人工神經(jīng)網(wǎng)絡(luò)在圖像處理與識(shí)別中的應(yīng)用畢業(yè)論文-wenkub.com
2024-08-27 20:43 本頁(yè)面
【正文】 ,sucrate) fprintf(39。 % subplot(testimg,findimgnum+1,(k1)*(findimgnum+1)+i+1) % imshow(img1) % drawnow。 %concatenates two strings that form the name of the image % eval(39。E:\??\testpic\orl\39。 end subplot(testimg,findimgnum+1,(k1)*(findimgnum+1)+1)。 %%???????????? if testingroup==k suc=suc+1。 end e=[e total]。 for i=1:M tempA=double(testafter)double(cellafter{1,i})。 testafter=[]。E:\??\2dfacedatabase\ORL\s39。 findimgnum=traincopy。 end cellafter{1,i}=imgafter。 imgafter=[]。 ind(i)=len+1index(i)。 dtemp=zeros(size(index))。 d=[d dd(i,i)]。 num2=size(vv)。 temp=B39。 end end meanA=sum/M。)。)。 sum=zeros(ia,ib)。E:\??\2dfacedatabase\ORL\s1\39。 tt=clock。 traincopy=3。 圖像增強(qiáng)的主要目的是使圖像處理后達(dá)到特定的效果。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng) 進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。近幾年來，作為具有自組織、自學(xué)習(xí)和聯(lián)想功能的人工神經(jīng)網(wǎng)絡(luò)理論已成功地應(yīng)用于圖像處理的許多方面，如圖像壓縮、圖像分割、邊緣檢測(cè)、圖像增強(qiáng) 、圖像識(shí)別等。所以選用自適應(yīng)中值濾波 有利于保留圖像細(xì)節(jié)，有利于正確進(jìn)行圖像識(shí)別。 ：濾波器被廣泛地用于圖象的預(yù)處理 ,抑制圖象噪聲 ,增強(qiáng)對(duì)比度 ,以及強(qiáng)化圖象的邊沿特征 . 運(yùn)用較為廣泛的線性濾波器如平均值濾波器 ,能較好地抑制圖象中的加性噪聲 . 但是 ,線性濾波器會(huì)引起圖象的鈍化或模糊 ,使得圖象中物體邊界產(chǎn)生位移 . 特別是 ,在圖象受到乘性噪聲或脈沖噪聲的干擾 ,如超聲波及雷達(dá)成像中普遍存在的斑點(diǎn)噪聲 ,線性濾波器就不能取得預(yù)期的效果 . 中值濾波器，就像其名字一樣，是用該像素的相鄰像素的灰度中值來代替該像素的值，是一種非線性濾波器 . 例如濾波窗口由 3 3 個(gè)象素組成 ,則其中 5 個(gè)象素的灰度值會(huì)小于等于該濾波器的輸出灰度值 ,同時(shí) 5 個(gè)象素的灰度值會(huì)大于等于濾波器的輸出 . 由此可見 ,對(duì)于離散的脈沖噪聲 ,當(dāng)其出現(xiàn)的次數(shù)小于窗口尺寸的一半時(shí) ,將被抑制掉同時(shí)也能較好地保證圖象的邊沿特征 ,而且易于實(shí)現(xiàn) . 因此它被廣泛地應(yīng)用于圖象處理 ,尤其是醫(yī)學(xué)圖象處理 ,如超聲波圖象 .但由于其使用的濾窗大小是固定不變的 ,當(dāng)窗中噪聲像素?cái)?shù)超過有用像素之半時(shí)（噪聲密度較大時(shí)） ,中值濾波濾波作用大大降低。人工神經(jīng)網(wǎng)絡(luò)已成為靈感來自于生物神經(jīng)網(wǎng)絡(luò)的一個(gè)最新發(fā)展工具。所以利用計(jì)算機(jī)解決問題需要 事先掌握如何解決這個(gè)問題的所有知識(shí)。軟計(jì)算是建立在模糊邏輯，人工神經(jīng)網(wǎng)絡(luò)， 進(jìn)化計(jì)算，機(jī)器學(xué)習(xí)等一些最新技術(shù)之上的一種新興領(lǐng)域。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，使得所述圖像比原始圖像更清晰。給出的評(píng)論主要針對(duì)統(tǒng)計(jì)方法。在計(jì)算機(jī)上進(jìn)行人工神經(jīng)系統(tǒng)的研究（ ANS）仍然是生物醫(yī)學(xué)研究的一個(gè)活躍領(lǐng)域。本文還觀察到，由于用來訓(xùn)練的矩陣行數(shù)只有原始圖像列數(shù)的四分之一，用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試需要更少的時(shí)間。 表 12 結(jié)果 Srl No 原始圖像 含 噪 聲 的原始圖像 相對(duì)于原始圖像的平局誤差 濾除噪聲的原始圖像 濾除噪聲后相對(duì)于原始圖像的平均誤差 （ 1） （ 2） （ 3） （ 4） （ 5） （ 6） 1 圖 2 圖 3 % 圖 4 % 2 圖 2 圖 3 % 圖 4 % 測(cè)試圖像 含噪聲的測(cè)試圖像 相對(duì)于測(cè)試圖像含噪聲圖像的平均誤差 濾除噪聲后的測(cè)試圖像 相對(duì)于測(cè)試圖像的平均誤差 （ 7） （ 8） (9) (10) (11) 圖 5 圖 6 % 圖 7 % 圖 9 圖 10 % 圖 11 % 濾除噪聲后相對(duì)于原始圖像的平均誤差 通過 ANN 訓(xùn)練后的測(cè)試圖像 相對(duì)于原始圖像的平均誤差 結(jié)論 （ 12） （ 13） （ 14） （ 15） 31% 圖 8 可識(shí)別 64% 不可識(shí)別 圖 2 輸入原始圖像 圖 3 含噪聲的原始圖像 圖 4 濾除噪聲的原始圖像 圖 5 測(cè)試圖像 圖 6 含噪聲的測(cè)試圖像 圖 7 噪聲濾除后的測(cè)試圖像 圖 8 利用 ANN 訓(xùn)練后的圖像 圖 9 測(cè)試圖像 圖 10 含噪聲的測(cè)試圖像 圖 11 噪聲濾除后的測(cè)試圖像 第五章 總結(jié) 已經(jīng)觀察到，如果平均誤差小于 45%，人工神經(jīng)網(wǎng)絡(luò)可以用于訓(xùn)練檢測(cè)從而進(jìn)行識(shí)別。且計(jì)算出的平均誤差為 %。 步驟二十： 重復(fù)上述步驟十七到步驟十九的說明，直到完成數(shù)據(jù)矩陣MEWMAT[][]中所有的值。需要注意的是，矩陣 ORMAT[][],TESTMAT[][],NEWMAT[][]的列的數(shù)目只占了原始圖像或測(cè)試圖像數(shù)據(jù)總列數(shù)的四分之一，因此利用人工神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練和測(cè)試所需的時(shí)間大大減少。其中平均誤差為 31%。 步驟九： 在步驟五中生成的十進(jìn)制數(shù)，被放進(jìn)了原始數(shù)據(jù)矩陣，把這個(gè)矩陣命名為 ORMAT[][],如表 4 所示： 表 4 原始數(shù)據(jù)矩陣 ORMAT[][] 步驟十：
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1