人工神經(jīng)網(wǎng)絡(luò)在圖像處理與識別中的應(yīng)用畢業(yè)論文-資料下載頁
2025-08-22 20:43本頁面
【導(dǎo)讀】在這些方法中，軟計算模型在數(shù)字。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(luò)。最初的原始灰度圖。將輸入圖像加進椒鹽噪聲，然后將帶有噪聲的圖像經(jīng)。儲在過濾圖像矩陣中，以便檢查進行適當噪聲濾除的效果。將用新的不同組值持續(xù)產(chǎn)生新的數(shù)據(jù)矩陣。始數(shù)據(jù)矩陣存儲在數(shù)據(jù)銀行。但如果平均誤差值已發(fā)現(xiàn)是小于或等于45%，我們做出嘗試，出總的平均誤差，從而檢查是否可以作出正確的識別。平均誤差的值小于沒有應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的測試圖像的值。圖像處理的主要目的是改變視覺的影響，這樣信息量大大提高，最新技術(shù)之上的一種新興領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用已經(jīng)擴展到廣泛的領(lǐng)域，如。人工神經(jīng)網(wǎng)絡(luò)有能力適應(yīng)，學(xué)習(xí)，推廣和組。一些已知的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有感知器網(wǎng)絡(luò)，線性神經(jīng)網(wǎng)絡(luò)，人工神經(jīng)網(wǎng)絡(luò)在這只作為一部分被討論。還認為，進行大量的人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練可用于圖像增強。在人工神經(jīng)網(wǎng)絡(luò)前進方向。那四個像素合在一起組成一組形成一個新的32位二進制數(shù)。
【正文】 ce recognition clear all close all clc M=200。 traincopy=3。 eignum=100。%%%??100????? cel=cell(1,M)。 cellafter=cell(1,M)。 tt=clock。 S=[]。 ii=1。 str=strcat(39。E:\??\2dfacedatabase\ORL\s1\39。)。 img=imread(str)。 [ia ib]=size(img)。 sum=zeros(ia,ib)。 B=zeros(ia,ib)。 for i=1:40 for j=1:5 str=strcat(39。E:\??\2dfacedatabase\ORL\s1\39。)。 eval(39。img=imread(str)。39。)。 sum=double(sum)+double(img)。 cel{1,ii}=img。 ii=ii+1。 end end meanA=sum/M。 cov=zeros(ib)。 for i=1:M img=cel{1,i}。 B=double(img)double(meanA)。 temp=B39。*B。 cov=double(cov)+double(temp)。 end [vv dd]=eig(cov)。 num2=size(vv)。 % Sort and eliminate those whose eigenvalue is zero v=[]。 d=[]。 for i=1:size(vv,2) if(dd(i,i)1e4) v=[v vv(:,i)]。 d=[d dd(i,i)]。 end end num1=size(v,2)。 %sort, will return an ascending sequence [B index]=sort(d)。 ind=zeros(size(index))。 dtemp=zeros(size(index))。 vtemp=zeros(size(v))。 len=length(index)。 for i=1:len dtemp(i)=B(len+1i)。 ind(i)=len+1index(i)。 vtemp(:,ind(i))=v(:,i)。 end d=dtemp。 v=vtemp。 imgafter=[]。 for i=1:M for j=1:eignum img=cel{1,i}。 temp1=double(img)*double(v(:,j))。 imgafter=[imgafter temp1]。 end cellafter{1,i}=imgafter。 imgafter=[]。 end timeconsume=etime(clock,tt)。 testimg=M/traincopy。 findimgnum=traincopy。 suc=0。 % figure(5)。 for k=1:testimg InputImage =imread(strcat(39。E:\??\2dfacedatabase\ORL\s39。,int2str(k),39。\10.pgm39。))。 testafter=[]。 for j=1:eignum temp=double(InputImage)*double(v(:,j))。 testafter=[testafter temp]。 end % Find Euclidean distance e=[]。 for i=1:M tempA=double(testafter)double(cellafter{1,i})。 total=0。 for j=1:eignum aa=norm(tempA(:,j))。 total=total+aa。 end e=[e total]。 end [C index]=sort(e)。 min=index(1)。 %%%%%%%????? testingroup=floor((min1)/traincopy)+1。 %%???????????? if testingroup==k suc=suc+1。 else fprintf(39。% fails to match!\n39。,k)。 end subplot(testimg,findimgnum+1,(k1)*(findimgnum+1)+1)。% subplot(??,??,????????) % imshow(InputImage)。 % for i=1:findimgnum % temppos=(testingroup1)*traincopy+i。 %str=strcat(39。E:\??\testpic\orl\39。,int2str(temppos),39。.pgm39。)。 %concatenates two strings that form the name of the image % eval(39。img1=imread(str)。39。)。 % subplot(testimg,findimgnum+1,(k1)*(findimgnum+1)+i+1) % imshow(img1) % drawnow。 % end end sucrate=suc/M*traincopy*100。 fprintf(39。%%% matched successfully!\n39。,sucrate) fprintf(39。it takes % S\n39。,timeconsume)
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1