摘要对于主动轮廓模型,我们提出了一种新奇基于自组.docVIP

摘要：对于主动轮廓模型，我们提出了一种新奇的基于自组织神经网络的分支，叫做batch-SOM,试图结合SOM和snake模型来提取期望的轮廓。我们提取特征点，以一种edge-map（以标准的边缘检测获得）的形式来引导轮廓在局部区域随着梯度和灰度变化改变，并保证在弱的或断的边缘下不漏掉物体的边界。与snake模型不同的是，我们不用一个外在的能量函数（基于梯度或灰度）来控制轮廓的移动。 这个算法使用与SOM-based ACMs相同的结构，它使用的特征向量来自标准的边缘检测的边缘点。并且这个算法在局部区域使用（1）灰度变化（2）梯度信息来引导轮廓的移动。有两个重要的思想用于神经元权重的修正。第一，如果一个神经元邻近物体的边界，那它就要沿着轮廓的法线或相反于它的方向移动，这样在新的位置的梯度向量大于当前位置的。如果梯度向量减小则神经元不允许移动到新的位置，这样在即使弱边缘或断边缘也保证收敛。注：在这里不使用snake-based ACMs中的梯度能量。第二，如果神经元在一个相同的区域，它移向一个合适的特征点。并且，与TASOM＆MTASOM不同的是，这个算法使用神经元自身的权重作为新的控制点的位置，并加强轮廓。 A 描述 边缘检测的输出作为训练神经网络的特征点。让X={x1,x2,…xm}表示特征点序列，xk=(xk,yk)是第k个特征点的x与y坐标。在epoch n ，待变形的