BP人工神经网络的图像识别

1、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ImageRecognitionBasedonBPNeuralNetworkZHANGLiangLUXin-mingAbstract:BPneuralnetworkhasmoreadvantagedonapproximatingthenonlinearfunction.Byaseriesofimageprocessingtechniques

2、isusedtothepicture,BPneuralnetworkisappliedforimagerecognition.ItsdemonstratedbypracticethatBPneuralnetworkcanbeusedforfastandefficientrecognition,andhashighaccuracyandpracticalvalue.Keywords:BPneuralnetwork;imagerecognition;graylevelhistogram1BP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,

3、包括输人层、隐含层和输出层,结构模型如图12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。日图1BP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，

4、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。输入层是数据白缓冲存储器，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110之间的常数。在对神经网络进彳T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

5、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神经网络训练样本神经网络(NeuralNetwork,NN)的泛化能力或推广能力,是指神经网络在训练完成以后输入其训练样本之外的新数据时获得正确输出的能力。所以泛化能力是神经网络最主要的性能，没有泛化能力的神经网络没有任何使用价值。在构建网络之前，唯一所知的只有训练样本数据，训练集对泛化能力的影响甚至超过网络结构(隐节点数)对泛化能力的影响。对训练样本进行优化，可以通过以下步骤实现：第1步先对原始数据样

6、本作因子分析，将样本的多个指标综合为数量较少的几个因子，并得到因子得分。第2步用因子得分计算各样品间的欧式距离，来进行聚类分析，将样本分成若干小类。第3步从每小类中按一定比例科学地选取适量样本。此方法简化了网络结构，加快了网络的收敛速度，对提高网络的泛化能力有一定的帮助。经过以上分析处理，就得到了优化的训练样本集。4基于BP神经网络的图像识别对图像进行灰度转换后并取得灰度直方图采样，将采样后的特征数据利用BP神经网络进行训练和学习的算法，将其应用于图像识别中，可大大降低判断均方误差，得到很理想的监控效果。在比较两幅图像的时候，采用图像的灰度直方图，由于灰度直方图去除了像素的位置特征，这使得在进

7、行图像比较的时候可能会出错。这里提供的一种方法就是先将图像分成几个部分，然后分别对图像进行上面的几步预处理，最后对两幅图像的相应部分作比较，只要其中的某一部分不相同，即可认为这两幅图像不一致。5结论通过对BP网络模型进行优化，可以进一步提高图像识别过程中的算法性能。因此，将优化过的BP神经算法引入图像识别算法中，可以进一步改善算法性能。利用神经网络对形状进行模糊识别的过程中,训练样本的数量和质量对实验结果有着很大影响,因此需要加强样本库的建设,这也是一件费时费力的事情。神经网络虽然在模式识别领域表现出一定的优势和潜力,但是目前神经网络尚不能有效地解决大数据量或大规模的模式识别问题,随着模式类别

8、的增多,神经网络的识别率急剧下降,因此,要对复杂的形状进行识别,有待于神经网络的进一步发展。参考文献:1杨俊东，杨崇.基于BP神经网络的图像异常辩识算法设计.辽宁工程技术大学学报,2007,26(5):740-743.2张华，张淼，刘魏，孟祥增.基于BP神经网络的图像形状识别.计算机科学,2006,33(1):269-271.3杨治明,王晓蓉,彭军,陈应祖.BP人工神经网络在图像分割中的应用.计算机科学,2007,134(13):234-236.4刘彩红.一种优化BP神经网络训练样本的方法.重庆师范大学学报(自然科学版),2007,24(3):51-53.5万来毅,陈建勋,王卫平，李俊.基于BP神经网络的图像识别研究.武汉科技大学学报(自然科学版),2006,29(3):277-279.作者简介:杨俊东(1979-)男，辽宁兴城人，教师，主要从事计算机图形技术方面的研究.张华哈尔滨