论文部分内容阅读
视觉对人类感知世界极为重要,是人类从世界获取信息的最主要途径。图像作为视觉信息的基础,客观地向人类展示了世界上的万事万物,从而使人们了解世界及其本身。随着计算机技术的不断发展,借助于计算机对图像进行处理,能更好地帮助人类发现知识,不断拓展人类对世界认知的深度、广度。经过几十年的努力,图像处理领域已经形成了较为完善的图像工程体系,包括图像分割、图像合并、图像检索等技术。图像分割是图像处理的关键环节,它将一副原始图像分解为若干个具有特殊性质、互不重叠并且具有强相关性的集合,帮助人们观察到更微观的世界。从根本上讲,图像分割是一个将原始图像进行分类的技术。在图像分割技术的发展过程中,上千种图像分割方法被研究人员相继提出。大体上,这些方法可以分为阈值分割、区域分割、边缘分割和与特定理论结合的分割方法等几种。阂值、区域和边缘分割方法已经发展较为成熟,最近的研究热点是结合特定理论的分割方法,而特定理论包括聚类分析、模糊集理论、人工神经网络、遗传算法等。新方法的不断提出拓宽了图像分割的应用范围,提高了分割精度。但是,现有算法依然存在以下问题:(1)分割结果容易失真,造成分割精度较低;(2)算法时间开销较大,不适应于大规模数据地处理。基于以上问题,本文选取目前分割效果较为理想的模糊BP神经网络方法进行改进。模糊理论具有模糊不确定性,能够高度保真地从图像中提取特征。选取合适的隶属度函数能够将原始图像分成若干个区域间独立性较强的区域,将图像中每个像素点初次进行分类。赋予所有像素点一个模糊量-隶属度,它描述了像素点隶属于某个模糊集的程度大小,用模糊理论对图像进行初步处理最大程度地保证了图像不失真。BP神经网络具有较好的泛化能力、鲁棒性和数值逼近能力,能够有效地处理数值化信息,并行计算方式对降低算法的时间复杂度有很大帮助。并且,神经网络的数字处理能力可以对隶属度函数产生的数值做进一步的处理,使得像素的隶属度值更好地反映像素的归类,将最终归类的像素分类提取,便能产生一个高度保真的结果。本文选取灰度图像为研究对象,利用模糊理论对图像进行特征提取,形成BP神经网络的输入数据;然后从几个方面对BP神经网络进行改进,使其在进行样本训练时能够更快收敛,在提高图像分割精度的同时降低时间复杂度。本文的主要工作有以下几个方面:(1)系统介绍了图像分割的研究背景及其发展现状,总结了几种常见方法的特点及面临的问题。(2)介绍了模糊理论和BP神经网络的工作原理,以输入模糊量的形式构造模糊BP神经网络,并对神经网络传输函数、学习率、训练算法进行了改进,形成改进算法。(3)选取灰度图像为实验对象,用隶属度函数对其进行特征提取,使用改进算法进行图像分割仿真,同时使用BP神经网络、模糊BP神经网络进行仿真。选取区域内均匀性(UM)、区域间对比度(GC)、最终测量精度(UMA)、运行时间为评价标准,对三种方法的仿真结果进行比较,客观上证明了改进算法可以达到更高的分割精度,同时降低了时间复杂度,是一种可行的图像分割方法。