【正文】 AT[][] 步驟二十一： 參考存儲(chǔ)在表 3 中的值，我們可以計(jì)算出估計(jì)誤差和平均誤差的值，并存儲(chǔ)在表 11。 步驟十九： 每組 8 位二進(jìn)制數(shù)被轉(zhuǎn)化為十進(jìn)制數(shù)，每個(gè)十進(jìn)制數(shù)被作為每行連續(xù)四個(gè)像素的像素值。結(jié)果就產(chǎn)生了一個(gè)新的數(shù)據(jù)矩陣，我們把它命名為 NEWMAT[][]，如表 10 所示。測(cè)試圖像如圖 5 所示，為簡(jiǎn)單起見(jiàn)，測(cè)試圖像的第一個(gè) 10x10 矩陣元素（測(cè)試數(shù)據(jù)矩陣）的值如下表 5 所示： 表 5 測(cè)試數(shù)據(jù)矩陣 步驟十一： 正如上述步驟二的說(shuō)明，現(xiàn)將其在測(cè)試圖像上執(zhí)行，產(chǎn)生一個(gè)含噪聲的測(cè)試數(shù)據(jù)矩陣，如表 6 所示： 表 6 含噪聲的測(cè)試數(shù)據(jù)矩陣 步驟十二： 如上述在步驟三和步驟四中的說(shuō)明，先將其在含噪聲的測(cè)試圖像上執(zhí)行，將生成一個(gè)濾除噪聲的測(cè)試數(shù)據(jù)矩陣，如表 7 所示： 表 7 濾除噪聲的測(cè)試數(shù)據(jù)矩陣 步驟十三： 如上述步驟五到步驟九的程序，將其在濾去噪聲的測(cè)試圖像上執(zhí)行，將產(chǎn)生的十進(jìn)制數(shù)放置在測(cè)試數(shù)據(jù)矩陣 TESTMAT[][]中，如表8 所示： 表 8 矩陣 TESTMAT[][] 步驟十四： 基于表 4 存儲(chǔ)的原始數(shù)據(jù)矩陣，我們可以計(jì)算出存儲(chǔ)在二進(jìn)制矩陣中的估計(jì)誤差和平均誤差，如表 9 所示。 步驟八： 現(xiàn)在將這 32 位二進(jìn)制數(shù)轉(zhuǎn)換成一個(gè)十進(jìn)制數(shù)。這顯示出了噪聲濾除的結(jié)果。為簡(jiǎn)單起見(jiàn)，取原始圖像的第一個(gè) 10x10 矩陣元素如下： 表 1 輸入數(shù)據(jù)矩陣 步驟二： 輸入圖像加入椒鹽噪聲，計(jì)算出加入椒鹽噪聲后的平均誤差是%。相反，如果得出的誤差百分比小于或等于 45%，我們將嘗試相比與原始數(shù)據(jù)矩陣，將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到測(cè)試數(shù)據(jù)矩陣，從而產(chǎn)生第二個(gè)圖像的新矩陣。這個(gè)數(shù)據(jù)矩陣被作為原始數(shù)據(jù)矩陣，并保存在數(shù)據(jù)銀行以供參考。參考存儲(chǔ)在原始數(shù)據(jù)矩陣中的值將計(jì)算出估計(jì)誤差和平局誤差的值并存儲(chǔ)在過(guò) 濾圖像矩陣中，目的是檢查適當(dāng)濾波的效果。這種傳輸有序發(fā)生，每層都完全連接到下一層并且每個(gè)神經(jīng)元通過(guò)加權(quán)后連接到下一層的神經(jīng)元。一些其他類型的人工神經(jīng)網(wǎng)絡(luò)，如前饋人工神經(jīng)網(wǎng)絡(luò)方法也可以被用于目標(biāo)識(shí)別。在人工神經(jīng)網(wǎng)絡(luò)前進(jìn)方向 上，一個(gè)更為實(shí)時(shí)的方法已經(jīng)顯示出，如何完成對(duì)一個(gè)處在雜亂海灘場(chǎng)景 [9]里的人的檢測(cè)和量化，這顯示出了基于神經(jīng)的分類系統(tǒng)。在醫(yī)學(xué)圖像處理領(lǐng)域的另一個(gè)相關(guān)工作證實(shí)了這種基于神經(jīng)網(wǎng)絡(luò)的分割技術(shù)。在醫(yī)學(xué)圖像處理領(lǐng)域， Kenji Suzuki[ 5 ]比較了基于像素和非基于像素的人工神經(jīng)網(wǎng)絡(luò)方法，結(jié)果證明，當(dāng)涉及到分割和特征計(jì)算，前者效果更好。人工神經(jīng)網(wǎng)絡(luò)（ ANN）在這只作為一部分被討論。自那時(shí)以來(lái)， 數(shù)字計(jì)算機(jī)已作為一種工具被用來(lái)建立單個(gè)神經(jīng)元以及神經(jīng)元簇的模型，這就是所謂的神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)有能力適應(yīng)，學(xué)習(xí)，推廣和組織數(shù)據(jù)。所以利用計(jì)算機(jī)解決問(wèn)題需要事先掌握如何解決這個(gè)問(wèn)題的所有知識(shí)。人工神經(jīng)網(wǎng)絡(luò)已成為靈感來(lái)自于生物神經(jīng)網(wǎng)絡(luò)的一個(gè)最新發(fā)展工具?？捎玫淖R(shí)別技術(shù)有許多種，但是對(duì)于選擇何種技術(shù)最合適主要取決于給定的手頭任務(wù)和一些其它的相關(guān)參數(shù)。此外，還觀察到，測(cè)試圖像相對(duì)于原始圖像是可以被識(shí)別和匹配的。如果這個(gè)平均誤差大于 45%，我們就可以得出結(jié)論，圖像是不同的，無(wú)法匹配。現(xiàn)在將每個(gè)像素?cái)?shù)據(jù)從十進(jìn)制數(shù)轉(zhuǎn)化成八位二進(jìn)制數(shù)，四個(gè)一組的像素已經(jīng)在一起形成一個(gè)新的 32 位二進(jìn)制數(shù)并轉(zhuǎn)換成一個(gè)十進(jìn)制數(shù)，這個(gè)過(guò)程將用新的不同組值持續(xù)產(chǎn)生新的數(shù)據(jù)矩陣。本工作的主要目的是為圖像識(shí)別提供一種新方法 —— 人工神經(jīng)網(wǎng)絡(luò)。在這些方法中，軟計(jì)算模型在數(shù)字圖像中應(yīng)用已被認(rèn)為是一種獲得更好結(jié)果的方法。參考存儲(chǔ)在原始數(shù)據(jù)矩陣中的值，計(jì)算出估計(jì)誤差和平均誤差的值存儲(chǔ)在過(guò)濾圖像矩陣中，以便檢查進(jìn)行適當(dāng)噪聲濾除的效果?，F(xiàn)在，相對(duì)于原始圖像，第二個(gè)圖像的平均誤差是基于這兩個(gè)生成矩陣計(jì)算出來(lái)的。已觀察得到， 平均誤差的值小于沒(méi)有應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的測(cè)試圖像的值。圖像識(shí)別一直致力于，從一組身份已知的標(biāo)簽中尋找圖像中被觀察目標(biāo)的身份。本文將利于人工神經(jīng)網(wǎng)絡(luò)，提供一種圖像處理與識(shí)別的新方法。如果其中計(jì)算機(jī)需要遵循的任何一步是 未知的，計(jì)算機(jī)將無(wú)法解決問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用已經(jīng)擴(kuò)展到廣泛的領(lǐng)域，如圖像識(shí)別，指紋識(shí)別等。在計(jì)算機(jī)上進(jìn)行人工神經(jīng)系統(tǒng) [ 2 ]的研究（ ANS）仍然是生物醫(yī)學(xué)研究的一個(gè)活躍領(lǐng)域。給出的評(píng)論主要針對(duì)統(tǒng)計(jì)方法。人工神經(jīng)網(wǎng)絡(luò)已經(jīng)越來(lái)越多地被用來(lái)作為一種傳統(tǒng)模式分類器及聚類技術(shù)的替代?；谏窠?jīng)網(wǎng)絡(luò)的分割技術(shù)，被發(fā)現(xiàn)顯示出了強(qiáng)大功能。與特征臉?lè)椒ㄏ啾?，這種混合神經(jīng)網(wǎng)絡(luò)的方法顯示發(fā)現(xiàn)的錯(cuò)誤率產(chǎn)生了令人滿意的結(jié)果。目標(biāo)識(shí)別包括在一副圖像中定位目標(biāo)實(shí)例的相應(yīng)位置及可能的方向和尺度，這樣做的目的大概也是為了給檢測(cè)到的目標(biāo)指定一個(gè)分類標(biāo)簽。在這里信息只允許單向傳輸，這就這意味著， 一個(gè)層的輸出成了下一層的輸入，如此類推。對(duì)轉(zhuǎn)化方法的處理已經(jīng)應(yīng)用與原始圖像，最初的一副原始灰度圖像已經(jīng)采取轉(zhuǎn)換，輸入圖像已加入鹽和辣椒噪聲，自適應(yīng)中值濾波器已被應(yīng)用在處理嘈雜了噪聲的圖像，因此噪聲可以被濾除，輸出圖像可視為過(guò)濾圖像。此后，這些二進(jìn)制數(shù)再被轉(zhuǎn)換成一個(gè)十進(jìn)制數(shù)，這個(gè)過(guò)程像這樣一直持續(xù)到完成圖像所有行，最終產(chǎn)生了由一系列不同值組成的新數(shù)據(jù)矩陣。如果誤差的百分比大于 45%，我們可以得出結(jié)論：圖像是不同的，是不可匹配和識(shí)別 。 利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像處理和識(shí)別的流程圖如圖 1： 開(kāi)始輸入原始圖像輸入圖像加入椒鹽噪聲采用 AMF 濾除原始圖像的椒鹽噪聲基于原始輸入圖像計(jì)算出過(guò)濾圖像的平均誤差原始無(wú)噪聲圖像轉(zhuǎn)換成二進(jìn)制數(shù)據(jù)矩陣測(cè)試圖像加入椒鹽噪聲采用 AMF 濾除測(cè)試圖像椒鹽噪聲測(cè)試圖像轉(zhuǎn)換為測(cè)試數(shù)據(jù)矩陣基于原始數(shù)據(jù)矩陣計(jì)算出測(cè)試矩陣的平均誤差采用 ANN 對(duì)測(cè)試數(shù)據(jù)矩陣進(jìn)行訓(xùn)練產(chǎn)生新數(shù)據(jù)矩陣基于原始數(shù)據(jù)矩陣計(jì)算新數(shù)據(jù)矩陣的平均誤差 圖 1 流程圖 第三章 實(shí)現(xiàn) 步驟一： 我們選取最初的最佳的圖像如圖 2，我們把它作為原始圖像。平均誤差的值為 %。 步驟七： 四個(gè)像素的二進(jìn)制值并排在一起，已經(jīng)結(jié)合形成 32 位二進(jìn)制數(shù)。 一張新的圖像被取出，作為測(cè)試圖像，現(xiàn)在最重要的是檢查所取的圖像是否可以被識(shí)別出來(lái)。 步驟十六： 相對(duì)于原始圖像的數(shù)據(jù)矩陣，前饋反向傳播神經(jīng)網(wǎng)絡(luò)被用在測(cè)試圖像的測(cè)試數(shù)據(jù)矩陣進(jìn)行訓(xùn)練與測(cè)試。 步驟十八： 現(xiàn)在 32 位二進(jìn)制數(shù)被分為四組 8 位二進(jìn)制數(shù)。需要注意的是，為了便于陳述，我們?nèi)〉谝粋€(gè) 10x10 像素存儲(chǔ)在表 11。 步驟二十二： 其它的測(cè)試圖像如圖 9，被用來(lái)進(jìn)行處理和識(shí)別。同時(shí)也被