图像处理的流行的几种方法.docxVIP

图像识别的流行的几种方法一般来说，图像识别就是按照图像的外貌特征，把图像进行分类。图像识别的研究首先要考虑的当然是图像的预处理，随着小波变换的发展，其已经成为图像识别中非常重要的图像预处理方案，小波变换在信号分析识别领域得到了广泛应用。现流行的算法主要还有有神经网络算法和霍夫变换。神经网络的方法，利用神经网络进行图像的分类，而且可以跟其他的技术相互融合。一 神经网络算法 人工神经网络（ArtificialNeuralNetworks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（ConnectionistModel），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。在神经网络理论的基础上形成了神经网络算法，其基本的原理就是利用神经网络的学习和记忆功能，让神经网络学习各个模式识别中大量的训练样本，用以记住各个模式类别中的样本特征，然后在识别待识样本时，神经网络回忆起之前记住的各个模式类别的特征并将他们逐个于样本特征比较，从而确定样本所属的模式类别。他不需要给出有关模式的经验知识和判别函数，通过自身的学习机制形成决策区域，网络的特性由拓扑结构神经元特性决定，利用状态信息对不同状态的信息逐一训练获得某种映射，但该方法过分依赖特征向量的选取。许多神经网络都可用于数字识别，如多层神经网络用于数字识别：为尽可能全面描述数字图像的特征，从很多不同的角度抽取相应的特征，如结构特征、统计特征，对单一识别网络，其输入向量的维数往往又不能过高。但如果所选取的特征去抽取向量的各分量不具备足够的代表性，将很难取得较好的识别效果。因此神经网络的设计是识别的关键。神经网络在图像识别的应用跟图像分割一样，可以分为两大类：第一类是基于像素数据的神经网络算法，基于像素的神经网络算法是用高维的原始图像数据作为神经网络训练样本。目前有很多神经网络算法是基于像素进行图像分割的，Hopfield神经网络，前向反馈自适应神经网络，其他还有模糊神经网络、RAM神经网络、S0FM神经网络、细胞神经网络等。第二类是基于特征数据的神经网络算法。此类算法中，神经网络是作为特征聚类器，有很多神经网络被研究人员运用，如BP神经网络、模糊神经网络、SOM神经网络、RAM自适应神经网络、细胞神经网络和Hopfield神经网络。例如神经网络的方法在人脸识别上比其他类别的方法有独到的优势，它具有自学习、自适应能力，特别是它的自学能力在模式识别方面表现尤为突出。神经网络方法可以通过学习的过程来获得其他方法难以实现的关于人脸识别规律和规则的隐性表达。但该方法可能存在训练时间长、收敛速度慢的缺点。二 小波变换 小波理论兴起于上世纪80年代中期，并迅速发展成为数学、物理、天文、生物多个学科的重要分析工具之一；其具有良好的时、频局域分析能力，对一维有界变差函数类的“最优”逼近性能，多分辨分析概念的引入以及快速算法的存在，是小波理论迅猛发展的重要原因。小波分析的巨大成功尤其表现在信号处理、图像压缩等应用领域。小波变换是一种非常优秀的、具有较强时、频局部分析功能的非平稳信号分析方法，近年来已在应用数序和信号处理有很大的发展，并取得了较好的应用效果。在频域里提取信号里的相关信息，通过伸缩和平移算法，对信号进行多尺度分类和分析，达到高频处时间细分、低频处频率细分、适应时频信号分解的要求。小波变换在图像识别的应用，包括图形去噪、图像增强、图像融合、图像压缩、图像分解和图像边缘检测等。小波变换在生物特征识别方面(例如掌纹特征提取和识别)同样得到了成功应用，部分研究结果表明在生物特征识别方面效果优于PCA、ICA、傅里叶变换等方法。 对于含有“点奇异”的一维信号，小波能达到最优的非线性逼近阶。而在处理二维或者更高含“线奇异”的信号时，不能达到理想的最优逼近阶。小波变换的不足使人们开始寻求更好的非线性逼近工具。 脊波分析可以理解为radon 域上的小波分析，而radon 变换把空域的直线奇异映射为radon 域上的点奇异，小波又能有效表示点奇异，所以脊波可以有效表示含有直线奇异的二维信号。自然图像中包含有大量的纹理特征信息，线奇异性和曲线奇异性表现非常突出。小波变换无法实现最优逼近。脊波(Ridgelet)作为一种新的多尺度分析方法比小波更加适合分析具有直线或超平面奇异性的信号,而且具有较高的逼近精度和更好的稀疏表达性能.将脊波变换引入图像融合,能够更好地提取原始图像的特征,为融合图像提供更多的信息,在融合过程中抑制噪声的能力也比小波变换更强.因此,提出了基于脊波变换的SAR与可见光图像融合方法,并采用偏差指数与等效视数指标对融合效果进行评价。实验结果表明，该方法在保留合成孔径雷达SAR(