘检测研究已经取得了一些成果,但目前在实际检测中得到的边缘结果并不令人满意;并且随着计算机速度和存储的飞速发展,图像量化像素点宽度将越来越小,即使在边缘处,相邻像素灰度值的差异将越来越小,从而制约了建立在以梯度为原则的边缘检测算子的发展,并且由于通常要作分析及处理的原始图像往往含有噪声,而边6、缘和噪声在空间域表现为灰度有比较大的起落,在频率域则反映为同是高频分量;同时,为了避免给图像带来新的误差[?]或掩盖真实信息,不能对其作滤波、增强等处理。因此,寻找新的边缘检测方法是必要的。?基于神经网络的边缘检测算法大家知道,如果一个过程的描述和理解都十分清楚,该过程的处理能用最佳方法设计,那就不必要考虑用神经网络去做;要做,其结果未必更好。然而,神经网络却适合于难于模型化的问题。神经网络是从样本中学习,"收稿日期:!))CB)YB!A万方数据作者简介:肖锋(?*A@B),男,河南焦作人,助教,主要从事数字图像处理和多媒体信息7、处理的教学与科研工作’第2期肖锋基于/0神经网络的数字图像边缘检测算法的研究2#2从而从网络本身形成所求解问题的模型。对于数字图像的边缘检测来说,图像中局部变化与场景的对应关系可以通过样本集对网络的训练来求解。神经网络能够很好地完成!维空间(输入结点个数!)到"维空间(输出[#]结点个数")的复杂的非线性映射。故它具备进行图像边缘检测的能力,所以我们可以用神经网络进行数字图像的边缘检测。$($训练集的选取在/0神经网络的学习训练过程中,训练集样本的选取是一件非常重要的事情。训练集的选取将直接影响网络学习训练的时间、权值矩阵与学习8、训练效果等。目前,国内外有很多的学者采用神经网络的方法进行数字图像边缘检测的研究,但是尚处在试验阶段,尤其对样本的选择问题还没有[1,2,3]很好的解决方法。我认为:在样本的选择过程中,要选择有代表性的图像作为训练图像。图$这副图像边缘比较明显,且边缘分布在图像
R%JULKFPKGK>I&KNIG<,K’<’R<>JIKF>HR%JURK>H>H<=
4、J%=%J>K%F%O>H<=KV<&KF>H<H<>JIPK>K%FI&I&G%JK>HN’3FIPSPK>K%F,K>GKXHL%O>H<LRK>H>HHN;RHI>’LN%J<,K>GKXHR%JU’L=IJIN<>HJ%MGHL’1J%N>H<L,RH<=JK%JUF%R&5、F=J%QK%FR<&&’7&84*.$2:FR%JU;KNIG<K%F;DE;>JIKF)引言边缘提取是模式识别中物体特征抽取的重要环节之一,基于梯度的传统边缘检测方法对图像的边缘检测研究已经取得了一些成果,但目前在实际检测中得到的边缘结果并不令人满意;并且随着计算机速度和存储的飞速发展,图像量化像素点宽度将越来越小,即使在边缘处,相邻像素灰度值的差异将越来越小,从而制约了建立在以梯度为原则的边缘检测算子的发展,并且由于通常要作分析及处理的原始图像往往含有噪声,而边6、缘和噪声在空间域表现为灰度有比较大的起落,在频率域则反映为同是高频分量;同时,为了避免给图像带来新的误差[?]或掩盖真实信息,不能对其作滤波、增强等处理。因此,寻找新的边缘检测方法是必要的。?基于神经网络的边缘检测算法大家知道,如果一个过程的描述和理解都十分清楚,该过程的处理能用最佳方法设计,那就不必要考虑用神经网络去做;要做,其结果未必更好。然而,神经网络却适合于难于模型化的问题。神经网络是从样本中学习,"收稿日期:!))CB)YB!A万方数据作者简介:肖锋(?*A@B),男,河南焦作人,助教,主要从事数字图像处理和多媒体信息7、处理的教学与科研工作’第2期肖锋基于/0神经网络的数字图像边缘检测算法的研究2#2从而从网络本身形成所求解问题的模型。对于数字图像的边缘检测来说,图像中局部变化与场景的对应关系可以通过样本集对网络的训练来求解。神经网络能够很好地完成!维空间(输入结点个数!)到"维空间(输出[#]结点个数")的复杂的非线性映射。故它具备进行图像边缘检测的能力,所以我们可以用神经网络进行数字图像的边缘检测。$($训练集的选取在/0神经网络的学习训练过程中,训练集样本的选取是一件非常重要的事情。训练集的选取将直接影响网络学习训练的时间、权值矩阵与学习8、训练效果等。目前,国内外有很多的学者采用神经网络的方法进行数字图像边缘检测的研究,但是尚处在试验阶段,尤其对样本的选择问题还没有[1,2,3]很好的解决方法。我认为:在样本的选择过程中,要选择有代表性的图像作为训练图像。图$这副图像边缘比较明显,且边缘分布在图像
5、F=J%QK%FR<&&’7&84*.$2:FR%JU;KNIG<K%F;DE;>JIKF)引言边缘提取是模式识别中物体特征抽取的重要环节之一,基于梯度的传统边缘检测方法对图像的边缘检测研究已经取得了一些成果,但目前在实际检测中得到的边缘结果并不令人满意;并且随着计算机速度和存储的飞速发展,图像量化像素点宽度将越来越小,即使在边缘处,相邻像素灰度值的差异将越来越小,从而制约了建立在以梯度为原则的边缘检测算子的发展,并且由于通常要作分析及处理的原始图像往往含有噪声,而边
K%FR<&&’7&84*.$2:FR%JU;KNIG<K%F;DE;>JIKF)引言边缘提取是模式识别中物体特征抽取的重要环节之一,基于梯度的传统边缘检测方法对图像的边缘检测研究已经取得了一些成果,但目前在实际检测中得到的边缘结果并不令人满意;并且随着计算机速度和存储的飞速发展,图像量化像素点宽度将越来越小,即使在边缘处,相邻像素灰度值的差异将越来越小,从而制约了建立在以梯度为原则的边缘检测算子的发展,并且由于通常要作分析及处理的原始图像往往含有噪声,而边
K%F;DE;>JIKF)引言边缘提取是模式识别中物体特征抽取的重要环节之一,基于梯度的传统边缘检测方法对图像的边缘检测研究已经取得了一些成果,但目前在实际检测中得到的边缘结果并不令人满意;并且随着计算机速度和存储的飞速发展,图像量化像素点宽度将越来越小,即使在边缘处,相邻像素灰度值的差异将越来越小,从而制约了建立在以梯度为原则的边缘检测算子的发展,并且由于通常要作分析及处理的原始图像往往含有噪声,而边
6、缘和噪声在空间域表现为灰度有比较大的起落,在频率域则反映为同是高频分量;同时,为了避免给图像带来新的误差[?]或掩盖真实信息,不能对其作滤波、增强等处理。因此,寻找新的边缘检测方法是必要的。?基于神经网络的边缘检测算法大家知道,如果一个过程的描述和理解都十分清楚,该过程的处理能用最佳方法设计,那就不必要考虑用神经网络去做;要做,其结果未必更好。然而,神经网络却适合于难于模型化的问题。神经网络是从样本中学习,"收稿日期:!))CB)YB!A万方数据作者简介:肖锋(?*A@B),男,河南焦作人,助教,主要从事数字图像处理和多媒体信息
7、处理的教学与科研工作’第2期肖锋基于/0神经网络的数字图像边缘检测算法的研究2#2从而从网络本身形成所求解问题的模型。对于数字图像的边缘检测来说,图像中局部变化与场景的对应关系可以通过样本集对网络的训练来求解。神经网络能够很好地完成!维空间(输入结点个数!)到"维空间(输出[#]结点个数")的复杂的非线性映射。故它具备进行图像边缘检测的能力,所以我们可以用神经网络进行数字图像的边缘检测。$($训练集的选取在/0神经网络的学习训练过程中,训练集样本的选取是一件非常重要的事情。训练集的选取将直接影响网络学习训练的时间、权值矩阵与学习
8、训练效果等。目前,国内外有很多的学者采用神经网络的方法进行数字图像边缘检测的研究,但是尚处在试验阶段,尤其对样本的选择问题还没有[1,2,3]很好的解决方法。我认为:在样本的选择过程中,要选择有代表性的图像作为训练图像。图$这副图像边缘比较明显,且边缘分布在图像
此文档下载收益归作者所有