基于bp神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像邊緣檢測算法的研究

《基于bp神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像邊緣檢測算法的研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、第!"卷第#期西安科技大學(xué)學(xué)報(bào)$%&’!"(%’#!))"年*月+,-.(/0,123’/(-(3$4.5367,15834(84/(9648:(,0,;75<=>’!))"!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!文章編號(hào)：?@A!B*#?"（!))"）)#B)#A!B)C基于!"神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像邊緣檢測算法的研究肖鋒（西安工業(yè)學(xué)院計(jì)算機(jī)科學(xué)與工程學(xué)院，陜西西安A?))#!）摘要：指出了傳統(tǒng)邊緣檢測算子算法的不足，提出了一種利用基于DE神

2、經(jīng)網(wǎng)絡(luò)的數(shù)字圖像邊緣檢測算法，即利用傳統(tǒng)邊緣檢測算子檢測出來的圖像中像素的灰度的不同比例作為學(xué)習(xí)訓(xùn)練圖像，進(jìn)行神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，改變神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)得到神經(jīng)網(wǎng)絡(luò)的模型參數(shù)，最后給出了DE神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像邊緣檢測的實(shí)驗(yàn)研究結(jié)果。從實(shí)現(xiàn)中可發(fā)現(xiàn)，將人們關(guān)于邊緣特征的先驗(yàn)知識(shí)包含在內(nèi)進(jìn)行數(shù)字圖像的邊緣檢測，能夠取得比較好的效果。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；邊緣檢測；DE；訓(xùn)練中圖分類號(hào)：6E!?!’?文獻(xiàn)標(biāo)識(shí)碼：/#$%&$&’&(’)*+,-%*.)’/01,2&$*+!"+&3.,-+&’4*.52)+$)%)’,-)0,%&23/,1

3、L%M>>H<&KNK>I>K%F%O>H<>JIPK>K%FI&I&G%JK>HNIFPKF>J%PMQHN%OK%FI&G%JK>HNTILR%JULKFPKGK>I&KNIG<，K’<’R<>JIKF>HR%JURK>H>H<=

4、J%=%J>K%F%O>H<=KV<&KF>H<H<>JIPK>K%FI&I&G%JK>HN’3FIPSPK>K%F，K>GKXHL%O>H<LRK>H>HHN；RHI>’LN%J<，K>GKXHR%JU’L=IJIN<>HJ%MGHL’1J%N>H<L，RH<=JK%JUF%R&

5、F=J%QK%FR<&&’7&84*.$2：FR%JU；KNIG<K%F；DE；>JIKF)引言邊緣提取是模式識(shí)別中物體特征抽取的重要環(huán)節(jié)之一，基于梯度的傳統(tǒng)邊緣檢測方法對(duì)圖像的邊緣檢測研究已經(jīng)取得了一些成果，但目前在實(shí)際檢測中得到的邊緣結(jié)果并不令人滿意；并且隨著計(jì)算機(jī)速度和存儲(chǔ)的飛速發(fā)展，圖像量化像素點(diǎn)寬度將越來越小，即使在邊緣處，相鄰像素灰度值的差異將越來越小，從而制約了建立在以梯度為原則的邊緣檢測算子的發(fā)展，并且由于通常要作分析及處理的原始圖像往往含有噪聲，而邊

6、緣和噪聲在空間域表現(xiàn)為灰度有比較大的起落，在頻率域則反映為同是高頻分量；同時(shí)，為了避免給圖像帶來新的誤差［?］或掩蓋真實(shí)信息，不能對(duì)其作濾波、增強(qiáng)等處理。因此，尋找新的邊緣檢測方法是必要的。?基于神經(jīng)網(wǎng)絡(luò)的邊緣檢測算法大家知道，如果一個(gè)過程的描述和理解都十分清楚，該過程的處理能用最佳方法設(shè)計(jì)，那就不必要考慮用神經(jīng)網(wǎng)絡(luò)去做；要做，其結(jié)果未必更好。然而，神經(jīng)網(wǎng)絡(luò)卻適合于難于模型化的問題。神經(jīng)網(wǎng)絡(luò)是從樣本中學(xué)習(xí)，"收稿日期：!))CB)YB!A萬方數(shù)據(jù)作者簡介：肖鋒（?*A@B），男，河南焦作人，助教，主要從事數(shù)字圖像處理和多媒體信息

7、處理的教學(xué)與科研工作’第2期肖鋒基于/0神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像邊緣檢測算法的研究2#2從而從網(wǎng)絡(luò)本身形成所求解問題的模型。對(duì)于數(shù)字圖像的邊緣檢測來說，圖像中局部變化與場景的對(duì)應(yīng)關(guān)系可以通過樣本集對(duì)網(wǎng)絡(luò)的訓(xùn)練來求解。神經(jīng)網(wǎng)絡(luò)能夠很好地完成!維空間（輸入結(jié)點(diǎn)個(gè)數(shù)!）到"維空間（輸出［#］結(jié)點(diǎn)個(gè)數(shù)"）的復(fù)雜的非線性映射。故它具備進(jìn)行圖像邊緣檢測的能力，所以我們可以用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)字圖像的邊緣檢測。$($訓(xùn)練集的選取在/0神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程中，訓(xùn)練集樣本的選取是一件非常重要的事情。訓(xùn)練集的選取將直接影響網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的時(shí)間、權(quán)值矩陣與學(xué)習(xí)

8、訓(xùn)練效果等。目前，國內(nèi)外有很多的學(xué)者采用神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行數(shù)字圖像邊緣檢測的研究，但是尚處在試驗(yàn)階段，尤其對(duì)樣本的選擇問題還沒有［1，2，3］很好的解決方法。我認(rèn)為：在樣本的選擇過程中，要選擇有代表性的圖像作為訓(xùn)練圖像。圖$這副圖像邊緣比較明顯，且邊緣分布在圖像