【正文】 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． Vision。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。 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。 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。 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。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。 因此就給這種方法的推廣帶來了一定的困難。 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。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。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)。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(xùn)練和分割。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)。 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。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。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。實驗中發(fā)現(xiàn)，分類錯誤的樣本一般與該類的訓(xùn)練樣本有較大的關(guān) 系。 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(xùn)練誤差曲線 圖 4． 13傳統(tǒng) BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)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。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。試驗結(jié)果如下所示： 圖 410原始圖像 (自然圖像 ) 圖 411分割后的圖像 從圖 4一 ll可以看出，采用本文提出的方法對自然圖像進行分割，可以取得 較好的分割效果。 為了驗證本文提出的圖像分割方法對自然圖像的分割也可以 取得較好的效 果。圖 4— 6是原圖像，圖 4— 7是由 1分 量構(gòu)成的圖像，圖 48是采用改進后的 BP網(wǎng)絡(luò)分割后并賦予不同顏色而生成的 圖像，圖 49是采用傳統(tǒng) BP網(wǎng)絡(luò)分割后并賦予不同的顏色而生成的圖像。 在其它條件相同的情況下，本文采用傳統(tǒng)的 BP網(wǎng)絡(luò)和改進后的 BP網(wǎng)絡(luò)作 為分類器進行了圖像分割試驗并對試驗結(jié)果進行了比較。這樣共有 1600個點作為一個訓(xùn)練樣本集。把原 始圖像分割成四類，所以 BP神經(jīng)網(wǎng)絡(luò)的輸出層神經(jīng)元個數(shù)為 4，通過 (4— 7)式 的計算后，可以得到隱層神經(jīng)元的個數(shù) S為 89． 754，再對 S進行四舍五入最后得 到隱層神經(jīng)元的個數(shù) S為 90。 山東大學碩士學位論文 另外，傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)和改進后的 BP神經(jīng)網(wǎng)絡(luò)的 初始學習步長野都為 0， 01，但改進后的 BP神經(jīng)網(wǎng)絡(luò)可以在網(wǎng)絡(luò)的訓(xùn)練過程中自適應(yīng)地調(diào)整學習步長 r／的大小，而傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)的學習步長， 7始終為 0． 01。 在實驗中， BP神經(jīng)網(wǎng)絡(luò)分為輸入層、隱層和輸出層，其中 BP神經(jīng)網(wǎng)絡(luò)中 的隱層只有一層。 618。 經(jīng)過對圖像進行特征提取后，圖像的每個象素點都由一個向量 X． (其中 I≤ i≤ 57)表示其特征，向量 x，的維數(shù)就是提取的特征數(shù)目。 w：分 別為 0． 65和 O． 35。 W：是比例系數(shù)，用來加強特征函數(shù)遍歷處理效果。結(jié)合公式 (4． 8)、 (4． 9)和 (4— 10) 設(shè)特征函數(shù)為： 丁 (R， G， B)=錯 +!淵 c。 對于圖像的顏色特征本文采用 HIS的線性組合來設(shè)定特征函數(shù)。 360?！俊Ｒ蝗?，把 H轉(zhuǎn)換到 I 80。在 G一 B時， H的 值應(yīng)該大于 180。 ,180。 (2)顏色特鎂的提取 歇 RGB簸色空間交換戮 HIS顏色空閼懿轉(zhuǎn)換公式為： z(R， B)c足 +G+B)／ 3 (4首先去掉局部照明度不同對特征的影響，這對自然 蹦像豹分割是綴重要的。 省璽奎耋璺圭蘭簦婆塞 圈 4《改進的 Sigmoid函數(shù)的圖像 4． 4基于 8P神經(jīng)網(wǎng)絡(luò)的閣像分割實驗 4． 4． 1圖像特鍛的提取 (1)紋理特綴的提取 本文把彩色窩像圭 RGB顏色空閥交換到 HIS顏 色窩麓。在本文中，改進 的 BP神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元的激活函數(shù)采用改進的激活函數(shù)，輸出層神經(jīng)元采用 標準的 Sigmoid函數(shù)。 L1+P葉／ 5’ 三 5(專 1 41)_三 5洲。 t=0． 6。所以，若神經(jīng)元網(wǎng)絡(luò)的每個激勵函數(shù)中 r在網(wǎng)絡(luò)學習過程中設(shè)不同 的初值進行修正的話，則學習后的此神經(jīng)元網(wǎng)絡(luò)也能表示 r伍 )中的任意函數(shù)。而相比之下，帶有不連續(xù)的函數(shù) 和連續(xù)函數(shù)的組合的激勵函數(shù)構(gòu)成的網(wǎng)絡(luò)，則能較好地解決此問題。我們知道：當激勵函數(shù)是不連續(xù)如階躍函數(shù)時， 網(wǎng)絡(luò)的學習是不能用 BP算法的，但通過激勵函數(shù)的組合便可以用 BP算法。當，不同時可以得到不同的礦 G)，據(jù)此我們可以在線修正。根據(jù)文獻 m1我們可以得到：若不同的 Sigmoid函數(shù)的組合后仍 是 Sigmoid函數(shù)的話，則這個組合 Sigmoid函數(shù)仍可以作為網(wǎng)絡(luò)的激勵函數(shù)。而對其他樣本學習則比較慢， 為此，我們將在網(wǎng)絡(luò)學習過程中，同時優(yōu)化激勵函數(shù)使其對學習的樣本是最佳的。但其網(wǎng)絡(luò)的隱層神經(jīng)元個數(shù)、網(wǎng)絡(luò) 學習快慢程度及網(wǎng)絡(luò)的泛化能力都是與網(wǎng)絡(luò)的激勵函數(shù)有關(guān)的。 00 . 10 . 20 . 30 . 40 . 50 . 60 . 70 . 80 . 91 . 0 6 4 2 0 2 4 6 圖 Sigmoid函數(shù)圖像 我們知道激勵函數(shù)的各種類型，其中最常用的是 Sigmoid函數(shù)和雙曲線正切 函數(shù)以及限幅函數(shù)等。一般情況下，采用 s型函數(shù)作為 BP神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。如果學習步長， 7的值太大，則 BP神經(jīng)網(wǎng)絡(luò)的誤差函數(shù) E可能會在極小點附近產(chǎn)生振蕩，神經(jīng)網(wǎng)絡(luò)會變得不穩(wěn)定；如果學習步長， 7的值太?。畡t BP神經(jīng)網(wǎng)絡(luò)可能會需要很長的時間才會收斂．我們不可能在 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前就得到最佳的學習步長， 7的大小，但是我們可以在 BP神經(jīng)網(wǎng)絡(luò)的學習過程中自適應(yīng)地調(diào)整學習步長， 7的大小，以便使 BP神經(jīng)網(wǎng)絡(luò)的誤差函數(shù) E盡快地收斂到全局最小點。有時將神經(jīng)元個數(shù)稍微減少，也可增加網(wǎng)絡(luò)的泛化能力，提高收斂速度。 m為輸入層神經(jīng)元個數(shù)， n為輸出層神經(jīng)元數(shù)，計算值需經(jīng)四舍五入取整。如果憑經(jīng)驗先給定隱層的神經(jīng)元數(shù)，然后用網(wǎng)絡(luò)修剪和增補方法來決定神經(jīng)元個數(shù)的增減，帶有很大的盲目性， 且浪費時間。如果隱層神經(jīng)元的數(shù)目過少，那么網(wǎng)絡(luò)將不能建立復(fù)雜的判決界限，使網(wǎng)絡(luò)無法訓(xùn)練出來，或網(wǎng)絡(luò)不“強壯”，不能識別以前沒有的樣本，而且容錯性能差；然而如果隱層神經(jīng)元數(shù)目過多，那么學習時間長，而且會使網(wǎng)絡(luò)的泛化能力降低，誤差函數(shù) E也不一定能收斂到全局最小點。當訓(xùn)練樣本數(shù)據(jù)確定后，神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層節(jié)點數(shù)即可確 定。 4． 3． 2用于圖像分割的 BP神經(jīng)網(wǎng)絡(luò)的改進 本文針對上述的 BP神經(jīng)網(wǎng)絡(luò)存在的缺陷，提出了以下改進方法以更好的進 行圖像分割。 (3)BP神經(jīng)網(wǎng) 絡(luò)的學習算法收斂速度很慢，通常需要上千次的迭代過 程。 因此 BP神經(jīng)網(wǎng)絡(luò)在收斂過程中很可能會遇到局部極小點，從而有可能陷入 局部極小點，而無法最終收斂于全局最小點，也就無法對學習模式進行準確記憶。 這種現(xiàn)象就是由于 BP神經(jīng)網(wǎng)