伪彩色处理技术毕业论文(编辑修改稿)

伪彩色处理技术毕业论文(编辑修改稿)内容摘要：

人员就开始采用软件或硬件的方法，模拟动物神经系统的某些功能，建立了以大量处理单元为结点，处理单元间实现 (加权值的 )互联的拓扑网络．称之为人工神经网络。 最近，人工神经网络的研究和应用日益受到人们的重视，特别是随着计算机技术飞速发展，更加速了它在各个领域的应用，其中包括彩色图像分割。 Liumann和 RJtterI” l成功地应用一个局部线性映射神经网络 (Local Linear Maps)，从复杂彩色实验室图像中分割出人手。 他们预先 用已经分割出来的人手与背景的象素特征训练该人工神经网络，然后利用局部的 彩色信息估计出象索属于“人手”的隶属度和属于“背景”的隶属度，最后将人 手分割出来。 这一研究说明 LLM模型适用于利用彩色信息从复杂背景中分割出复杂对象。 Erealla7l用一种新颖的人工神经网络算法，将恶性黑色素瘤从 3种与其特征相似的良性皮肤肿瘤中检测出来。 本算法利用基于肿瘤形状和相关皮肤颜色的判别式特征，经过适当的训练，获得了 80％的检出正确率。 但是， LLM模型必须采用更多的变量，以避免太多初始化。 2． 2． 7基于模糊技术 近年来，模糊理论和模糊算法越来越多地应用于图像处理。 模糊理论是指模 糊 集合理论。 在彩色图像分割中，模糊理论与经典分割算法结合，产生一些新的 算法。 Lim等人在 Ohta颜色空间中测试了阈值结合模糊 C均值聚类算法，他们先用闽值方法把彩色图像进行粗略分割，即把特征比较明显的象素分成几个区域，然后运用模糊 C均值聚类算法把剩余象索归并到隶属度最大的区域里，完成分割。 由于模糊 C均值聚类算法需要反复递归迭代，所以运算量过大，任彬等对此算法进行了改进，加速了收敛过程，降低了运算量。 Kandel等验证了模糊区域增长的可行性，他在文章中提到结合边缘检测和基于两个模糊判决标准的区域增长算法，在 UV彩色空问用直方图完成彩色图像的精细分割。 第 3章基于 Gabor小波滤波器的特征提取 3． 1小波变换基础 小波变换 (wavelet transform)作为一种新的变换域信号处理，是在傅里叶变换的基础上发展起来的一种时频分析方法。 它通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，解决了傅里叶变换不能解决的许多困难，被誉为数学显微镜。 它在许多领域都得到了成功的应用，在图像处理领域也有很广泛的应用。 我们知道，应用傅里叶变换研究模拟信号的谱特性，必须获得该信号在时域中的所有信 息，甚至包括将来的信息，在短时傅里叶分析中，由于其时间 —— 频率窗是严格的，反映不出随时间变化的频率，在处理非平稳信号分析和实时信号处理中，傅里叶变换是不够的，促使我们引入小波变换来代替傅里叶变换。 3． 1． 1连续小波的概念 小波变换的含义是：把某一被称为基本小波或母小波 (motller wavelet)的 函数 Ψ（ t）作为移 b后，再在不同尺度 a下与待分析信号 x（ t）作内积，即： WTx（ a， b） = 1a dtabttx  )()( 称为 x（ t）的连续小波变换。 其中 x（ t）是平方可积函数， a0是尺度因子， b反应位移，其值可正可负，而且  （ t） =a1 ）（ abt是基本小波的位移与尺度伸缩。 其等效的频域表示为： WTx（ a， b） = 2a   ）（）（ aw*wX jwbe dw 总之，从频率上看，用不同尺度作小波变换大致相当于用一组 带通滤波器对 信号进行处理。 当口值小时，时轴上观察范围小，而在频域上相当于用较高频率 作分辨率较高的分析，即用高频率小波作细致观察。 当口值较大时，时轴上考察 范围大，而在频域上相当于用低频小波作橛貌观察．分析频率有高有低，但在各 分析频段内分析的品质因数 Q却保持一致。 任何变换必须存在反变换才有实际意义，但反变换并不一定存在。 对小波变换而言，所采用的小波必须满足所谓“容许条件” (admissible condition)。 3． 2 Gabor小波滤波器 在图像处理与计算机视觉领域，图像分割是一项困 难而又重要的技术。 在某 种意义上，对于目标识别任务而言，图像分割结果的好坏会直接影响到目标识别 的结果。 一般而言，影响图像分割结果的因素主要有目标特征的选取以及图像分 割方法这两方面，其中目标特征选择的是否正确，对分割结果将起至关重要的作 用。 由于 Gabor小波交换较好地描述了生物视觉神经元的感受野问题，根据特定的视觉需要可相应地调整它的空间与频率采样特性，从而获得我们感兴趣的 目标特征，所以适合用于图像的分析与处理。 较早将 Gabor小波变换技术应用于图像分割的 A． K Ja抽等人结合非线性变换技术和 均方差聚类技术，实现了对多种纹理的分割； Xing Wu等人将 Gabor小波变换技术用于红外目标的识别，取得了鲁棒的效果； Gabor小波变换技术与无监督神经网络技术联系在一起，对纹理图像进行分割，也得到了良好的结果。 Gabor小波是这样一组相似的 Gabor函数，它们相互之间有不同的相移、比例尺度以及旋转方向； Gabor函数在空间 —— 频率域同时进行测量，并且在这两种域中都是局部的变换，具有明显的方向选择特性和频率选择特性；另外， Gabor 函数有许多的自由度，允许通过调整空间与频 谱特性来满足特定的视觉需要。 由 于它可以较好地模拟人类视觉系统某些方面的特点，并且具有一些非常吸引人的 计算特性：如上述在空间域和频率域同时具有最优的局部化特点等，通过改变 Gabor小波的形状、带宽、中心频率和方向参数。 我们可以设计一组 Gabor小波 滤波器来采样一幅图像的整个频率域，因此 Gabor小波滤波器可以用来解决各种 图像处理与计算机视觉难题。 第 4章基于 BP神经网络的图像分割 4． 1人工神经网络概述 4． 1 1人工神经网络的基 本概念和基本特征 人工神经网络是生理学上的真实人脑神经网络的结构和功能以及若干基本特性的某种理论抽象、简化和模拟而构成的一种信息处理系统。 从系统的观点看，人工神经网络是由大量神经元通过极其丰富和完善的连接而构成的自适应非线性动态系统。 由于神经元之间有着不同的连接方式，所以组成不同结构形态的神经网络系统是可能的。 人的智能来源于大脑，大脑是由大量的神经细胞或神经元组成的。 每一个神 经元可以看作为一个小的处理单元，这些神经元按照某种方式互相连接起来，构 成了大脑内部的生理神经元网络，它们中的各神经元之间 连接的强弱，按照外部 的激励信号作自适应变化，而每个神经元又随着接受到的多个激励信号的综合大 小呈现兴奋或抑制状态。 根据现在的了解，大脑的学习过程就是神经元之间连接 强度随外部激励信息作自适应变化的过程，大脑处理信息的结果确实是由神经元 的状态表现出来。 显然，神经元是信息处理系统的最小单元。 虽然神经元的种类 有很多种，但其基本结构相似，神经元的结构如图示 图为神经元结构示意图 神经元是由细胞体、树突、轴突和突触四部分组成的。 从细胞体向外伸出许 多树突和一条长的轴突，树突和轴突分别负责传入和传出兴奋或抑制信息到细 胞。 神经元的树突较短，分支很多，是信息的输入端。 轴突较长，是信息的输出 端。 突触是一个神经元与另一个神经元相联系的特殊结构部位，突触包括突触前、 突触间隙和突触后三部分。 突触前是第一个神经元的轴突末梢部分。 轴突后是指 第二个神经元的受体表面。 突触前通过化学接触或者点接触，将信息传往轴突后 受体表面，实现信息源的信息传输。 树突和轴突一一对接，从而靠突触把众多的 神经元连接成一个神经元网络。 神经元群或者神经网络系统对外界有兴奋和抑制 两种反应 ，兴奋指的是由相对静止变为相对活动，抑制是指由相对活动变为相对 静止。 神经元之间信息的传递形式有正负两种。 正连接呈相互激发；负连接呈相 互抑制。 各神经元之间的连接强度和极性可以有所不同，并且都可以进行调整， 因此人脑才可以有存储信息的功能。 图为神经元结构模型 由大量神经元相互连接组成的人工神经网络将显示出人脑的某些基本特征，人工神经网络主要有以下几个基本特征： (1)分布存储和容错性：一个信息不是只存 储在一个神经元上． 而是按照内容分布在整个神经元网络上，神经网络的某一处不是只存储一个外部 信息，而是每个神经元存储多种信息的部分内容。 这种分布式存储方式是存储区 与运算区合为一体的。 在神经网络中，要获得存储的知识，则采用“联想”的方 法，即当一个神经网络输入一个激励时，它要在已存储的知识中寻找与该输入匹 配最好的存储知识为其解。 当然在信息输出时，也要经过～种处理，而不是直接 从记忆中取出。 这种存储方式的优点在于若部分信息不完全，就是说或者丢失或 者损坏甚至有错误的信息，它仍然能恢复出来正确的完整的信息，系 统仍能运行。 这就是神经网络具有容错性和联想记忆功能，自然呈现出较强的鲁棒性。 (2)大规模并行处理：人工神经网络在结构上是并行的，而且神经网络的各个神经元可以同时进行类似的处理过程．因此，神经网络中的信息处理是在大量神经元中并行而又有层次地进行，运算速度高，大大超过了传统的序列式运算的数字机。 虽然每个神经元的信息传递 (神经脉冲 )速度是以毫秒计算的，比普通序式计算机要慢很多，但是人能通常在一秒内即可做出对外界事物的判断和决策，这就是能神奇地完成所谓“百步”决策。 而这应用现有传统的计算机及人工智能技术目前还是做不到的。 (3)自学习、自组织和自适应性：自学习、自组织和自适应要求在时间上系统内部结构和联系方式有改变，神经网络是～种变结构系统，恰好能完成对环境的适应和对外界事物的学习能力。 神经元之间的连接方式有多种多样，而且各个神 经元之间连接强度具有一定的可塑性，这相当于突触传递信息能力的变化，这样神经网络可以通过学习和训练进行自组织以适应不同信息处理的要求． (4)神经网络是大量神经元的集体行为，并不是单个神经元行为的简单的相加，而是表现出复杂非线性动态系统的特性。 如不可预测性、不可逆性和出 现混沌现象等。 (5)神经元可以处理～些环境信息十分复杂、知识背景不清楚和推理规则不明确的问题。 例如语音识别和手写体识别等，这些都属于具有复杂非线性和不确定性对象的控制。 在这些问题中，信源提供的模式丰富多彩，有的相互问存在矛盾，两判定决策原则又无条理可以遵循，通过神经元网络学习 (按照学习法则 )，可以从典型事例中学会处理具体事例，给出比较满意的解答。 4． 1． 2人工神经网络的应用及发展方向 人工神经网络作为一种新的方法体系，具有分布并行处理、非线性映射、自 适应学习和鲁棒容错等特性，这使得人工神经 网络在模式识别、控制优化、智能 信息处理以及故障检测等方面都有广泛的应用。 目前，人工神经网络的研究方向可以分为理论研究和应用研究两大方面。 人工神经网络的理论研究可以分为以下两类： (1)利用神经生理与认知科学研究大脑思维及智能机理。 (2)利用神经科学基础理论的研究成果，用数理方法探索智能水平更高 的人工神经网络模型，深入研究神经网络的算法和性能，开发新的 神经网络数理理论。 人工神经网络的应用研究可以分为以下两类： (1)人工神经网络的软件模拟和硬件实现的研究。 (2)人工神经网络在各个领域中的应用研 究，这些研究领域主要包括模式识别、信号处理、专家系统、优化组合等。 随着人工神经网络理论本身以及相关理论、相关技术的不断发展，人工神经网络的应用必将更加深入和广泛。 4． 2 BP神经网络及其特点 4． 2． 1 BP神经网络的结构 BP神经网络的算法又称为误差反向传播算法。 该神经网络具有良好的分类 识别和记忆等能力，因此相应的学习算法成了研究的焦点。 1985年， Rumdhart 等人提出的 EBP(Error Back Propagation)算法 (简称 BP)，系统地解决了多层神经元网络中隐单元层连接 权的学习问题，并在数学上给出了完整的推导。 由于 BP神经网络克服了简单感知器不能解决的 XOR和其它一些问题，所以 BP模型已经成为神经网络的重要模型之一，并且得到了广泛的应用。 多层 BP神经网络模型的拓扑结构如图 4． 3所示．它是由输入层、中间层和输出层组成的。 中间层也称为隐含层，隐含层可以是一层也可以是多层。 BP神经网络的学习过程由两部分组成：正向传播和反向传播。 当正向传播 时，输入信息从输入层经隐单元层处理后传向输出层，每一层神经元的状态只影 响下一层神经元的状态。 如果在输出层得 不到期望的输出，则转入反向传播，将 误差信号沿着原来的神经元连接通路返回。 在返回过程中，逐一调整各层神经元 连接的权。