神经网络报告

课程论文题目神经网络在图像处理中的应用院（系）信息学院专业电子科学与技术年级1002班学生姓名姚佳佳学号20102562指导教师王斐手机[phone]二○一三年五月神经网络在图像处理中的应用摘要近几年，随着神经网络理论的深人研究，神经网络技术的并行性计算能力、非线性映射和自适应能力等优点得到了充分的认识，各种神经网络模型在图像处理领域中得到了广泛的应用，本文对各种流行的神经网络模型在图像处理领域中的应用进行了汇总，根据图像处理的具体内容对这些应用进行分类叙述，阐明了神经网络技术在图像处理领域中的优点和不足之处，并对将来神经网络技术在图像处理领域中的应用提出了几点期望。关键词:神经网络；图像重建；图像复原；图像增强；图像压缩；图像分割；特征提取；图像识别目录1引言...................................错误!未定义书签。2图像处理中常用神经网络的类型...........错误!未定义书签。2.1HOPFIELD神经网络....................................12.2BP网络............................................12.3自组织网络........................................22.4小波网络..........................................22.5细胞神经网络......................................22.6模糊神经网络......................................23神经网络在图像处理中的应用............................33.1图像预处理........................................33.1.1图像复原................................................33.1.2图像增强................................................43.1.3图像重建................................................43.2图像压缩..........................................43.2.1预测编码................................................43.2.2变换编码................................................43.2.3矢量量化.................................................53.3特征提取..........................................53.4图像分割..........................................63.5图像识别..........................................74结论和展望..........................................8参考资料................................................11第1页1、引言随着科学技术，特别是信息技术的发展，图像处理技术已经成为科学研究不可缺少的强有力工具，传统的图像处理方法无法满足需要，研究人员开始探索新的更有效的方法，其中利用神经网络进行图像处理是最活跃的方向，神经网络算法比起传统的算法表现出了很大的优越性，这主要表现在:(1)高度并行处理能力，处理的速度远远高于传统的序列处理算法；(2)具有自适应功能，能够根据学习提供的数据样本找出和输出数据的内在联系；(3)非线性映射功能，图像处理很多问题是非线性问题，神经网络为处理这些问题提供了有用的工具；(4)具有泛化功能，能够处理带有噪声的或不完全的数据。最初，人工神经网络是作为模式识别分类器和聚类技术在图像处理领域中得到应用的，然后随着神经网络理论的进一步研究，神经网络的特点得到充分的认识，在图像处理的各个领域得到了充分的应用，如印刷体和手写字符识别、语音识别、指纹、人脸识别、图像压缩复原等。下面将着重阐述神经网络在图像处理领域的应用现状和前景，并进一步分析现有用于图像处理的神经网络技术的优缺点。2.图像处理中常用神经网络的类型(Neuralnetworksappliedinimageprocessing)人工神经网络(ArtificialNeuralNetwork，简称ANN)是由大规模神经元互联组成的高度非线性动力学系统，是在认识、理解人脑组织结构和运行机制的基础上模拟其结构和智能行为的一种工程系统，神经网络的基础理论和发展在这里不进行叙述，读者可以查看相关的资料，下面简单介绍一下图像处理中常用的神经网络模型，2.1Hopfield神经网络Hopfield神经网络是一种动态网络，该网络主要用于联想记忆和优化计算，如果我们能把某个待研究解决的问题化成一个Hopfield计算能量函数，且使这个计算能量函数的最小极值正好对应于一定约束条件下的问题解答时，那么这个问题就可以利用Hopfield网络来求解了，Hopfield网络在图像边缘检测、图像模式匹配和识别等图像处理方面应用比较多。2.2BP网络第2页BP神经网络是一种采用反向传播算法的多层前馈网络，能够逼近任意的非线性映射关系，而且有很好的泛化能力，在图像处理领域中，作为一种非自适应的神经网络技术应用非常广泛。2.3自组织网络自组织网络是一种非监督学习神经网络，这种网络的学习目的是从一组数据中提取有意思的特征或某种内在的规律性(分布特征或按某种目的聚类)，自组织性神经网络根据学习算法可以分为两类:(1)主元分析神经网络(PrincipalComponentA-nalysisNeuralNetwork，简称PCA神经网络)，这类网络能够抽取输人向量的主特征向量，并使输人输出数据在均方差意义下为最优，主要用于图像压缩和特征抽取；(2)基于kohonen的自组织特征映射算法的神经网络(Self-organizingFeatureMapNeuralNetwork，简称SOFM神经网络)，此类网络对输入的数据有“聚类”作用，可起到数据压缩的作用，同时又具有特征抽取的作用，同样应用于图像压缩和特征提取。2.4小波网络小波网络起源于小波分解，是近年来在小波分析研究获得突破的基础上提出的一种前馈型网络，小波网络是将常规单隐层神经网络的隐节点函数由小波函数代替，相应的输人层到隐层的权值及隐层阀值分别由小波函数的尺度与平移参数所代替，继承了小波变换和神经网络两者的优点，具有良好的函数逼近能力和模式识别分类能力，现在小波网络作为新型的神经网络技术在图像处理领域中得到了应用。2.5细胞神经网络细胞神经网络是局部连接细胞的空间排列，其中每个细胞都是具有输人、输出及与动力学规则相关的状态的非线性动力学系统，具有很强的并行处理能力，并具有集成特性，自从被提出以后得到广泛的研究，用于图像处理各个领域。2.6模糊神经网络模糊神经网络指的是用神经网络方法建立和实现一个基于规则的模糊系统，它不仅可以表达和处理不确定知识，而且能够自动产生或调整规则，并且它是神经网络结构，可以实现并行高速推理，极大地提高了系统建模和运行效率，模糊神经网络在图像处理领域中有很好的应用前景。第3页3、神经网络在图像处理中的应用(Applica-tionofneuralnetworkinimageprocessing)图像处理概括地说主要包括如下几个内容(如图I所示):图像预处理，如图像增强、图像复原以及图像重建；图像压缩和特征提取；图像的分割；图像识别，应用于图像处理领域中的神经网络技术将按照图像处理的具体内容进行分类叙述。3.1图像预处理图像预处理阶段主要包括图像复原、图像增强、图像重建等，下面依次介绍神经网络技术在这方面的应用。3.1.1图像复原图像复原处理的主要目的是去除干扰和模糊，改善给定图像的质量，恢复图像的本来面目，传统的图像复原方法都是假设退化图像模型化，然后采用相反的过程进行处理，以便恢复出原图像，主要有逆滤波、维纳滤波、中值滤波等算法，神经网络在图像复原领域中的应用相当广泛，因为神经网络能够有效地适应图像处理的非线性本质，解决图像复原的非线性模型，而且不需要知道先验知识，同时神经网络的并行处理能力使VLSI技术用于图像复原成为可能，图像复原处理速度明显加快，下面是用于图像复原的几种主要神经网络模型。第一类是改进的Hopfield神经网络模型，模糊图像复原的最大后验概率估计方法可以化成一个Hopfield计算能量函数，然后就可以用Hopfield神经信息与控制网络复原模糊图像。第二类是细胞神经网络模型。如细胞神经网络的新功能—图像复原，运用细胞神经网络进行彩色图像的处理，细胞神经网络算法计算速度非常快，但也存在一个问题，就是模板的设计依赖于经验，没有通用的设计方法。第三类是模糊神经网络模型，模糊神经网络的提出，很好地解决了图像复原存在的第4页难题图像的平滑和特征的保持(尖锐化处理)。3.1.2图像增强图像增强处理主要是突出图像中感兴趣的信息，减弱或去除不需要的信息，从而使有用信息得到加强，便于区别或解释，传统的主要方法有直方图增强、伪彩色增强法和灰度窗口等技术，图像增强算法跟图像复原一样，都是基于一定的非线性模型，所以用于图像复原的很多神经网络模型同样可以用于图像增强如细胞神经网络模型，3.1.3图像重建图像重建是由在某种观测方式下得到的携带图像信息的数据恢复出原图像的过程，传统的重建方法主要分为两类，一类是基于变换的算法，这类算法计算速度快，但噪声性能不好；另一类是基于模型的算法，这类算法把重建问题表达为一定准则下的优化问题，适应于有噪声或投影数据不全的图像，但是迭代算法，速度很慢，应用于图像重建的神经网络技术基本上用Hopfield神经网络实现图像重建算法，改进了传统的基于模型算法，结合了神经网络的并行计算能力，图像重建的效果相当好，原理，首先把图像重建问题转化为Hopfteld函数的优化问题，然后基于某种优化目标，构造Hopfield神经网络，网络的稳态群为图像重建的最优解，这种方法比起传统方法有速度快、计算量小的优点。3.2图像压缩图像编码的目的有三个:(1)减少数据存储量；(2)降低数据率以减少传输带宽；(3)压缩信息量，便于特征抽取，为识别做准备，传统的经典压缩算法有JPEG压缩算法、Huffman码、PCM编码，使用神经网络进行图像编码比起传统的序列计算方式显示很大的优越性，用于图像编码的神经网络算法大致可以分为三类:预测编码，变换编码，矢量量化。3.2.1预测编码预测编码算法是利用图像在相邻样本之间呈现出高度相关性的特点，减少其冗余度以达到压缩目的，传统的方法有DM编码法和DPCM编码法，神经网络预测编码算法中，神经网络是作为非线性预测器，数据压缩的效果比传统的DM编码法和DPCM编码法所采用的线性预测器效果要好，而且图像编码的效果不受噪声影响。3.2.2变换编码变换编码算法是应用变换使图像产生系数集，选择这些系数的子集，选择的系数子第5页集能够满足重建一幅有较少失真的图像的要求，理想的线性变换应该是Karhumen-Loeue变换(简称KL变换)，但是KL算法计算量大，而且需要很大的存储空间，实际应用相当困难，JPEG组织于是选用了DCT编码，运用神经网络技术恰恰能够解决线性KL变换存在的问题，PCA神经网络仅需要很少的比特数并且计算非常有效，并能够适应图像统计的变化，现在用于图像压缩处理的神经网络模型主要是有侧向连接的自适应PCA神经网络(APEX)。3.2.3矢量量化矢量量化是另外一种非常有效的图像压缩方法，其核心问题是码