基于bp神经网络的图像分离算法.pdf

基于BP神经网络的图像分离算法 1 2 杨蕊华郭绍翠( 265205; 264001) 摘 要:现在纹理图像分离效率比较低,为解决这个问题,提出一种基于反向传播神经网络的纹理图像分离算法。一些因素会影响的结果是RGB值图像分离的象素的颜色本身,它附近的像素、边界的概率。根据这些因素,我们构建一个模型,用BP神经网络训练功能区域的图像和噪音一组样本,训练之后,BP神经网络训练可以用于纹理图像分离。最后我们设计一种实验,利用BP神经网络分离三个纹理图像。实验结果表明该算法简单、可行的、可以降低人们的工作。关键词:图像分离;BP神经网络算法;边界概率中图分类号:TP3 文献标识码:A 文章编号:1671-7597(2011)0210028-02 1 简介 BP神经网络参数。4)用训练有素的BP将图像完成纹理图像分离工作。事实上,这个图像分离过程是从原始图像到带有噪声目标图像一个映纹理图像通常是通过布扫描,如果我们缩放图像时,因为纹理结构可射的。这写因素会影响像素RGB值的分离结果,边界概率可以计算出相关以看到它由许多不同的颜色。换句话说,它是一个有噪声的图像,很难完算法和灰度值时,它的8个相邻像素的输出是目标象素RGB值。根据这些信成的图像,不能区分用不同颜色的地区,计算机的分离将会导致错误的图息,建立BP网络[7]。它有12个输入节点和3输出节点。输入节点是来边界像分离。的概率分布,8个相邻像素的灰度值RGB训练的像素RGB值,输出节点是目有两种算法来处理这个图像分离问题。基于边界提取[1],另一种是标像素RGB值。因为没有相关的算法,这个隐层节点的参数是通常的经验基于图像的边界[2]。这些算法只使用信息的边界或颜色的形象,所以他难以确定,在本文中我们设们不能单独的成像。最近提出的算法利用多种信息做分离工作,如颜色、空间、边界、轻盈、纹理等。这些算法获得好的结果,图像分离,但不能用于纹理图像分离,结果直接包含错误的分离。处理这个问题,一个纹理图像分离算法的基础上,提出了基于图像分割的分离算法[3],然而,本算法复杂、慢、边界分离后的形象不是平滑。在本文中,我们提出了一种基于BP神经网络算法的纹理品的形象。采用BP神经网络的12输入节点和3个输出节点。输入节点是RGB值的一个像素,灰度值8个相邻边界上的概率像素,而输出节点值为目标对象像素。我们选择一个或多个功能区域的图像的纹理训练样本,用它们来训练BP网络。之后,BP神经网络训练的能力,独立的分离图像。 2 方法描述训练BP神经网络的算法:BP网络是最重要的组成部分,80%-90%神经网络是BP网络或其转型。它是广泛应用在模式识别、图像、系统识别、功能配件、优化计算及其他领域。在这个例子中,应用图1刺激的输入信号的第一层,穿透隐藏层(s)到输出层。每一个环节的神经元之间有着独特的权值。网络功能如下:每个神经元接收信号从神经元在以前的蜡层, 每一个信号值乘一个分开的权值。加权输入模型,并通过积极的作用,以一个固定的输出的尺度范围内的值。输出的积极作用,然后转播所有的神经元的下一层。所以利用网络来解决一个问题,我们运用输入值的输入信号的第一层,允许通过网络传播,并且读的输出值。在学****过程中工作的BP小迭代步:其中一个例子是应用于网