【導讀】際應(yīng)用價值的熱門研究課題。對彩色圖像進行偽彩色處理有很多種方法，其中比。本文提出了一種基于Gabor濾波器與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的彩色圖像分割方法。首先，采用Gabor濾波器方法提取圖像的紋理特征。人類視覺系統(tǒng)具有多通道。方面得到了廣泛的關(guān)注。根據(jù)二維測不準原理，Gabor濾波器對信號空間域和空。比較好的分割效果。極其廣泛，特別是它的自適應(yīng)性學習能力在模式識別方面表現(xiàn)的尤為突出。為目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)。但同時傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)也存在著一些缺陷，實驗證明，改進后的BP神經(jīng)網(wǎng)絡(luò)有效地。的自適應(yīng)性和較快的分割速度。

　　

【正文】 從表 4一 l可以看出，改進后的 BP神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)在訓練次 數(shù)和訓練時間上都有了較大幅度的減少，而且在誤分類像素比率上比傳統(tǒng)的 BP 神經(jīng)網(wǎng)絡(luò)也有了一定的降低。由此可見， BP神經(jīng)網(wǎng)絡(luò)的學習步長和激活函數(shù)對 神經(jīng)網(wǎng)絡(luò)的性能有很大的影響。為了更明顯地看出這兩者對神經(jīng)網(wǎng)絡(luò)性能的影 響，圖 4— 12和圖 4． 13分別列出了這兩種 BP神經(jīng)網(wǎng)絡(luò)在訓練時的訓練誤差曲線。 山東大學碩士學位論文 圈 4一 12改進后的 BP神經(jīng)網(wǎng)絡(luò)的訓練誤差曲線 圖 4． 13傳統(tǒng) BP神經(jīng)網(wǎng)絡(luò)的訓練誤差曲線 為了說明 BP神經(jīng)網(wǎng)絡(luò)作為分類器的分類性能，在用 Gabor小波濾波器提取 了圖像特征后，本文分別采用了 BP神經(jīng)網(wǎng)絡(luò)方法和 K均值算法進行了圖像分割 實驗，實驗結(jié)果如下： 山東大學碩士學位論文 圖 4． 14原始圖像 圖 417原始圖像 圖 4． 15采用 BP神經(jīng)網(wǎng)絡(luò) 方法對圖像分割的結(jié)果 圖 418采用 BP神經(jīng)網(wǎng)絡(luò) 方法對圖像分割的結(jié)果 圖 4． 16采用 K均值算法 圖像分割的結(jié)果 圖 4． 19采用 K均值算 法對圖像分割的結(jié)果 圖 4一 14和圖 4— 17是原始圖像，圖 4一 15和圖 4一 18分別是采用 BP神經(jīng)網(wǎng)絡(luò) 方法對兩幅原始圖像的分割結(jié)果，圖 4 16和圖 4— 19分別是采用 K均值算法對圖 像分割的結(jié)果。從結(jié)果可以看出，采用 BP神經(jīng)網(wǎng)絡(luò)作為分類器比常用的 K均值 分類器對圖像進行分割，不但在正確分割率上有了一定的提高，而且在分割的邊 緣上也更準確。實驗中發(fā)現(xiàn)，分類錯誤的樣本一般與該類的訓練樣本有較大的關(guān) 系。 BP神經(jīng)網(wǎng)絡(luò)之所以取得較高的正確分割率，本文認為， 這主要是由于 BP神 經(jīng)網(wǎng)絡(luò)在自適應(yīng)性、和抗畸變性上都有一定的優(yōu)越性，這對于在不能進行特別預 處理的情況下對圖像進行有效的分割而獲得良好的分割效果是十分重要的。本文 提出的 Gabor小波濾波器和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法在這個方面就收到了良好的 效果。 山東大學碩士學位論文 結(jié)束語 彩色圖像的偽彩色處理是一個跨學科并富有挑戰(zhàn)性的前沿課題，但目前彩色 圖像的偽彩色處理還只是研究課題，尚不是實用化領(lǐng)域的活躍的課題。本文研究 的重點是偽彩色處理眾多方法中的一種，即利用圖像分割的方法來實現(xiàn)圖像的偽 彩色處理。在這種方法中， 研究的重點是如何提高圖像的分割質(zhì)量。提高圖像分 割的質(zhì)量難度較大，主要原因在于提取圖像的特征和圖像分割的自適應(yīng)性。 本文提出了基于 Gabor小波濾波器和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法進行圖像分割。 由于 Gabor小波較好地描述了生物視覺神經(jīng)元的感受野問題，根據(jù)特定的視覺需 要可相應(yīng)地調(diào)整它的空間與頻率采樣特性，從而獲得我們感興趣的目標特征，所 以適合用于彩色圖像分割。為了能識別不同比例、不同方向下的物體，本文選擇 具有七個尺度與八個方向的濾波器構(gòu)成一組 Gabor小波濾波器以獲得較為完全 的響應(yīng)。對于每個濾波器都可以得 到一個幅度響應(yīng)、頻率響應(yīng)和相位響應(yīng)。其中 高頻和低頻 Gabor濾波器的作用分別相當于邊緣檢測器和低通濾波器。這樣，把 待分割圖像通過這 56個濾波器就可以得到圖像的紋理特征，然后把這 56紋理特 征和彩色特征輸入神經(jīng)網(wǎng)絡(luò)的輸入層就可進行訓練和分割。 神經(jīng)網(wǎng)絡(luò)作為一種新的方法體系，是一種非線性動力學系統(tǒng)，具有良好的自 適應(yīng)能力和自組織能力，特別是它的自適應(yīng)能力在模式識別方面表現(xiàn)的尤為突 出。在神經(jīng)網(wǎng)絡(luò)中， BP神經(jīng)網(wǎng)絡(luò)以其良好的自適應(yīng)能力成為最為廣泛應(yīng)用的一 種神經(jīng)網(wǎng)絡(luò)。但是傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)存在著一些缺陷，例如網(wǎng) 絡(luò)的收斂速度慢、 容易陷入局部極小點等，為此本文在傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，針對其存在 的缺陷，提出了一種改進的 BP神經(jīng)網(wǎng)絡(luò)，有效地解決了傳統(tǒng) BP神經(jīng)網(wǎng)絡(luò)中存 在的一些缺陷。本文分別使用了傳統(tǒng) BP神經(jīng)網(wǎng)絡(luò)和改進后的 BP神經(jīng)網(wǎng)絡(luò)作為 分類器進行了圖像分割實驗。實驗結(jié)果表明，本文所提出的方法在正確分割率上 取得了較好的效果。 但是本文采用的方法也存在著一些不足之處，由于本文特征提取部分使用的 是 Gabor濾波器的方法，它更適用于圖像的紋理信息較豐富的圖像，而對紋理信 山東大學碩士學位論文 息不豐富的圖像，并不 能獲得十分令人滿意的特征。而且這種方法的計算量較大。 因此就給這種方法的推廣帶來了一定的困難。 目前，圖像分割的方法眾多，新的方法也不斷出現(xiàn)。圖像分割的主要困難之 一是如何解決自適應(yīng)性和特征提取之間的矛盾。神經(jīng)網(wǎng)絡(luò)雖然具有良好的自適應(yīng) 性，但本身也存在著一些固有的缺陷，例如收斂速度較慢、先驗參數(shù)較多并且有 些參數(shù)的確定憑經(jīng)驗而定等，因此在一些方面仍有待做進一步的探索。 由于作者的時間和水平有限，本文中難免有疏漏、欠缺之處，敬請各位專家 指教。 一． 當奎查蘭鎏主蘭竺箜蘭 附錄 BP學習規(guī)則流程圖 參考文獻 【 1】王新成．高級圖像處理技術(shù)【 hq．中國科學技術(shù)出版社， 2020． 【 2】章毓晉．圖像分割【 M】．科學出版社， 2020： 117． 118． 【 3】 K linker G J． A physical approach to color image understanding． Int J Comput Vision， 1990； 21(4，： 778． 【 4】 Heng_Da Cheng， ___________Ying Sun． A hierarchical approach to color image segmentation using homogeneity叨． IEEE Tram OB Image Processing， 2020； 19(12)： 20712082． 【 5】 Jiang Fan,David K Y Yau， ahmed K EImagarimid et al， Automatic image segmentation by integrating color_edge extraction and seeded region growing[J]． IEEE Tram on Image Processing， 2020； 10(10)： 14561465． 【 6】石俊生．彩色圖像分割和顏色特征選擇閉．云南大學學報， 1999， 1 9(6)：25． 【 7／ Tominaga S． Color image segment using t／ tree perceptual attributes(AJ． Proceedings of the Computer Vision and Pattern Recognition Conference， CVPRR,86[c1．【 S． 1．】， 1986． [8】 Tominaga S． A color classification method for color irllage using a uniform color space[A]． Proceeding ofthe 10“ Int． Conf On PaRem【 C】．【 S． 1．】， 1990． 【 9】 9 Park S H， Yun I D， Lee S U． Color image segmentation based on 3D clustering； Morphological Approach[J]． Pattern Recognition， 1998， 3l(8)： 1061 1076． 【 10]Vlachos L Constantinides A G A graphtheoretic approach to color image segmentation and contour classification[A]． The 4m Int． Conf． On Image Processing and Its Application， IEE354【 C】．【 S． 1．】， 1992． [11]Samet H． The quadtree and related hierarchical data bqXUCtUreS田． Computer Surveys， 1984， 16(2)： 187230． f12】 Gcvers T39。Kajcovski VK． Image segmentation by directed region subdibision[A】。 Proceeding ofthe 12血 IAPR Int． ,Conf． On Paaem RecogIIition【 C】．【 S． 1．】，1994． S5 山東大學碩士學位論文 II● _●● _l_l__l__● __■ __■ _●■●■ l● __●IlIl■ _● __■ _● _■● ___●■ ●■ l_■● l● I■■● ● 【 13】 Pappas T N． An adaptive clustering alogithm for image segmentation【 J】． IEEE Transcationgs on signal Proceeding， 1992， 40(4)： 901914． 【 14】 Healey G E． Segmenting image llsing normali,7捌 color[J]． IEEE Transctions on Systerms， Man,and Cyberics， 1992， 22： 6473． 【 15】 Klinker G J， Sharer S A Kanada T． Image segmentation and托 flection analysis throught enlor[A]． in Proceeding， I U W’ 88【 C】． Is． 1．】， 1988． ， 【 16】 Littmann E， Rittcr H． Adaptive color segmentatiorva enmparision ofneural and statistical methods． IEEE Tram on Neural Network,1997； 8(1)： 175— 185． [1 7】 Ereal E Neural work diagnosis of malignant melanoma from color images． mEE Tram Oil Biomed Eng， 1994； 41(9)： 837845． 【 18】 Lim Y w39。Lee S U． On the color image segmentation algorithm based on the thresholding and the fuzzy cMeans techniques． Pattern Rcengnition,1997；23(9)： 935952． 【 19】任彬等．基于直方圖移動平均的紅外熱圖像自動模糊分割方法．模式識別 與人工智能， 1996； 9(3)： 278282． ． 【 20]Moglmddamzadeh A39。Bourbakis N． A fllzzy re畫 on growing approach for segmentation ofcolor images． Pattern Recognition,1997； 30(6)： 867881． 【 21】 Pims， Kilindris P． AppHcation of multichannel twodimension AR modeling to color image processing． Image Processing： Theory and Application， 1993： 193． 196． 【 22】 Pei SC， Hsu MJ． 2D invariant color pattern recognition using plex log mapping transforming． Visual Communication and Image Processing39。90， 1990； SPIEl360： 1729 1732． 【 23】黃慶明，張?zhí)镂?，潘少靜．基于色彩學習的彩色圖像分割方法．計算機研究 與發(fā)展， 1995； 32(9)： 6064． 【 24]Tremcau A， Borcl N． A region growing and mcl葛 ving algorithm to color segmentation． ___________Pattem Recognition,1997； 30(7)： l 191203． 【 25】葉樺，章國寶，陳維南．基于小波變換的紋理圖像分割．東南大學學報，1999， l： 4549． 山東大學碩士學位論文 【 26】王曉丹，趙榮春．樹型小波在紋理分析中的應(yīng)用．計算機應(yīng)用研究． 2020，3： 91． 93． 【 27】 R． L De Valois， D． G Albrecht and L． G Thorell． Spatial一仔 equency selectivity of ceils in macaque visual cortex． Visio