学位论文 > 优秀研究生学位论文题录展示

基于人工神经网络的图像识别方法研究

作　者: 战国科
导　师: 夏哲雷
学　校: 中国计量科学研究院
专　业: 测试计量技术及仪器
关键词: 图像识别边缘检测矩特征提取 BP神经网络遗传算法神经网络集成支持向量机
分类号: TP18
类　型: 硕士论文
年　份: 2007年
下　载: 653次
引　用: 6次
阅　读: 论文下载

内容摘要

图像识别是近20年来发展起来的一门新型技术科学，它以研究某些对象或过程(统称图像)的分类与描述为主要内容。本文重点对飞机图像识别技术进行了研究，主要可分为前期预处理和图像的后期模式分类两部分，本文结构如下：对输入图像进行预处理，包括采用Robert，Prewitt，Gauss-Laplace算子对图像进行边缘检测，并对图像进行迭代阈值分割及二值化。提取飞机图像的Hu矩，并对矩特征进行了修正和归一化。把矩特征作为输入，利用神经网络、神经网络集成和支持向量机进行模式识别和分类。本文对BP神经网络结构及BP算法做了系统的分析研究，在此基础上，提出了一种改进的BP算法。该算法着重对学习率和动量项进行调整，通过动态、自适应的方法，对参数学习率和动量因子进行调整，提高了学习速度。本文将遗传算法GA与BP算法相结合，提出了一种改进的遗传BP算法，该算法将前馈多层神经网络的全局优化作为启发式遗传的搜索问题，两次应用遗传算法，将搜索空间参数的动态调整和神经网络训练的动态特性协调起来，既克服了寻优中的盲目性，又避免了局部收敛情况的发生。较好地解决了神经网络容易陷入局部极小点和神经网络分类器设计依赖手工试算方式确定的问题。尝试将神经网络集成应用到目标图像的识别和分类中，采用Bagging和Boosting两种集成方法。实验结果表明神经网络集成比单个神经网络具有更好的泛化能力。针对本文小样本的特点，应用支持向量机对目标图像进行识别和分类，分别对支持向量机的三种多类方法和三种核函数进行试验，取得了优于神经网络和集成的实验结果。

全文目录

摘要  3-4
Abstract  4-8
第一章绪论  8-15
  1.1 图像处理的发展及现状  8-9
  1.2 模式识别介绍  9-12
  1.3 图像处理与模式识别的原理及方法  12-13
    1.3.1 图像处理与模式识别系统的原理框图和计算模型  12
    1.3.2 图像处理与模式识别系统的计算模型  12-13
  1.4 本文研究工作  13-14
  1.5 小结  14-15
第二章图像识别的前期处理  15-28
  2.1 图像边缘检测  15-23
    2.1.1 图像边缘检测的基本概念  15-16
    2.1.2 边缘检测算子  16-23
      2.1.2.1 罗伯特(Robert)算子  17-20
      2.1.2.2 普瑞维特(Prewitt)算子  20-21
      2.1.2.3 高斯—拉普拉斯算子  21-23
  2.2 图像的二值化  23-27
  2.3 小结  27-28
第三章图像的特征提取  28-35
  3.1 不变矩的概述  28-34
    3.1.1 不变矩的计算机方法  28-31
    3.1.2 不变矩的计算结果  31-34
  3.2 小结  34-35
第四章基于人工神经网络的图像识别  35-55
  4.1 人工神经网络概述  35-39
    4.1.1 神经元模型的提出  35-36
    4.1.2 人工神经网络的特点  36-37
    4.1.3 几种典型神经网络简介  37-39
  4.2 BP神经网络研究  39-48
    4.2.1 BP网络结构  39-42
      4.2.1.1 输入层和输出层的设计  40-41
      4.2.1.2 隐含层的设计  41-42
    4.2.2 BP算法研究  42-48
      4.2.2.1 基本 BP算法  42-44
      4.2.2.2 BP算法存在的缺陷  44-45
      4.2.2.3 BP算法的改进方法研究  45-48
  4.3 一种改进的BP算法  48-49
    4.3.1 改进算法原理  48-49
    4.3.2 计算机仿真  49
  4.4 一种改进的遗传BP算法  49-53
    4.4.1 遗传算法(GA)概述  49-52
    4.4.2 改进算法原理  52-53
  4.5 实验结果及分析  53-54
  4.6 小结  54-55
第五章基于神经网络集成的图像识别  55-64
  5.1 神经网络集成概述  55-58
  5.2 个体分类器  58-60
    5.2.1 个体分类器的要求  58
    5.2.2 个体分类器的生成  58-59
    5.2.3 个体分类器的组合  59-60
  5.3 Bagging  60-61
  5.4 Boosting  61-62
  5.5 实验结果及分析  62-63
  5.6 小结  63-64
第六章基于支持向量机的图像识别  64-75
  6.1 支持向量机概述  64-71
    6.1.1 理论背景  64-66
    6.1.2 方法介绍  66-70
    6.1.3 实现算法  70-71
  6.2 多类支持向量机  71-73
    6.2.1 一对多方法  71-72
    6.2.2 一对一方法  72
    6.2.3 有向无环图  72-73
  6.3 实验结果及分析  73-74
  6.4 小结  74-75
总结与展望  75-76
参考文献  76-80
发表论文和参加科研情况说明  80-81
致谢  81

基于人工神经网络的图像识别方法研究

内容摘要

全文目录

相似论文