数字图像处理_第五章图像分割2015研究.ppt

1、基于自组织神经网络的聚类分割 网络的基本原理 当输入某模式后，通常只有一个或局部区域的竞争层神经元对该模式有积极响应，这时与竞争层相应节点连接的权值向量就向输入模式的方向修正。这样，网络通过对输入模式的反复学习，可使连接权矢量空间分布密度与输入模式的概率分布趋于一致，即连接权空间分布可反映输入模式的统计特征。 1、基于自组织神经网络的聚类分割 SOM网络的算法步骤 ① 对所有输入节点到输出节点的连接权值 初始化，可以随机地取一些较小的值; ② 将每一像素点的颜色和位置信息结合起来，即给每个像素点赋予1个具有5个特征值的特征向量，作为自组织神经网络的输入信号; 1、基于自组织神经网络的聚类分割 SOM网络的算法步骤 ③ 选出竞争层中最匹配的神经元，匹配函数采用欧氏距离法来度量，设输入向量为 ，而神经元的权值向量为 ，则有: 位于区域Nc内的神经元权值将得到修改，其中区域Nc是以神经元c为中心的、半径为R范围内的全部神经元集合.权值的修改公式: 其中a(t)为一取值在[0,1]区间内、随时间衰减的函数. 1、基于自组织神经网络的聚类分割 SOM网络的算法步骤 ④ 判断所有像素点是否已输入完毕，否则转第2步; ⑤ 修改学习参数a(t)和Nc(t)，调整输入向量的次序，反复 学习，直到达到预定学习次数，各像素点逐渐在输出层中形成固定的映射关系. 1、基于自组织神经网络的聚类分割 SOM聚类的后处理 一般SOM聚类后还需要做合并处理。 2、自生成神经网络分割 自生成神经网络SGNN(Self-Generating Neural Network,SGNN)不需要指定网络结构与网络参数,而且也不需要迭代学习，正是由于其简单的网络设计而倍受关注。 SGNN是利用竞争学习机制的一种非监督学习神经网络，它以一种树结构来实现,其中整个结构包括神经元、神经元之间的联系和权值,都是在学习中采用非监督学习方法自动生成。 2、自生成神经网络分割 SGNN算法描述 输入节点：2 4 5 1 3 2 4 2 5 5 3.7 2 4.5 4 1 4 5 3 1.5 4.5 1 2 2 4 根节点 节点神经元 叶节点神经元 一棵神经树 自生成神经树的生成过程(SGNT：Self-Generating Neural Tree) 2、自生成神经网络分割 SGNN算法描述 1)给定样本集{ei}(i =1,2,…,L),距离公式‖…‖,误差阈值ε. 2)生成一个新节点nj,用输入数据ei的属性值作为新节点nj的权 值Wj.如果i=1(第一个输入数据),则转至6),否则执行3). 3)计算节点nj与nnode(nnode(node=1,2…j-1)是当前SGNT中的神 经元节点)之间的最小距离,并找出获胜神经元节点nwin.如果 距离大于阈值d(nj,nwin),则执行4),否则nj被并入nwin,转至5) 执行. 2、自生成神经网络分割 SGNN算法描述 4)将nj连接到当前SGNT神经树上.如果nwin是当前树中的叶子节 点,则创建一个新节点nj+1,令其权值Wj+1等于nwin的权值Wwin, 连接nj和nj+1作为nwin的孩子节点,否则仅连接nj作为nwin的孩 子节点. 5)使用公式 更新节点nr的权值向量.其中nr是 从节点nj到根节点所经过路径上的所有节点,cr是以节点nr为 根的子树的叶子节点的个数. 6)如果i=L,则结束算法,否则i= i+1, 转至2)继续执行. 2、自生成神经网络分割 SGNN用于图像分类 图像每个像素看作也个样本——叶子，根据SGNN算法生成SGNT,最终生成树有几个孩子，就分成几类，每个孩子所覆盖的那些叶子节点赋予同一个标号，完成聚类分割。 2、自生成神经网络分割 SGNN存在问题 ① 如果叶子节点过多，则生成的神经数庞大，运算量和存储空间大 ② 对孤立点敏感 ③ 如果输入网络的顺序不同，则分类结果也可能不同 原图 生长结果 生长基础上SGNN分割结果 SGNN分割实例 输入节点：1 2 4 5 1.5 1 2 1 4 4 2.3 1 3 2 5 5 4.5 3 1 3.7 2 4 1 2 SGNN算法在不同样本训练顺序下的聚类结果 (a) 原始图像 (b) 聚类结果1 (c) 聚类结果2 2、自生成神经网络分割 SGNN改进 ① 粗分割后把每个区域看作一个样本，减小网络结构 ② 根据区域相邻情况，修改连接规则，消除孤立点 ③ 推广到自生成森林，变成优化问题，由优化算法解决 原图 区域生长粗分割