基于BP神经网络图像分离算法.docVIP

基于BP神经网络图像分离算法 　　摘要： 现在纹理图像分离效率比较低，为解决这个问题，提出一种基于反向传播神经网络的纹理图像分离算法。一些因素会影响的结果是RGB值图像分离的象素的颜色本身，它附近的像素、边界的概率。根据这些因素，我们构建一个模型，用BP神经网络训练功能区域的图像和噪音一组样本，训练之后，BP神经网络训练可以用于纹理图像分离。最后我们设计一种实验，利用BP神经网络分离三个纹理图像。实验结果表明该算法简单、可行的、可以降低人们的工作。 　　关键词： 图像分离；BP神经网络算法；边界概率 　　中图分类号：TP3 文献标识码：A 文章编号：1671－7597（2011）0210028－02 　　 　　1 简介 　　纹理图像通常是通过布扫描，如果我们缩放图像时，因为纹理结构可以看到它由许多不同的颜色。换句话说，它是一个有噪声的图像，很难完成的图像，不能区分用不同颜色的地区，计算机的分离将会导致错误的图像分离。 　　有两种算法来处理这个图像分离问题。基于边界提取[1]，另一种是基于图像的边界[2]。这些算法只使用信息的边界或颜色的形象，所以他们不能单独的成像。最近提出的算法利用多种信息做分离工作，如颜色、空间、边界、轻盈、纹理等。这些算法获得好的结果，图像分离，但不能用于纹理图像分离，结果直接包含错误的分离。处理这个问题，一个纹理图像分离算法的基础上，提出了基于图像分割的分离算法[3]，然而，本算法复杂、慢、边界分离后的形象不是平滑。 　　在本文中，我们提出了一种基于BP神经网络算法的纹理品的形象。采用BP神经网络的12输入节点和3个输出节点。输入节点是RGB值的一个像素，灰度值8个相邻边界上的概率像素，而输出节点值为目标对象像素。我们选择一个或多个功能区域的图像的纹理训练样本，用它们来训练BP网络。之后，BP神经网络训练的能力，独立的分离图像。 　　2 方法描述 　　训练BP神经网络的算法：BP网络是最重要的组成部分，80%-90%神经网络是BP网络或其转型。它是广泛应用在模式识别、图像、系统识别、功能配件、优化计算及其他领域。在这个例子中，应用图1刺激的输入信号的第一层，穿透隐藏层（s）到输出层。每一个环节的神经元之间有着独特的权值。网络功能如下：每个神经元接收信号从神经元在以前的蜡层，每一个信号值乘一个分开的权值。加权输入模型，并通过积极的作用，以一个固定的输出的尺度范围内的值。输出的积极作用，然后转播所有的神经元的下一层。所以利用网络来解决一个问题，我们运用输入值的输入信号的第一层，允许通过网络传播，并且读的输出值。 　　在学习过程中工作的BP小迭代步：其中一个例子是应用于网络，在网络产生一些输出的现状的基础上，它的重量（输出将随机）。这个输出与已知好的输出，并计算出任意给定码误差信号。这个错误的价值是通过网络传播、小改变重量在每一层。体重变化的计算误差信号来减少的问题。整个过程重复每例病例中，然后又回到第一例，等等。这个循环重复进行，直到整个误差值低于某些预阈值。在这一点上，我们说网络已经学到的问题”不够好”，网络将从不学习最理想的功能，而它将会渐近接近理想的功能。 　　原来的训练BP神经网络算法存在许多缺陷和限度，因此，它是由许多学者改进[4]。许多训练算法，并提出了应采取的蚁群算法与基因演算法。这些算法提高了BP神经网络的能力，并且使它迅速发展。 　　该算法基于BP神经网络的图像分离，在本文中，我们设计了一种基于BP神经网络的图像分离工作[6]。这个方法包含四个步骤：1）为纹理图像分离工作构建BP神经网络；2）根据错综复杂的纹理的图象，选择一个或多个功能区域，由人为或其他方法得到相对目标图像（s）。这个功能区域和目标图像（s）组成的训练样本。3）设置相关训练参数和用样本训练BP神经网络参数。4）用训练有素的BP将图像完成纹理图像分离工作。 　　事实上，这个图像分离过程是从原始图像到带有噪声目标图像一个映射的。这写因素会影响像素RGB值的分离结果，边界概率可以计算出相关算法和灰度值时，它的8个相邻像素的输出是目标象素RGB值。根据这些信息，建立BP网络[7]。它有12个输入节点和3输出节点。输入节点是来边界的概率分布，8个相邻像素的灰度值RGB训练的像素RGB值，输出节点是目标像素RGB值。因为没有相关的算法，这个隐层节点的参数是通常的经验难以确定，在本文中我们设定该参数是7。所构造的BP神经网络如图1。 　　然后，我们选择了样品进行训练。为了减少BP神经网络训练时间，并加快图像分离，我们选择一个或多个特征较多的图像，这些地区包括各种各样的颜色的图象。越小的特征区域是约好的。例如，图2显示出来的图象。 　　最后，我们用样本训练BP网络，在训练前我们为这个网络设置参数。我们设置