【正文】 AT[][] 步驟二十一： 參考存儲在表 3 中的值，我們可以計算出估計誤差和平均誤差的值，并存儲在表 11。 步驟十九： 每組 8 位二進制數(shù)被轉化為十進制數(shù)，每個十進制數(shù)被作為每行連續(xù)四個像素的像素值。結果就產(chǎn)生了一個新的數(shù)據(jù)矩陣，我們把它命名為 NEWMAT[][]，如表 10 所示。測試圖像如圖 5 所示，為簡單起見，測試圖像的第一個 10x10 矩陣元素（測試數(shù)據(jù)矩陣）的值如下表 5 所示： 表 5 測試數(shù)據(jù)矩陣 步驟十一： 正如上述步驟二的說明，現(xiàn)將其在測試圖像上執(zhí)行，產(chǎn)生一個含噪聲的測試數(shù)據(jù)矩陣，如表 6 所示： 表 6 含噪聲的測試數(shù)據(jù)矩陣 步驟十二： 如上述在步驟三和步驟四中的說明，先將其在含噪聲的測試圖像上執(zhí)行，將生成一個濾除噪聲的測試數(shù)據(jù)矩陣，如表 7 所示： 表 7 濾除噪聲的測試數(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試圖像上執(zhí)行，將產(chǎn)生的十進制數(shù)放置在測試數(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 存儲的原始數(shù)據(jù)矩陣，我們可以計算出存儲在二進制矩陣中的估計誤差和平均誤差，如表 9 所示。 步驟八： 現(xiàn)在將這 32 位二進制數(shù)轉換成一個十進制數(shù)。這顯示出了噪聲濾除的結果。為簡單起見，取原始圖像的第一個 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)絡應用到測試數(shù)據(jù)矩陣，從而產(chǎn)生第二個圖像的新矩陣。這個數(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。參考存儲在原始數(shù)據(jù)矩陣中的值將計算出估計誤差和平局誤差的值并存儲在過 濾圖像矩陣中，目的是檢查適當濾波的效果。這種傳輸有序發(fā)生，每層都完全連接到下一層并且每個神經(jīng)元通過加權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，如前饋人工神經(jīng)網(wǎng)絡方法也可以被用于目標識別。在人工神經(jīng)網(wǎng)絡前進方向 上，一個更為實時的方法已經(jīng)顯示出，如何完成對一個處在雜亂海灘場景 [9]里的人的檢測和量化，這顯示出了基于神經(jīng)的分類系統(tǒng)。在醫(yī)學圖像處理領域的另一個相關工作證實了這種基于神經(jīng)網(wǎng)絡的分割技術。在醫(yī)學圖像處理領域， Kenji Suzuki[ 5 ]比較了基于像素和非基于像素的人工神經(jīng)網(wǎng)絡方法，結果證明，當涉及到分割和特征計算，前者效果更好。人工神經(jīng)網(wǎng)絡（ ANN）在這只作為一部分被討論。自那時以來， 數(shù)字計算機已作為一種工具被用來建立單個神經(jīng)元以及神經(jīng)元簇的模型，這就是所謂的神經(jīng)網(wǎng)絡。人工神經(jīng)網(wǎng)絡有能力適應，學習，推廣和組織數(shù)據(jù)。所以利用計算機解決問題需要事先掌握如何解決這個問題的所有知識。人工神經(jīng)網(wǎng)絡已成為靈感來自于生物神經(jīng)網(wǎng)絡的一個最新發(fā)展工具?？捎玫淖R別技術有許多種，但是對于選擇何種技術最合適主要取決于給定的手頭任務和一些其它的相關參數(shù)。此外，還觀察到，測試圖像相對于原始圖像是可以被識別和匹配的。如果這個平均誤差大于 45%，我們就可以得出結論，圖像是不同的，無法匹配。現(xiàn)在將每個像素數(shù)據(jù)從十進制數(shù)轉化成八位二進制數(shù)，四個一組的像素已經(jīng)在一起形成一個新的 32 位二進制數(shù)并轉換成一個十進制數(shù)，這個過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別提供一種新方法 —— 人工神經(jīng)網(wǎng)絡。在這些方法中，軟計算模型在數(shù)字圖像中應用已被認為是一種獲得更好結果的方法。參考存儲在原始數(shù)據(jù)矩陣中的值，計算出估計誤差和平均誤差的值存儲在過濾圖像矩陣中，以便檢查進行適當噪聲濾除的效果?，F(xiàn)在，相對于原始圖像，第二個圖像的平均誤差是基于這兩個生成矩陣計算出來的。已觀察得到， 平均誤差的值小于沒有應用人工神經(jīng)網(wǎng)絡的測試圖像的值。圖像識別一直致力于，從一組身份已知的標簽中尋找圖像中被觀察目標的身份。本文將利于人工神經(jīng)網(wǎng)絡，提供一種圖像處理與識別的新方法。如果其中計算機需要遵循的任何一步是 未知的，計算機將無法解決問題。人工神經(jīng)網(wǎng)絡的應用已經(jīng)擴展到廣泛的領域，如圖像識別，指紋識別等。在計算機上進行人工神經(jīng)系統(tǒng) [ 2 ]的研究（ ANS）仍然是生物醫(yī)學研究的一個活躍領域。給出的評論主要針對統(tǒng)計方法。人工神經(jīng)網(wǎng)絡已經(jīng)越來越多地被用來作為一種傳統(tǒng)模式分類器及聚類技術的替代。基于神經(jīng)網(wǎng)絡的分割技術，被發(fā)現(xiàn)顯示出了強大功能。與特征臉方法相比，這種混合神經(jīng)網(wǎng)絡的方法顯示發(fā)現(xiàn)的錯誤率產(chǎn)生了令人滿意的結果。目標識別包括在一副圖像中定位目標實例的相應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到的目標指定一個分類標簽。在這里信息只允許單向傳輸，這就這意味著， 一個層的輸出成了下一層的輸入，如此類推。對轉化方法的處理已經(jīng)應用與原始圖像，最初的一副原始灰度圖像已經(jīng)采取轉換，輸入圖像已加入鹽和辣椒噪聲，自適應中值濾波器已被應用在處理嘈雜了噪聲的圖像，因此噪聲可以被濾除，輸出圖像可視為過濾圖像。此后，這些二進制數(shù)再被轉換成一個十進制數(shù)，這個過程像這樣一直持續(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%，我們可以得出結論：圖像是不同的，是不可匹配和識別 。 利用人工神經(jīng)網(wǎng)絡進行圖像處理和識別的流程圖如圖 1： 開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算出過濾圖像的平均誤差原始無噪聲圖像轉換成二進制數(shù)據(jù)矩陣測試圖像加入椒鹽噪聲采用 AMF 濾除測試圖像椒鹽噪聲測試圖像轉換為測試數(shù)據(jù)矩陣基于原始數(shù)據(jù)矩陣計算出測試矩陣的平均誤差采用 ANN 對測試數(shù)據(jù)矩陣進行訓練產(chǎn)生新數(shù)據(jù)矩陣基于原始數(shù)據(jù)矩陣計算新數(shù)據(jù)矩陣的平均誤差 圖 1 流程圖 第三章 實現(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： 四個像素的二進制值并排在一起，已經(jīng)結合形成 32 位二進制數(shù)。 一張新的圖像被取出，作為測試圖像，現(xiàn)在最重要的是檢查所取的圖像是否可以被識別出來。 步驟十六： 相對于原始圖像的數(shù)據(jù)矩陣，前饋反向傳播神經(jīng)網(wǎng)絡被用在測試圖像的測試數(shù)據(jù)矩陣進行訓練與測試。 步驟十八： 現(xiàn)在 32 位二進制數(shù)被分為四組 8 位二進制數(shù)。需要注意的是，為了便于陳述，我們?nèi)〉谝粋€ 10x10 像素存儲在表 11。 步驟二十二： 其它的測試圖像如圖 9，被用來進行處理和識別。同時也被