神经网络在图像处理中的应用1

1、 维普资讯： 期 许 锋等 ： 神经网络在 图像处理 中的应用 局部 的几 何特 征 ， 括 ： 不依 赖 于 图像 变换 （ 包 （） 位 置 、 寸 、 向 等 ）的 特 征 ， 描 述 符 和 尺 方 如 息， 但是算法计算量太大了， 所处理 的数据是高维的 原始数据 基于特征的神经网络算 法处理 的数据 量 要 比基于像素 的分割识别算法小得 多 ， 处理的是图 像的某种统计特征向量 ， 同时能够保持 图像 的拓扑 结构 尽管神经网络技术在 图像处理领域中已经得到 广 泛 的应用 ， 但是 还 有很 多 问题需 要 解决 力矩 ， 文献 作者采用 神经网络算法 进行 工业 工 具 的识

2、 别 ； （ ）原 始 图像在 轴 和 轴 上的投影 ； 检测物体 轮廓 的曲率 ； 特 （） （） 征提取获得的图像主成分分量 等 结 论 和 展 望 （ ） 这一部分我们对神经网络技术在图像处理领域 的 应用作 进 一步 的概 括 总结 图像预处理方面 ， 研究人员提 出了很多神经 网 络算法用于 图像 复原 、 增强、 重建 这些神经网络算 法 的原理是用非线性 系统模型表示预处理的图像 ， 然后用神经 网络算法求解其最优解 神经 网络 比起 传统的迭代求解法 ， 计算速度快 ， 而且计算量小 图像压缩方面 ， 应用神经 网络解决 图像压缩问 题已经产生了很好 的效果 ， 神经 网络的并

3、行处理能 力、 高度 的相关性和 自适应能力决定了它很适合 图 这些神经 网络算 法 比起传统算 法有很 大 的优 点， 但也存在着一些缺点 ， 如图像预处理阶段 的神经 网络算法大部分是非 自适应 的， 而且 这些算法是针 对特定的图像模型 ， 当原始图像模型变换 时 ， 即使是 最简单的缩放和角度变换 ， 网络的权值也需要重新 训练 ； 神经 网络 只能够处理线 性 可分 的数据 ， 而且收敛 比较慢 ； 用于特征提取 的 神经网络算 法会严重改变数据的拓扑结构 ； 基于像素 的神经网 络图像分割（ 或识别） 算法 处理数据量太大 ， 不适合 于实时数 据处 理 ； 于特 征 的神 经 网

4、络 图像分割 基 像数据 的压缩 由于神经网络的非线性特性 ， 用它设 计 的非 线性 预测 器 比起 线 性 预 测 器 编 码效 果 更 好 自适应 神经网络 （ 很好地解决 了 ） 变 换存在 的问题 ， 图像变换编码只需要较少的 比 特数 ， 并 能够 适 应 图像 的变 化 ， 且 无需 重 新 训 练 网 络权 而 值 算法 比起 算法在 码本形成方 面 有 许 多 的优点 ， 始条 件 的敏感 性低 ， 够产 生较低 初 能 平 均 失真 的码 本 ， 图像 向量 编 码 中 得 到广 泛 的应 在 用 （ 或识别） 算法无法保证抽取 的特征是有效 的图像 特征 ， 并且此类算法

5、前提假设是处理 图像 没有受到 污染 面是 一些 急需解 决 的 问题 下 （） 神经网络理 论的完备 如何选 择最优 的网 络结构 现在没有一个确定 的标准来评定 网络结构 的优劣 ， 图像处理计算量 和计算速度 与图像 处理效 果可以说是不可调和的一组矛盾 同时， 自适应 的非 限制神经网络在最小方差准则下训练有时会得到非 常令 人 不满 意 的处 理效 果 论 的不 完 备 让 研 究人 理 员无法有效地选择网络算法和 网络结构 （） 神经 网络算法参数 的传递性 当图像 的某 特征提取方面 ， 应用于 图像特征提取 的神经网 络算法按学习方法和处理能力 可以分为 四类 神经网络计算得到

6、的输入数据 自相关矩阵的特征 向 量和特征值精确度相 当高 ， 计算所需的 比特数少而 且非 常有 效 进 行 特征 提取 能够 得到 比较 好 的数据结构和聚类形状 ， 并且有很强的推广能力 ， 遇 到新 的训练样 本 ， 网络不需要重新计算权值 神经网络最大的优点是能够保持原始图像的拓扑结 构， 映射空间的数据能够 比较真实地反映原始数据 和 这两类 网络是采用 了前 向反馈学习算 法的多层感知器 ， 算法简单 ， 而且收敛速度快 ， 能够处理线性不可分 的数据 ， 是一种非常有效的高 维数据可视化的算法 图像分割和 图像识别 的神经 网络算法非常相 似， 根据处理 的数据类 型可以分为基

7、于像素的神经 网络算法和基于特征 的神经 网络算法 基于像素 的 算法 ， 神经网络分类器 能够 得到所有 的图像相关信 些统计特性改变时 ， 神经网络 的权值需要重新计算 ， 工作量相当大 ， 能否根据 图像统计特性变化关系预 测神经网络 的权值变化这是图像处理工作者迫切需 要 解 决 的难 题 （） 图像处理存在 的问题 图像复原 的难 题是 图像的平滑和特征的保持（ 尖锐化处理 ） 模糊神经 ， 网络能够很好地消除图像的噪音并能保持图像的特 征， 但此类算法还不成熟 ， 急需改进 图像分割和图 像识别领域中， 对基 于像素 的神经 网络算 法和基于 特征的神经网络算法 的改进 ， 两类算

8、法都存在着很 大缺陷 ， 如何寻找一个 结合两者优点 的新算法是 当 前 图像工 作者 需要解 决 的 问题 （） 已知图像处理 技术 的结合 以尝试着把 可 各类算法结合起来应用于图像处理 各类 图像处理 算法 ， 包括经典算法和神经网络算 法 ， 都有各 自的优 缺点 ， 能否把各类算法的优点结合 起来弥补各 自的 维普资讯： 信 息 与 控 制 卷 缺点是一件值得 图像处理工作者研究的方向 （ ） 型 神 经 网络 的应 用 波 网 络 是 结 合 小 新 小 波 变换 理论 与人 工神 经 网络 的思想而 构造 的一 种新 的神经 网络 模型 ， 结合 了小波 变 换 良好 的 时 频

9、局 它 域 化性 质及 神 经 网络 的 自适 应 能 力 ， 且 有 小 波 分 而 解 作 为理论 基 础 ， 而 能 够 有 效 地 根据 训 练 样 本 集 从 ， ， 曲 ， 】 ， （ ： 一 ， 钙 ） 确定网络结构 ， 弥补 了传统神经网络的一些缺点 同 时。 小波变换 的多分辨率分析 的特点使小波变换广 泛地用于图像压缩和 特征提取方面 结合 了小 波变 换和神经网络优点 的小波网络在图像处理领域中会 有很好 的应用前 景 模糊 神 经 网络是 神 经 网络 和模 糊 技术 的有机 结 ， （ ： ， 钙 ） ， ， ： ， 合， 可以有效地发挥各 自的优势并弥补其不足 神经

10、 税 ， 网络在学习和 自动模式识别方面有很强的优势 ， 模 糊技术 的结合可以大大拓宽神经网络处理信息的范 围和能力 ， 不仅能够处理精确信息 ， 而且可以处理模 糊信息 ， 可以作 为一种新 型的分类器 ， 图像分割、 在 图像识别和更高层次 的图像理解方面有很好的应用 前景 【】 ， ： ， 匡锦瑜 ， 丁俊 民， 陈士碌 图像 的小波 系数神经 网络 预测 编码 北京师范大学学报 ， （ ） ， ： 马 霓 ， 韦 岗一种基于 回归神经 网络 的码 本激 励非线 性 预测话音编码算法 通信学报 ， ， ） （ ： ， ， ， ： ， ， ， ， 张 成 ， 】 王 勇， 赵 渊， 等改

11、进 的 自组织 特征映 射算法及 ， ： ，（ ） 在 图像矢 量 量 化 中 的应 用 兰 州 大 学 学报 ， ， （ ） ： 。 ， 张 霞 ， 吴键华 ， 杨明键 于 基 矢量量化 的气 象卫星云 图数据压缩 南昌大学学报 ， ， （ ） ： ， 。 ， ， （ ） ， ： ， 【 ， ， ，（ ： ） ， ，（ ）： ， 【 ， ， 栅 仙 ， 。 ， ： （） ， 如 ， 。 ， ， ， ， ， 】 ， ， ， ， ， 】 ， ， 。武 ， 维普资讯： 期 许 锋等 ： 神经网络在图像处理中的应用 （ 上接 页） ， ， ， ， ， ， ， 。 一 ， （ ） ， ： ， ， ： （ ） 。 ， ， 衄 。 【 ， ， ： ， （ ） ， ： ， （ ） ： 作者简介 李