类神经网路与贝氏方类法应用於影像分割之比较研究【精品-PPT】.pptVIP

類神經網路與貝氏方類法應用於影像分割之比較研究 國立台灣大學生物產業機電工程學研究所 張仁明 林達德 前 言 影像背景分割方法 自然光取像問題 光線與時間變化 不同角度取像 光源過強或不足 外界干擾 彩色影像背景分離 背景分離的方法 背景分離的方法 臨界值分離 於彩色影像中分離效果不佳 Baysian模式分離方法 假設為常態分佈 計算不同族群(多維向量)之平均值與變異矩陣 未知族群資料輸入，計算最大可能的族群 無法非線性分割 背景分離的方法 類神經網路的使用 倒傳遞類神經網路 回想計算速度快 必須考慮訓練時的成本 可非線性分割 資料的分離更具彈性 可適用範圍更大 背景分離的方法選用 考慮條件 簡單影像：貝氏 不同生長階段：類網（可非線性分割） 動態學習或精度累積：類網 程式穩定性與簡單性：類網佳（高維矩陣） 速度： 訓練時間接近（PII-350 1秒 512x512） 回想：貝氏17秒 類網5秒 結 論 色彩資訊為輸入，可以經監督式學習，使系統自動進行影像分割 提供以二維資料分佈進行分析，釐清相互影響之變因 類網對取樣是否均勻較具強健性 單純背景之情形，兩者分離結果接近 影像分割前，對應用對象進行資料分佈狀態進行瞭解，有助於選擇適用之方式 敬 請 指 教 * * G R B 二維資料分佈中心點 貝氏分類法原理 類神經網路架構 背景分離方法間的結果比較 測試條件（Baysian與類網） Bayesian:資料以倍精準型態運算 類網各層點數:2,5,2，不採慣性量，學習速率0.5，訓練次數5000次 訓練樣本相同 試驗種類 理想資料分佈（二維） 真實影像 理想資料分佈（二維） 真實影像三維資料空間分佈示意圖 界線明確類型 界線不明確類型 一類別包含另一類別 單純背景下混合種苗與背景影像分離 貝氏 類網 混亂背景下甘藍種苗與背景影像分離 莧菜種苗視為背景 左上角特意加入黃色背景（增加背景點之空間分佈區域） 貝式與類網(誤差16.1，9.8％) 分離錯誤 甘藍種苗(前景） 莧菜種苗(背景） 結果與討論 理想二維資料分類結果 均勻打光單純背景下彩色種苗影像影像分割結果 貝氏與類網間的差異性 背景分離方法選用 原始影像 Bayesian分離結果 類神經網路分離結果 原始影像 Bayesian分離結果 類神經網路分離結果 理想二維資料分類結果 均勻打光單純背景下彩色種苗影像影像分割結果 貝氏與類網間的差異性 貝氏於線性分離時略優於類網 貝氏無法有效的進行非線性的分離 照明、族群複雜、資料相交錯 貝氏在族群複雜的現象下，其誤差不易估計 貝氏的計算原理，變異越小的族群越容易少算 貝氏分離的誤差對訓練樣本的取樣有很大的敏感度