基于改进BP神经网络的岩心图像分割方法研究

图像分割是提取岩心孔隙结构特征的重要基础,为解决传统图像分割方法对岩心图像分割精度不高的问题,利用遗传算法对传统BP神经网络图像分割方法进行优化,通过提取岩心图像领域特征,进一步对训练样本进行了修正。利用改进的BP神经网络岩心图像分割方法,分别从整体连通领域、局部领域和边缘领域3个方面对岩心图像进行分割。与ImageJ软件和传统BP神经网络的岩心图像分割结果对比表明,改进的BP神经网络能够自主学习岩心图像中的整体连通结构、局部领域结构以及边缘结构特征,实现了对岩心图像的智能化分割,提高了BP神经网络对岩心图像分割的准确度与速度。     

用神经网络进行车牌定位的研究

该文采用BP人工神经网络模型 ,研究汽车图像中车牌定位的神经网络方法。选取训练样本图像 ,以人工定位后的图像为导师信号 ,将图像的灰度序列采用BP算法进行训练 ,获得有效的网络权值。试验结果表明 ,用BP网络对灰度图像进行感知能够获得较好的定位效果     

基于BP网络的人眼组织切片图像角膜分割

角膜是人眼的一个关键部分,了解角膜的精细结构具有十分重要的意义.本文提出了一种基于BP(Back-propagation)网络的,针对组织切片图像序列提取角膜局部信息的新方法.首先对切片序列进行预处理,截取包含角膜信息的原1/2图像,其次选取预处理过的图像序列中角膜颜色差异的若干图片做训练样本,以人工分割后的图像作为导师信号,通过分析选取6个图像特征作为输入向量,对三层BP神经网络进行训练.训练完成后,采用该网络对图像序列进行分割,最后对分割图像进行后处理包括区域分割、孔洞填充及恢复图像大小.实验结果表明,该方法能够获得较好的图像序列分割效果,为角膜精细形态模型的建立及其后续研究打下基础,同时也为眼内其他重要结构的分割提供一种参考方法.     

基于Zernike矩和BP神经网络的纹理分割

提出了一种基于Zernike矩和BP神经网络的纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Zernkie矩,然后通过非线性变换器将得到的矩值转换成纹理特征;选择BP神经网络作为分类器,将图像的每个像素得到的n维特征向量输入BP神经网络进行分类,最后将结果标注在原图像上.和基于Legendre矩的纹理分割结果相比,基于Zernike矩的纹理分割可以降低分割错误率.     

基于优化BP神经网络的图像分割实现

神经网络在图像分割时需要计算大量的训练数据,计算速度跟不上实时数据处理,造成分割图像的质量较差的问题,分析了传统优化BP神经网络算法中存在的问题,提出了一种将增加动量项与自适应调整学习率相结合的优化BP神经网络图像分割方法,该方法可以加快迭代速度,还可以跳出过早局部极小值的局面。最后对经典图像进行分割实验验证,取得较好的效果,同时该算法还有效的缩短了图像分割的时间。     

一种复杂背景下的多车牌图像分割与识别方法

提出一种复杂背景下的多车牌图像分割和知识方法，采用统计和特征匹配相结合的方法去除待识别图像中的背景，提取可能存在车辆的区域；分别对可能的车辆区域进行局部边缘检测，并使用车牌的先验知识确定车牌的位置和单个字符分割，包括车牌倾斜时的字符分割，使用PCA和BP神经网络相结合的方法精确识别车牌，实验结果表明，该方法对复杂背景下多车牌的分割和识别是有效的。     

基于BP神经网络的玉米单倍体种子图像分割

以单倍体育种产生的经遗传标记后的玉米品种1050-37为研究对象,研究种子图像的颜色模式类别,将单个玉米种子划分为紫色标记区域、黄色区域和白色区域进行分析.通过分析图像在归一化rgb,HSV模型下的不同颜色特征,选取其中7个作为输入特征参数,构建了一种3层BP神经网络模型,从而实现玉米单倍体种子图像的有效分割.试验表明...     

激光图像检测压实土密实度的方法研究

为了检测压实土密实度,搭建了激光图像检测密实度装置,并研究了该检测方法.选取压实土吸收系数、散射系数、激光光斑周长、图像灰度梯度作为神经网络模型的输入特征参数;最后,利用BP神经网络预测密实度.结果表明:(1)BP神经网络经过85次学习后达到了要求的误差;(2)利用系统预测的密实度数值与环刀法检测值相比较,平均绝对误差为0.115和平均相对误差为12.57%.因此,该检测方法检测压实土密实度是可行的.     

基于图像分割的驾驶员分心行为识别研究

针对驾驶员分心行为对交通安全产生隐患的问题,提出一种结合图像分割与卷积神经网络的驾驶员分心行为检测方法。该方法通过使用图像分割处理后的驾驶员不同分心行为的图像对卷积网络结构模型进行训练,来减轻背景噪声的影响,以提高模型的识别性能。试验中使用未经分割的图像与经过前景分割后图像分别训练卷积神经网络模型,用分割后图像训练的模型识别的准确率达到了93.84%,高于使用原图像训练的模型。试验结果表明,结合图像分割和深度学习的驾驶员分心行为检测方法对驾驶员的分心行为有较好的检测效果。     

径向基神经网络算法在车牌字符识别中的应用

提出一种基于径向基网络的汽车车牌字符识别算法.在预处理阶段,采用灰度化、自适应阈值分割去除图像噪声并增强图像对比度;在字符分割阶段,采用极限元素位置确定法实现独立字符分割;在字符识别阶段,利用自行构建的字符子块图像库对径向基神经网络进行训练.选取基于反向传播(BP)神经网络的字符识别算法和基于支持向量机(SVM)的字符识别算法与文中方法进行比较.实验结果表明:文中方法在识别准确率上具有明显优势,更适用于汽车车牌的字符识别.     

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     

基于稀疏自编码的手指静脉图像分割

针对获取的手指静脉图像不仅包含静脉特征,而且包含噪声和不规则阴影,从而增加了特征提取难度的问题,提出了一种基于稀疏自编码的手指静脉图像分割算法;首先采用传统分割算法对原始灰度图像进行分割,得到一副二值图像(背景像素值为0,静脉像素值为1);然后,以该灰度图像的每个像素点为中心,对其进行图像分块,并将二值图像中对应于中心点的值(0或者1)作为该块的标签,建立训练集合;最后,将训练样本(分块图像和标签)输入到自编码器和神经网络中进行训练,再用训练好的模型对测试图像进行分割;实验结果表明,相比传统的算法,提出的手指静脉分割算法能够有效地对静脉进行分割,提高手指静脉认证系统的认证精度。     

基于色彩通道融合的火焰图像分割

提出了基于色彩通道融合的回转窑火焰图像分割方法,由彩色火焰图像的红绿通道、红蓝通和绿蓝通道构成三幅新的图像,分别从中提取训练样本集,对三个神经网络进行训练,神经网络收敛后,各自对相应的图像进行分割,会得到三种不同的结果,采用均值、中值、模糊逻辑和神经网络四种方法将其进行融合,会得到很高的分割准确率,实验结果表明该方法是可行的。     

Surface Quality Evaluation of Fluff Fabric Based on Particle Swarm Optimization Back Propagation Neural Network

Aiming at the problem that back propagation(BP) neural network predicts the low accuracy rate of fluff fabric after fluffing process,a BP neural network model optimized by particle swarm optimization(PSO) algorithm is proposed.The sliced image is obtained by the principle of light-cutting imaging.The fluffy region of the adaptive image segmentation is extracted by the Freeman chain code principle.The upper edge coordinate information of the fabric is subjected to one-dimensional discrete wavelet decomposition to obtain high frequency information and low frequency information.After comparison and analysis,the BP neural network was trained by high frequency information,and the PSO algorithm was used to optimize the BP neural network.The optimized BP neural network has better weights and thresholds.The experimental results show that the accuracy of the optimized BP neural network after applying high-frequency information training is 97.96%,which is 3.79% higher than that of the unoptimized BP neural network,and has higher detection accuracy.     

基于自组织特征映射的图像分割算法研究

提出了一种基于自组织特征映射的图像分割算法,实现了计算机对图像的初步理解,从而在某种程度上模拟了生物的初级视觉功能．通过分析研究Kohonen网络的自组织特征映射过程,构造了基于Kohonen网络的图像分割神经网络方法,应用自组织特征映射方法将原始图像分割为有序化的相关特征区域．最后结合图像分割的特点对算法进行了改进,结合有监督的学习算法,使得图像的分割最终在先验知识的指导下进行．实验结果表明将Kohonen网络应用于图像分割使得算法具有很强的自适应性,能够在很大程度上避免背景及噪声对分割的影响．     

一种基于简化PCNN的色盲检测图分割方法

在色盲检测图及脉冲耦合神经网络(pulse-coupled neural networks,简称PCNN)的基础上,提出一种基于简化PCNN模型的色盲检测图分割方法,该方法首先根据欧式距离计算彩色图像色差,通过设定一个合适的阈值,将与红色相似的颜色替换成白色,初步分离图像中的目标与背景,对预处理后的色盲检测图像,用典型的PCNN简化模型对其红色分量进行分割,最后用形态学闭运算优化得到最终的分割结果.实验结果表明,该方法能准确分割出色盲图像中的图形,且简单有效.     

基于混合神经网络的脑部MRI图像语义分割算法

针对传统医学图像对缺乏标注的数据进行自动分割时存在分割精度不高、边缘模糊等问题,提出了一种利用混合神经网络对脑部核磁共振成像(magnetic resonance imaging,MRI)的图像进行语义分割的算法。利用仿射网络对脑部MRI图像进行线性几何变换,基于卷积神经网络进行3D医学图像仿射变换,加入稠密模块减轻梯度消失和加强特征传递问题; 通过空间转换网络对脑部MRI进行空间转换,基于图谱的分割法获得脑部图像的分割结果。采用MICCAI的公共数据集BraTs2019进行实验验证,结果表明,算法可由脑部肿瘤MRI图像获得较好的分割精度和分割效率,为脑部MRI图像语义分割的研究提供一种新的实验方案。     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

基于神经网络的眼底视杯图象分割技术

根据眼底图象中视杯的边沿特征,提出了一种基于ＢＰ神经网络的视杯分割方法,详述了这种方法的实现过程,并研究了ＢＰ学习算法的加速问题．实验证明,这种方法的分割效果较好．