结合特定理论的像分割技术——BP神经网络方法在图像分.pptVIP

结合特定理论的图像分割技术 ——BP神经网络方法在图像分割中的应用 何中圣（200622120060） 武汉大学电子信息学院2006级 BP神经网络方法在图像分割中的应用 一、什么是神经网络； 二、多层感知网络(BP 网络)及其算法； 三、BP神经网络在图像分割中的应用； 四、总结和展望。 神经网络（Neural Network） 如图 2.1 所示，每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支——树突组成。轴突的功能是将本神经元的输出信号(兴奋)传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单地处理(如：加权求和，即对所有的都加以考虑且对每个信号的重视程度——体现在权值上——有所不同)后由轴突输出。神经元的树突与另外的神经元的神经末梢相连的部分称为突触。 神经网络 （一）什么是神经网络？ 人工神经网络（artificial neural network, ANN）是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。生物神经元受到传入的刺激，其反应又从输出端传到相联的其它神经元，输入和输出之间的变换关系一般是非线性的。 神经网络是由若干简单（通常是自适应的）元件及其层次组织，以大规模并行连接方式构造而成的网络，按照生物神经网络类似的方式处理输入的信息。 模仿生物神经网络而建立的人工神经网络，对输入信号有功能强大的反应和处理能力。 （二）人工神经网络工作的原理 人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。所以网络学习的准则应该是：如果网络做出错误的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图像模式输入给网络: 当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够做出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。 （三）神经网络的优点： 人工神经网络以其具有自学习、自组织、较好的容错性和优良的非线性逼近能力，受到众多领域学者的关注。其优点具体可分为如下几点: 1.大规模并行计算； 2.非线性处理?； 3.鲁棒性（控制系统在其特性或参数发生摄动时仍可使品质指标保持不变的性能 ）； 4.自组织及自适应性?； 5.学习能力?； 6.分布式存储,存储与计算相结合；? 7.联想能力。? （四）几种典型的神经网络 （a）多层感知网络(BP 网络)——1986 （b）竞争型(KOHONEN)神经网络 （c）Hopfield 神经网络 ——1982 多层感知网络(BP 网络)简介 BP 网络是多层前馈型网络的典型代表，BP 网络模型如下图所示: BP 网络不仅含有输入节点和输出节点，而且含有一个或多个隐层。输入信号先向前传递到隐层节点，经过作用后，再把隐层节点的输出信息传递到输出节点，最后输出结果。 结构特点：相邻层之间的各神经元实现全连接，即下一层的每一个神经元与上一层的每个神经元都实现全连接，而且每层各神经元之间无连接。 BP 算法 反向传播算法也称 BP 算法。由于这种算法在本质上是一种神经网络学习的数学模型，所以，有时也称为 BP 模型，BP 算法是为了解决多层前向神经网络的权系数优化而提出来的。 （一）BP网络的前馈计算： 在训练该网络的学习阶段，设有N个训练样本，先假设用其中的某一固定样本中的输入输出模式 和 对网络进行训练。如隐层的第 j 个节点的输入写为： 第j个节点的输出 将通过加权系数 向前传播到第k个节点，输出层第k个节点的总输入为： 其中q为隐层的节点数。 输出层第k个节点的实际网络输出为: ，若网络输出与期望输