文档介绍：基于BP人工神经网络的图像识别
摘要: BP神经网络在非线性函数逼近方面有优良特性。通过一系列图像处理技术,可以利用BP神经网络对图像的识别。实践证明,采用BP神经网络,可以快速有效的对图像进行识别,具有较高的使用价值。
关键词: BP神经网络;图像识别; 灰度直方图
Image Recognition Based on BP work
ZHANG Liang LU Xin-ming
Abstract: BP work has more advantaged on approximating the nonlinear function .By a series of image processing techniques is used to the picture, BP work is applied for image recognition. It’s demonstrated by practice that BP work can be used for fast and efficient recognition, and has high accuracy and practical value.
Key words: BP work; image recognition; gray level histogram
1 BP神经网络简介
BP神经网络是基于误差反向传播算法的多层前向神经网络, 是一种有监督的学习。典型的网络是三层网络, 包括输人层、隐含层和输出层, 结构模型如图1[2]所示。网络的学习由四个过程组成,即:
1)输人模式由输入层经隐藏层向输出层的“模式顺传播”过程也称向前传播阶段;
2)网络的希望输出与网络实际输出之差的误差信号由输出层经隐藏层向输人层逐层修正连接权的“误差逆传播”过程也称向后传播阶段;
3)由“模式顺传播”与“误差逆传播”的反复交替进行的网络“记忆训练”过程;
4)网络趋向收敛即网络的全局误差趋向极小值的“学习收敛”过程。
图1 BP网络结构模型图
2基于BP人工神经网络的图像分割
由于BP 网络具有高度非线性关系的映射能力,可实现M 维欧氏空间(输入层单元数) 到N 维欧氏空间(输出层单元数) 的任意映射。在图像分割中,就是实现由I 维特征模式
到O类分类结果的映射。实际应用过程中更可以将分类结果简化为2类:目标图像与非目标图像。
输入层是数据的缓冲存储器,其作用是把数据源加载到网络上,节点数可以由图像特征向量的维数确定。输出层节点数由类别数多少确定,图像分割中可以定为2 ,用以输出目标图像与非目标图像。隐藏层的层数和节点数的选取有不同的观点,根据A. J . Maren 等人的观点,只要单隐藏层的节点个数足够多,一个隐藏层即可达到多隐藏层的功能,
接点数可以由公式
确定:
(1)
其中m 为输入层节点个数, n 为输出层节点个数, a 为1~10之间的常数。
在对神经网络进行训练的过程中,训练样本的原始数值变化范围可能非常大。必须对输入模式进行归一化处理,使其变化返回限定在一定的数值范围内。由此在输入层和隐藏层之间加入归一化层。为了使输出结果与原始数值保持一致,在加入了归一化层之后,必须在输出层之后对应地加入一个数值还原层。
3 优化BP神经网络训