用于图像目标识别的神经网络方法

本文提出了一种全局最优的神经网络（ＦｕｌｌＤｏｍａｉｎＯｐｔｉｍｕｍＮｅｕｒａｌＮｅｔｗｏｒｋ）模型用于目标识别。通常所设计的神经网络不能保证全局最优，使得网络不一定收敛到期望样本点上。本文的模型采用了先设计稳定点、再构造吸引域的方法，提高了网络的识别正确率及速度。针对图像识别中矢量维数大的实际，提出了一种不变性方法，使得样本维数下降而分类距离保持不变。同时又证明了网络的收敛性、收敛速度及映射保距等。计算机模拟结果表明，网络对噪声或缺损图均能正确识别。     

LBAM神经网络及其在图像识别中的应用

本文提出了一种用于图像识别的神经网络。它由映射网络ＭＮ和ＬＢＡＭ网络组成。ＭＮ中使用了不变性换法，降低了图像样本的维数肯保持分类距离不变。在设计ＬＢＡＭ网络时，通过全局考虑，使得网络的吸引点和吸引区域满足实际全局最优之需要。ＬＢＡＭ具有网络结构简单和收敛速度快的优点，计算机模拟证实，此网络具有对缺损和噪声图像进行正确识别的能力。     

序列图像中动目标定位

给出了一种新的动目标定位方法，它可以快速准确地从复杂背景中确定动目标的位置和大小，此法充分利用序列图像特性，采用减影法提取动目标，由于实际情况中噪声无法避免，故提出了快速中值滤波方法以有效地滤除大量噪声，为了快速准确地定位目标，事先采用了映算法，然事提出了一种区域生长分割算法ＲＧＳＡ（ＲｅｇｉｏｎＧｒｏｗｉｎｇ Ｓｅｇｍｅｎｔａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ）定位动目标，ＲＧＳＡ还适用于多目标情况，     

用于图像识别的新型神经元网络

提出了一种用于图像识别的映射正交神经元网络。在一般情况下待识别的样本空间的维数相当大，为了有效地进行识别，必须把样本空间的维数降下来。目前常用的方法就是特征提取法，本文采用映射正交过程把样本空间映射成正交分类空间，并在此基础上，采用Ｈｏｐｆｉｅｌｄ网络进行图像分类。计算机上模拟结果表明，此网络具有对缺损和噪声图像进行正确识别的能力。     

任意图像的主方向定位

本文提出了一种寻找任意图像主方向的系统性算法。通过分析图像ｆ（ｒ，θ）的对称性，确定其在［０，２π）内的周期数Ｋ。周期数为Ｋ的图像ｆ（ｒ，θ）具有性质ｆ（ｒ，θ）＝ｇ（ｒ，Ｋθ），图像ｆ（ｒ，θ）的主方向寻找归结于图像ｇ（ｒ，θ）的主方向寻找。就ｇ（ｒ，θ）可能的一系列复杂情形作了分析，并与ＦＰＡ和ＦＩＳＳＰ进行了比较。实验结果证明，本文提出的方法具有任意图像的主方向定位功能。     

基于神经网络的自适应图像分割

非均匀光照条件下的图像目标难以用阈值选取方法分割，本文使用神经网络建立自适应阈值曲面，以此作为图像分割的依据．自适应阈值曲面由图像中具有高Ｌａｐｌａｃｅ值的边缘拟合而成，拟合过程由神经网络实现．计算机摸拟证实了此设想的可行性以及相对阈值分割方法的优越性．     

归一化方法用于PSRI目标识别

本文介绍了一种解决位移，大小和旋转不变性的归一化方法，图像的归一化由矩来实现，其中解决方向不变性采用了二点法。为了提高归一化后的二值图像相互之间的正交性，文中采用了反归一化方法，在此基础上应用ＦＤＯ神经网络进行目标分类，实验结果证明，此系统具有较好的分类能力。