Edge detection of range images using genetic neural networks

Due to the complexity and asymmetrical illumination, the images of object are difficult to be effectively segmented by some routine method. In this paper, a kind of edge detection method based on image features and genetic algorithms neural network for range images was proposed. Fully considering the essential difference between an edge point and a noise point, some characteristic parameters were extracted from range maps as the input nodes of the network in the algorithm. Firstly, a genetic neural network was designed and implemented. The neural network is trained by genetic algorithm, and then genetic neural network algorithm is combined with the virtue of global optimization of genetic algorithm and the virtue of parallel computation of neural network, so that this algorithm is of good global property. The experimental results show that this method can get much faster and more accurate detection results than the classical differential algorithm, and has better antinoise performance.     

混合神经网络在颗粒图像边缘检测中应用

提出了一种应用混合神经网络进行颗粒图像边缘检测的方法·边缘候选图像是通过采用基于灰度极小值算法提取边缘候选像素获得,神经网络以边缘候选图像中的边缘候选像素及其邻域像素的二值模式作为训练样本·对经过噪声污染的图像进行实验表明,该方法获得的边缘图像封闭性较好、边缘描述真实,适用于颗粒图像的边缘检测·     

用BP网络进行彩色图像分割和边缘检测

采用ＢＰ网络模型,研究了彩色图像分割和边缘检测的神经网络方法．选取训练样本图像,并分别以区域增长分割法和Ｓｏｂｅｌ边缘检测方法所得结果为导师信号,将图像的特征向量采用ＢＰ算法进行训练,然后对实测图像进行分割和边缘检测．与采用区域增长法所得分割结果和采用Ｓｏｂｅｌ边缘检测方法所得边缘检测结果进行比较,ＢＰ网络方法能取得同样较好的效果     

基于进化神经网络的曲面磨削表面粗糙度预测

将人工神经网络技术引入曲面磨削加工领域,介绍了利用BP算法建立的曲面磨削表面粗糙度随磨削用量变化的进化神经网络预测模型．针对BP算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练BP神经网络,取代了一些传统的学习算法,设计了基于进化神经网络的学习算法．实验和仿真结果表明,基于进化计算的BP神经网络不仅可以克服单纯使用BP网络易陷入局部极小等问题,而且预测精度较高。     

图像识别神经网络处理系统

目的　研制用于二值图像实时识别的神经网络处理器; 方法　采用数字电路实现的图像识别神经网络系统有３ 大模块：边缘提取模块以二值图像序列作为输入,用平面建筑物原理和８ 邻域原理提取图像的边缘特征;特征提取模块在边缘特征的基础上提取具有不变性的角特性和组块特征;模式分类模块采用４ 层特征映射神经网络实现图像模式识别; 结果　通过对图像信号发生器送出的二值飞机图像识别说明,训练样本数越多系统识别率越高; 结论　该系统能够快速、正确地实时识别二值图像序列;     

经营性高速公路停止收费后运营成本预测模型

针对单纯的神经网络会陷入局部最小点的缺点,以及单纯的GA方法不具备自适应学习能力,且在处理局部区域上存在一定问题的缺点,通过将遗传算法与神经网络相结合,提出了遗传算法优化神经网络权重的混合算法,并将此模型用于对经营性高速公路收费期满、停止收费后的运营成本进行预测。研究结果表明:相比单纯的BP算法,该算法能同时对解空间内的多个点进行遗传优选,避免陷入局部最小点,具有更快的收敛速度和更高的预测精度;该算法预测平均误差为0.06%,比单纯的BP算法提高了1.5%;利用该算法进行经营性高速公路停止收费后运营成本预测,可为高速公路运营管理者进行科学决策提供参考。     

基于游程长度和边缘统计的图像拼接检测

阐述了一种利用图像内在统计特性进行图像拼接检测的方法。图像拼接检测是一个基于拼接图像特征的模式识别问题。本文通过对游程长度和图像边缘的统计特性进行分析,说明了拼接操作所引起的图像像素不相关性和不连续性。为进行拼接检测,从图像游程长度和图像边缘统计特性中提取特征量,以此特征量去训练神经网络作为最后的分类器。结果表明,由此特征量作为图像拼接检测的标准,检测结果的精确度良好。     

基于遗传BP神经网络的COSM图像复原算法

提出了一种基于遗传BP人工神经网络的COSM图像复原算法,利用BP神经网络的学习记忆和泛化能力,通过用一组COSM样本图像对网络进行训练,建立含有离焦模糊的模糊三维图像与清晰三维图像之间的非线性映射关系,然后利用训练好的BP神经网络对待复原的COSM图像进行复原处理,从而实现COSM图像复原.复原的三维图像无论在主观视觉还是定量分析上都取得了很好的效果.与传统的图像复原算法不同,该算法免去了解卷积等复杂的运算,不存在病态问题,可广泛应用于模糊图像的复原中并且效果较好.     

一种新的混沌神经网络组织方式研究

提出用图像作为大规模混沌神经网络的权值矩阵,改变了神经网络的组织方式。研究网络的输出变化情况,发现不同的图像得到的输出曲线(面)不同,相同或类似的图像输出结果基本相同。特别是对于分形图像,输出有着规律性的结果。对这些现象进行了实验分析。作为一种新的神经网络激活组织方式,还有许多问题有待解决。     

基因遗传算法用于人工神经网络的训练

根据基因遗传算法GA的基本原理,阐述了GA用于神经网络训练问题的适合度函数和编码方法,分析了标准GA的不足,提出了自适应浮动区间中心点、全局搜索和局部精确搜索等改进策略,发展了GENITOR算法.训练实例表明,GA不仅能代替BP算法,而且能完成神经元激发函数不可微的多层神经网络的训练.     

基于GA-NN的钛合金工件磨削表面烧伤裂纹图像的自动识别

为了解决钛合金等难加工材料工件磨削表面烧伤的在线监测与预报问题，提出了一种神经网络与图像处理技术相结合的钛合金工件磨削表面烧伤裂纹的自动识别算法。该方法中磨削表面图像由彩色CCD获得，首先转化为灰度图像，然后转化为二值点阵图像，再经过点阵数据编码压缩处理表征为模式特征，然后利用BP神经网络和遗传算法相结合的方法训练前向多层神经网络，最后利用训练后的神经网络对磨削表面的烧伤裂纹进行识别。实验及仿真结果表明：该模型的神经网络稳定，学习收敛速度快，具有很强的记忆能力和推广能力，对解决钛合金的磨削烧伤裂纹的实时自动识别问题具有良好的适应性，总有效率达到88％左右。     

基于细胞神经网络的图像边缘检测研究

提出一种数字图像边缘检测算法,采用差分进化算法优化细胞神经网络,通过简单的训练图像对细胞神经网络的模板参数进行适应性调整,得到边缘检测算子,采用该算子提取图像的边缘.实验结果验证了算法的有效性,该算法能够获得较好的图像边缘.     

基于Isight的自适应翼型前缘气动优化设计

为了兼顾翼型在各个飞行状态下的气动效率,基于Isight优化设计平台对自适应翼型前缘进行了气动优化设计研究.首先对Hicks-Henne型函数进行了改进,实现了翼型前缘的参数化描述;然后采用拉丁超立方实验设计方法生成样本点,并运用CFD软件进行翼型流场的气动计算,进而利用该样本数据完成对RBF神经网络的训练;最后对神经网络近似模型应用多岛遗传算法进行优化.以NACA 0006翼型为例,采用上述组合优化策略以升阻比为目标函数进行优化设计.仿真结果表明:改进后的Hicks-Henne型函数较好地描述了翼型前缘;组合优化方法显著提高了翼型气动优化效率.     

一种模块化神经网络的人耳识别方法

提出了一种基于模块化神经网络的人耳识别方法。对人耳图像进行一系列的预处理后,采用PCA方法对图像进行特征提取。构建了模块化神经网络模型,并用分层遗传算法对该模型进行优化,选择训练阶段样本和测试阶段样本对人耳图像进行训练和测试,得出识别率。实验结果表明,基于模块化神经网络的人耳识别相对于传统的神经网络优化了设计参数,得到最优体系结构,提高了人耳识别率。     

基于多维PCNN的彩色枸杞细胞显微图像的边缘检测

改进脉冲耦合神经网络模型,结合矢量运算,提出一种基于多维脉冲耦合神经网络的边缘检测模型,直接提取彩色细胞图像边缘,且本模型算法在染色不均匀造成的弱边缘检测和抗噪性能等方面表现优异.仿真和实验结果进一步表明了该算法的有效性.     

基于卷积神经网络的细胞图像分割与类型判别

组织细胞图像形态各异、大小不一、纹理变化多样等特点,导致难以精准地分割细胞区域的问题,对此提出了一种基于卷积神经网络(CNN)和边缘聚类方法的新算法.对原始切片采用染色校正预处理,提高色彩对比度,利用CNN得到初步分割结果,结合边缘聚类方法提升初步分割结果的连续性和完整性.在此基础上,结合计算机视觉技术,获得分割图像中细胞颗粒的基本属性特征,并使用Softmax分类器判别细胞类型.实验结果表明:相较于经典的卷积神经网络、阈值分割、模糊聚类等细胞图像分割算法,该算法在分割结果的完整度方面提升了6.15个百分点.     

利用对抗性边缘学习模型生成超分辨率图像

大部分基于卷积神经网络的图像超分辨率方法都是采用端到端的模式,这类图像超分辨率方法往往存在重构图像纹理边缘模糊、高频信息缺失的问题.为了改善该问题,在SRGAN(super-resolution generation adversarial networks)的基础上提出了一种基于对抗性图像边缘学习的深层网络模型,将图像边缘信息得到充分利用,来引导超分网络生成更加真实的高分辨率图像.该网络模型由两个生成对抗网络所组成,首先利用一个生成对抗网络来生成低分辨率图像所对应的高分辨率边缘特征图,然后再用高分辨率边缘特征图来约束和引导第二个生成对抗网络,使之重构出来的高分辨率图像纹理边缘更加清晰,更好地恢复图像边缘的高频细节.在Set5、Set14、BSD100、Urban100和Manga109基准测试集上的实验结果表明该算法重构出的高分辨率图像更加接近真实的图像,在峰值信噪比、结构相似度和感知指标上都有不错的表现.     

基于人工神经网络遥感图像分类的应用研究

阐述了遥感图像分类处理中应用BP神经网络的方法,在ENVI平台下,对基于BP神经网络的分类方法进行了研究。结果表明：基于BP网络神经的遥感图像分类效果是相当突出的,是一种非常有效地处理遥感图像的方法。     

输电线路除冰机器人基于小波矩及SVM的障碍物识别研究

障碍物检测与识别是高压输电线路除冰机器人自主越障和行走的前提条件.本文根据除冰机器人自身结构以及高压线路工作环境的要求,设计了一种障碍物智能识别方法.首先对机器人在线拍摄的障碍物图像进行预处理、最佳阈值处理,然后用小波模极大值计算二值图像边缘,再计算具有不变性的图像小波矩,把优化后的小波矩特征输入支持向量机(SVM)进行分类,从而实现对障碍物的识别.实验表明:障碍物的小波矩特征向量稳定可靠,SVM目标识别准确率高,利用两者优势对障碍物进行识别是一种切实可行的方法。     

轮式机器人遗传模糊神经网络转向控制

针对数学模型复杂的轮式机器人的转向控制问题，使用基于遗传算法的模糊神经网络转向控制方法．首先建立车辆的神经网络模型，然后构造模糊神经网络控制器，再用遗传算法寻找模糊神经网络控制器的参数，最后提高控制器对速度变化的适应性．仿真表明，该方法可以对机器人的转向进行有效控制，效果良好，能适应各种不同速度变化，是一种有实用意义的控制方法．