基于感知神经网络的图像恢复研究.docVIP

基于进化形态神经网络的图像恢复 何春梅 （华东交通大学 信息工程学院 江西 南昌 330013） orphological neural networks Chun-mei He (School of Information Engineering, East China Jiaotong University, Nanchang 330013, China) Abstract: The concept of Evolutional morphological neural networks (EMNNs) is introduced in this paper. The partial derivatives formulas of the discontinued error functions and the adjusting computation of the weights in the EMNNs are proposed. And a new learning algorithm is presented for genetic morphological neural networks. Then the EMNNs are proposed and applied to restore the impulse noise images. The simulation experiments shows that the image restored by the proposed EMNNs is quite good and the proposed method can be well applied into image restoration. Key words: morphological neural network; image restoration; learning algorithm; Genetic algorithm 1 引言 人工神经网络和形态学结合产生了形态神经网络[1-9] (Morphology Neural Networks, MNN)，MNN的概念来自图像代数[]，在每个神经元节点都执行相应的形态学算子。m层节点j的输入输出关系为： (1) 而在中，(1)式中加法和乘法运算将分别用加法和取最值（最大或最小）的运算取代，其中神经网络的节点的输入输出关系被修改为非线性的计算。，第j个隐含层神经元的输出为，K表示训练样本个数，N为每个训练样本的维数，H为隐含层中的神经元个数，N取决于结构元素的大小 (如本文中选择的9邻域的结构元素，则N=9)，而隐含层神经元个数可以自由选择。整个网络的输出为v(t)。表示输入层第i个节点到隐含层第j个神经元的连接权值，表示隐含层的第j个神经元到输出层的连接权值，它们直接的关系如下： 或 (2) 上式中，∨和∧分别表示取最大或最小值的运算，N为输入神经元的个数（即输入训练样本维数）。 输出层为一个节点组成，整个网络的输出v(t)为 (3) 上述(2)-(3)式中，隐含层激活函数为，其中；输出层的激活函数为，即，其中。 3 进化形态神经网络(EMNN)的训练 将EMNN用于图像恢复之前，我们先要将EMNN的连接权值Wo和Wi训练好。假设每个输入训练样本的维数为N（对应网络输入层神经元节点数为N），训练样本数为L。 在整个图像恢复中，网络的训练是一个监督学习的过程，即训练EMNN使得期望输出和实际网络输出的均方误差达到最小，选用的均方误差指导函数E如下： (4) 其中分别表示第i个输入训练样本对应的网络的实际输出和期望输出，即实际输出的复合函数为： 。 采用基于遗传算法的共轭梯度算法来训练网络的连接权值，在迭代的每一步，用遗传算法获取学习常数η的最优值，其网络连接权值的调整公式如下，其中η为学习常数，α为动量因子。 (5) (6) 其中和是误差指导函数E对两个连接权值的梯度向量，按照复合函数偏导的链式求导规则，其计算过程如下： (7) (8) 其中偏导数在点并不连续，受文献[13,14]的启发，我们定义偏导数如下： ， 算法1 基于遗传算法的共轭梯度算法 Step 1 初始化：给出学习算法的训练模式对x，d，其中x是网络的输入向量，d是网络