SGNN优化算法的研究及其在图像分割中的应用
神经网络算法在图像处理中的应用与改进
神经网络算法在图像处理中的应用与改进概述图像处理是计算机视觉领域的重要研究方向，它涉及对图像的获取、编辑、分析和识别等多个方面。
神经网络算法作为一种类似人脑神经元网络的模型，已经成功应用于图像处理中，包括图像识别、图像分割、图像去噪等任务。
本文将探讨神经网络算法在图像处理中的应用，并讨论一些改进措施。
神经网络在图像识别中的应用神经网络算法在图像识别中发挥了重要作用，特别是深度学习方法的出现。
深度学习通过多层神经网络逐步提取图像特征，并通过训练算法进行图像分类。
例如，卷积神经网络（CNN）是图像识别领域中最常用的神经网络模型。
CNN使用专门的卷积层和池化层来提取图像的特征，并通过全连接层进行分类。
此外，循环神经网络（RNN）在图像生成和图像描述领域也取得了很大的成功。
神经网络在图像分割中的应用图像分割是将图像划分为不同的区域或对象的过程。
传统的图像分割方法需要基于特定的手工设计特征，而神经网络可以通过学习数据的特征自动完成图像分割任务。
例如，全卷积神经网络（FCN）是一种用于图像分割的神经网络模型，它将卷积网络转换为全卷积网络，以适应不同尺寸的图像。
FCN通过卷积运算和上采样操作来生成与输入图像尺寸相同的分割结果，有效地解决了图像分割中尺寸不匹配的问题。
神经网络在图像去噪中的应用图像去噪是图像处理中一个重要的任务，它的目标是从带有噪声的输入图像中恢复原始图像。
神经网络算法在图像去噪中也取得了显著的成果。
传统的图像去噪算法通常基于统计模型，而神经网络算法通过学习大量的输入和输出样本，可以自动从数据中学习到图像的噪声模型。
例如，基于深度学习的卷积神经网络（DnCNN）是一种常用的图像去噪方法。
DnCNN通过多层卷积运算学习到图像的噪声特征，并进行去噪处理，从而提高了图像的质量。
神经网络在图像处理中的改进尽管神经网络在图像处理中取得了显著的成果，但仍然存在一些问题和挑战。
首先，神经网络需要大量的标注数据进行训练，而获取和标注大规模数据集是一项耗时且昂贵的任务。
智能优化算法在图像分割中的性能分析
ａ ｎｄ ｒ ｕ ｎｎ ｉ ｎ ｇ ｔ ｉ ｍｅ ｈ ａ ｓ ｏ ｂ ｔ ａ ｉ ｎ ｅ ｄ ｔ ｈ ｅ ｂｅ ｔ ｔ ｅ ｒ ｅ ｆ ｆ ｅ ｃ ｔ ． Ｋｅ ｙ Ｗｏ ｒ ｄ ｓ ｉ ｍａ ｇ ｅ ｔ ｈ ｒ ｅ ｓ ｈ ｏ ｌ ｄ ｉ ｎ ｇ ｓ ｅ ｇｍｅ ｎｔ ａ ｔ ｉ ｏ ｎ，ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｓ ｗａ ｌ Ｔ ｎ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ，ａ ｎｔ ｃ ｏ ｌ ｏ ｎｙ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈｍ
ＬＩ Ｕ Ｎａ 儿 ＡＮＧ Ｙ ａ ｎ
（ Ｓｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｐｕｂ ｌ ｉ ｃ Ａｄ ｍｉ ｎ ｉ ｓ ｔ ｒ ａ ｔ ｉ ｏ ｎ，Ｈｕ ｂｅ ｉ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｍｅ ｄ ｉ ｃ ｉ ｎｅ ，Ｓ ｈ ｉ ｙ ａ ｎ ４ ４ ２ ０ ０ ０ ）
总第 ２ ８ ３期
计 算 机 与 数 字 工 程
Ｃｏ ｍｐ ｕ ｔ ｅ ｒ＆ Ｄｉ ｇ ｉ ｔ ａ ｌ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
Ｖｏ １ ． ４ １ ＮＯ ． ５
８０ ８
２ ０ １ ３ 年第 ５ 期
改进的KNN算法及其在医学图像处理中的应用
ｏｔ ｎｄｂ —ｍ ａ ｓ ｌｓ ｒ ｇａ ｏ ｔｍ，ａ ｇｒｅ ８ｔ ｉｉｇｓ ｐｅ．Ｉ ａｄｔ ｎ ｅ ｒ Ｋ Ｎ ｍ ｔｏ ｓａｐｉ ， ｂａ ｅ ｙｋ ｅ ｕｔ ｎ ｇｒ ｉ ｎ ｃ ｅ ｉ ｌ ｉ ｈ ｒ ｒ ａｄｄ８ ａｎ ａ ｌ ｅｅ ｒ ｎ ｍ ｓ ｎ ｄ ｉｏ ，ｂｆ ｅ Ｎ ｅｈｄｉ ｐ ｌｄ ｉ ｏ ｅ
维普资讯
泰
பைடு நூலகம்
山
医 学
院
学
报
Ｊ ＯＵＲ ＮＡＬ Ｓ ＯＦＴＡＩ ＨＡＮ Ｍ Ｅ ＣＡＬ ＣＯＬ ＥＧＥ Ｖｏ． ７ Ｎｏ ６ ２ ０ ＤＩ Ｌ １２ ． ０ ６
改进 的 Ｋ Ｎ算法及其在医学图像 处理中的应用 Ｎ
王 清， 马 华， 孙 静， 韩忠 东
（ｃ ｏｌ ｆ ｎｏ ｔ ｎＥ ｇ ｅｒ ｇ Ｔ ｉ ａ ｄｃｌ ｏｅｅ Ｔ ｉｎ２ １ １ Ｓｈｏ ｆｒ ｉ ｎｉ ｅ ｎ ， ａ ｈｎＭｅ ｉ ｌ ｇ ， ａａ ７ ０ ６） ｏ Ｉ ｍａ ｏ ｎ ｉ ｓ ａＣ ｌ
Ａ ｓ ａｔ Ｏ ｃｖ ： ｅ ｇｅ ｃｒｓｎｎ ｅ（ ｂｔ ｃ： ￣ｅｆｅ ｗｈｎｍａｎ ｔ ｅｏ ａｃ ＭＲ）ｉ ｇｓａ ｅｍ ｎｅ ｙｋ—ｎ ａ ｓ ｎｉ ｂｒ（ Ｎ ｌｇ— ｒ ｉ ｉ ｍａｅ ｒ ｓｇ ｅ ｔ ｂ ｅ ｄ ｅｒ ｔ ｅ ｈ ｏ Ｋ Ｎ）ａ ｏ ｅ ｉ ｇ
Ｍ ｏ ｉ ｅ —ＮＮ ｌ ｏ ｉ ｍ ｎ ｔ ｐ ｉ ａ ｉ ｎ ｔ ｅ ｉ ａ ｍ ａ ｅ Ｐ ｏ ｅ ｓｎ ｄｆ ｄＫ － ｉ ａｇ ｒｔ ｈ ａ ｄ Ｉｓ Ａｐ ｌ ｔ ｏ Ｍ ｄ ｃ ｌＩ ｇ ｒ ｃ ｓ ｉ ｇ ｃ ｏ
Ｗ Ｎ 垤 ， Ａ Ｈ ａ Ｓ Ｎ ｉ ， ／Ｎ Ｚ ｏ ｇ一 ｇ Ａ ＧＱ Ｍ ｕ ， Ｕ Ｊｎ ／ ｈｎ 幽凡 ｇ Ａ
孪生神经网络及其在图像处理中的应用研究
孪生神经网络及其在图像处理中的应用研究孪生神经网络（Siamese Neural Networks）是一种用于比较两个输入的神经网络结构。
它最早被用于计算机视觉领域中的人脸识别任务，但现在已被广泛应用于各种图像处理任务中，如图像匹配、目标跟踪、图像分类等。
孪生神经网络的核心思想是通过两个相同的神经网络分别处理两个输入，然后将两个输出向量进行比较。
这两个输入可以是任意维度的，不限于图像。
一般来说，孪生网络的主要目标是学习一个映射函数，使得输入对之间的距离能够反映它们之间的相似度。
在图像处理中，孪生神经网络可以用于各种任务。
其中一个重要的应用是图像匹配。
通过将两个输入图像分别经过神经网络，得到它们的特征向量表示，然后通过比较这两个特征向量之间的距离来判断它们是否匹配。
这种图像匹配方法被广泛应用于人脸识别，指纹识别等领域。
另一个常见的应用是目标跟踪。
通过将目标的初始图像及其在后续帧中的图像，分别输入到两个神经网络中，可以得到它们的特征表示。
通过比较这两个特征向量的相似度，可以判断目标在后续帧中的位置，并实现目标的跟踪。
除此之外，孪生神经网络还可以用于图像分类任务。
通过将训练集中的图像分别经过两个神经网络得到它们的特征向量，然后通过比较这两个特征向量之间的距离来判断图像的类别。
这样的方法可以在训练集中实现良好的类别划分，从而在测试集中进行准确的图像分类。
孪生神经网络在图像处理中的应用研究还有很多。
例如，它可以用于图像检索任务，通过比较输入图像与数据库中存储的图像之间的相似度，从而找到最相似的图像。
此外，它还可以用于图像生成任务，通过对两个输入图像的特征向量进行插值，生成具有混合特征的新图像。
在研究孪生神经网络及其应用时，有几个关键问题需要解决。
首先，网络的架构设计非常重要，如何设计网络结构以充分捕捉图像的特征信息是一个挑战。
其次，网络的训练方法也需要仔细考虑。
由于孪生网络需要比较两个输入之间的相似度，因此合适的损失函数设计非常重要。
G-N算法解读
25
• 正确的求解加权网络中边的介数的方法应该是在忽略 边的权重的情形下，计算网络中各边的介数，然后定 义加权网络中边的介数为以上无权情形下求得的边的 介数除以该边的权重，这样权重越大的边得到的边的 介数越小，因而被移除的概率越小，符合社区结构划 分的定义。
26
• 因此把GN算法推广到加权网络的描述为：首先不计 网络中边的权重，计算各边的介数，然后用以上所求 边的介数除以该边的权重得到加权网络中边的介数， 移除具有最大边介数的边，重复以上步骤，直到每个 结点就是一个退化的社区为止。
29
19
六、GN算法的缺点
• GN算法的缺点 计算速度慢，边介数计算的开销过大，时间复杂 性高，只适合处理中小规模的网络(包含几百个节点的 网络)。
20
七、改进的GN算法
GN算法虽然准确度比较高，分析社区结构的效果 比原有的一些算法好，但是它的算法复杂度比较大， 因此仅仅局限于研究中等规模的复杂网络。现在，对 于Internet、WWW、电子邮件网络等网络的研究越 来越多，而这些网络通常都包含几百万个以上的结点。 在这种情况下，传统的GN算法就不能满足要求。基于 这个原因，Newman在GN算法的基础上提出了一种快 速算法(Newman Fast Algorithm，以下简称NF算法)， 它实际上是基于贪婪算法思想的一种凝聚算法，可以 用于分析结点数达100万的复杂网络。
21
• NF算法如下： • 步骤1:初始化网络为n个社区，即每个结点就是 一个独立社区。则在GN算法中讨论过的矩阵 E=(eij)中，初始的eij，和口ai满足：
其中ki为结点i的度，m为网络中总的边数。元素e ij 表示网络中连接第i 个社区和第j 个社区节点的边在所有 边中所占的比例。a i 它表示与第i 个社区中的节点相连 的边在所有边中所占的比例。
面向图像语义分析的JSEG改进分割算法
[11 0
O
O
提取 进 而 对 图像 语 义 的 分 析 和 理 解 产 生 影 响
图像 分 割是
一
。
合 人 类 视 觉感 知 的
，
O O
O
O
种 基 本 的计算机 视 觉 处 理 技术 是 从
。
(P e e r
i Gr o u p F ilte r
，
次包含关 系 的
一
…
，
因 此 图像 分 割
是 其 中极 为 重 要 和 基 础
颜色 区域 得到
，
一
幅 每 个 像素用 不 同的量 化颜 色类 标记 的
Iu V
g
，
幸
O
O
步 区 域分割 的准 确 性 直 接影 响 到 图像 中对 于 目标 的
，
，
类图
。
颜 色量 化 首 先 将 图 像 的颜 色 空 间 转 换 成 为 比 较 符
n
PGF
对 图像 进 行 平 滑 去 噪 用 分
，
图 像基 本 处 理 到 图像 分 析 的 关 键 环 节 量 的相关 研 究 主要 有 基 于 聚类
，
目前 对 其 已 有 大
”0
、
裂 算 法 确定 图像 的类数 ； 最后 采用
A lgo r i thm
GLA
( Ge
n e ra
liz e d L lo y d
in g
r e ；
g io
n
m e r
g in g
日前 如 何 对 图像 进 行 准 确 的 语 义 分析 非 常热 门
，
改进DBSCAN算法在图像分割中的应用
改进DBSCAN算法在图像分割中的应用图像分割是图像处理中一个重要的研究领域，其主要目的是将图像分成不同的区域，从而提取出感兴趣的特征和目标。
随着深度学习的发展，基于卷积神经网络的图像分割方法已经在很多领域得到了广泛的应用。
但是，这些方法需要大量的样本和计算资源，且在一些特定的场景中表现较差。
相对而言，传统的聚类算法在一些简单的场景中表现也非常出色，例如K-Means、Agglomerative Clustering和DBSCAN等。
然而，在图像分割领域中这些聚类算法也需要根据实际场景做出适当的改进。
本文将对改进过的DBSCAN算法在图像分割中的应用进行探讨。
1. DBSCAN算法简介DBSCAN算法是一种基于密度的聚类算法，它能够自动地将数据集分成密度可达的多个类别，并将噪声数据归为一类。
该算法采用了一种相对简单的方式来区分噪声和真实的簇，在数据集中，将具有高密度的数据点归为一类（核心点），而不具备高密度但是与核心点相连的数据点则视为边界点，而孤立的非核心点被视为噪声数据点。
提出DBSCAN算法的Martin Ester等学者认为，最重要的两个参数是epsilon和minPts。
epsilon表示搜索邻域的距离半径，minPts为一个数据点要被视为一个核心点所需要的的邻域内的最低邻居数。
DBSCAN算法对于噪声点的处理也具有优势，以及对于凸的和非凸的数据集都具有较好的适应性。
2. 改进过的DBSCAN算法然而，原始的DBSCAN算法在一些场景下并不能很好地表现。
例如，在数据集分布不均匀的情况下，参数的选择变得非常困难，而且在数据集的分布比较复杂或者存在噪声的情况下，核心点的选择对于聚类的结果也会有较大的影响。
为了解决这些问题，学者们对DBSCAN算法进行了改进。
其中，主要有以下几种改进方式：1. 基于网格的DBSCAN算法该算法的基本思想是在二维平面上设定一定数量的网格，对于每一个网格节点，统计它邻域中的数据点数量，作为该节点的密度值。
智能优化算法在图像分割中的性能分析_刘娜
＊
摘 要 在阈值分割算法中 ， 确定最优阈值是图像分割的关键 。 但 阈 值 的 选 取 大 多 采 用 穷 尽 的 搜 索 方 式 ， 运 算 效 率 较 低， 抗噪能力不 强， 容易产生误分割 。 针对这些问题 ， 考虑采用智能优化算法来搜寻最优阈值 ， 旨在最大限度地提高寻优效率和寻优精度 。 微粒群算法和蚂 蚁算法是具有代表性的仿生优化算法 ， 将它们实施于图像分割的应用领域 ， 对微粒群算法和蚂蚁算法的阈值分割效果进行了比较分析 ， 实验 数据表明 ， 微粒群算法更容易实现 ， 在寻优阈值和运行时间方面取得了更好效果 。 关键词 阈值分割 ；微粒群算法 ；蚂蚁算法 中图分类号 Ｔ Ｐ ３ ９ １
４］ 。 取得较好的分割效果 ［
用以模拟鸟 １ ９ ８ ６年， Ｃ ｒ ａ ｉ Ｒ ｅ ｎ ｏ ｌ ｄ ｓ提出了 Ｂ ｏ ｉ ｄ 模型 ， ｇ ｙ 类聚集飞行的行为 。 仿真的目的主要是研 究 如 何 对 各 种 可 能的运动进行描述和控制 。 通过对现实世 界 中 这 些 群 体 运 动的观察 ， 在计算机中复制和重建这些运 动 轨 迹 ， 并对这些 以发现新的运动模式 。 运动进行抽象建模 ， 生物学家 Ｆ ｒ ａ ｎ ｋ Ｈ ｅ ｎ ｅ ｒ在 Ｂ ｏ ｉ ｄ 模型的基础上增加了 ｐ ｐ 提出了新的鸟群 一个仿真条件 — 鸟类 被 吸 引 飞 向 栖 息 地 ， 鸟群在刚飞起的时候并 没 有 目 的 地 ， 在空 模型 。 在仿真中 ， 直到群体中的一只鸟 飞 向 栖 息 地 ， 当设 中自然地形成群体 ， 置期望栖息比期望留 在 鸟 群 中 具 有 较 大 的 适 应 值 时 ， 每只 随后就自然形 成 鸟 群 ， 整个群体 鸟都离开群体飞向栖息地 ， 飞向栖息地 。 鸟类寻找栖息地 与 对 一 个 特 定 问 题 寻 找 解 很 相 似 ， 已 增 经找到栖息地的鸟引 导 它 周 围 的 鸟 飞 向 栖 息 地 的 方 式 ， 加了整个鸟群都找到栖息地的可能性 。 美 国 社 会 心 理 学 家 Ｊ ａ ｍ ｅ ｓ Ｋ ｅ ｎ ｎ ｅ ｄ ｕ ｓ ｓ ｅ ｌ ｌ Ｅ ｂ ｅ ｒ ｈ ａ ｒ ｔ受到这个模 ｙ 和电气工程师 Ｒ 型的启发于 １ ９ ９ ５年共同提出了微粒群优化算法（ Ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ
高斯混合模型在图像分割中的应用
高斯混合模型在图像分割中的应用随着科学技术的发展，计算机视觉已经成为了一个热门的研究方向，并且在很多领域有了广泛的应用。
图像分割是计算机视觉中的一个关键技术，在很多领域都有着广泛的应用。
而高斯混合模型（GMM）则是图像分割中最具有代表性的算法之一，接下来本文将会详细讲解高斯混合模型在图像分割中的应用。
一、高斯混合模型的基本概念高斯混合模型是一个将若干个高斯分布函数按照一定的权重线性组合起来的概率模型，其中每一个高斯分布函数都代表着一种特定的颜色或者纹理形状。
高斯混合模型可以用来对图像中的像素进行聚类，将同一物体的像素聚到一类中，以达到图像分割的目的。
在高斯混合模型中，每一个像素的概率都可以由下式计算得到：P(x)=Σi=1kwiN(x;μi,Σi)其中，k是高斯混合模型中高斯分布函数的个数，wi是第i个高斯分布函数的权重，μi和Σi分别是第i个高斯分布函数的均值和协方差矩阵，N(x;μi,Σi)是高斯分布函数的概率密度函数。
二、高斯混合模型在图像分割中的应用在图像分割中，高斯混合模型可以分为两个步骤：建立高斯混合模型和使用高斯混合模型进行分割。
1、建立高斯混合模型建立高斯混合模型的第一步是确定高斯分量个数k，这个通常需要通过试验和比较来决定。
然后，我们需要初始化每一个高斯分量的均值和协方差矩阵。
初始均值可以随机选择或者根据一些经验确定。
协方差矩阵可以初始化为单位矩阵或者根据颜色空间的一些属性来确定。
接着，我们需要通过迭代优化来更新每一个高斯分量的均值和协方差矩阵，以及每一个高斯分量的权重。
迭代过程直到似然函数稳定或者达到一定的迭代次数为止。
2、使用高斯混合模型进行分割对于待分割的图像，我们可以将其所有像素的颜色值输入到高斯混合模型中，计算每一个像素属于每一个高斯分量的概率。
然后，我们可以将像素聚到概率最大的高斯分量中，以达到分割的目的。
三、高斯混合模型在图像分割中的优缺点高斯混合模型在图像分割中有着很多的优点。
一种改进的Snake模型图像分割算法
能量 ： 然后 在 不增 加 参 数 个数 的 前提 下给 出新 的能 量表 达 式 。算 法 的 实现 采 用贪 婪 算 法 。结 果表 明 ，
改 进 的 Ｓ ａｅ模 型 能 迅 速 地 收 敛 到 凹 陷 区域 ， 减 少 了结 果 对 初 值 的依 赖 ， 显 优 于 传 统 Ｓ ａ ｅ模 型 。 ｎｋ 并 明 ｎｋ
的 凹凸性往往 很难做 到有效 判断 。
图像 处 理 中 的 难 点 之 一 ， 是 从 处 理 到 分 析 的 关 键 。 常 也 用 的 分 割 算 法 大 多 出 现 边 界 不 光 滑 、 连 续 以 及 与 背 景 不
本 文 将 传 统 Ｓ ａ ｅ模 型 不 能 收 敛 凹 陷 区 域 归 结 为 在 ｎｋ
Ｋｅ ｒ ｓ： ｓ ａ ｅ ｍｏ ｅ ；ｉ ｇ ｅ ｍｅ ｔｔ ｎ； ｉｔ ｒ ａ ｎ ｒｙ； ｃ ｎ ａ ｉ ｅ ｉｎ ｙ ｗｏ ｄ ｎ ｋ ｄ ｌ ｍａ ｅ ｓ ｇ ｎ ａｉ ｏ ｎｅｎ ｌｅ ｅｇ ｏ ｃ ｖｔ ｒ ｇｏ ｙ
图 像 分 割 是 图 像 处 理 领 域 的 一 个 基 本 问 题 。 直 是 一
关 键 词 ：Ｓ ａ ｅ模 型 ； 像 分 割 ； ｎｋ 图 内部 能 量 ； 凹 陷 区 域 深
中 图分 类 号 ：Ｔ ７ １ Ｐ ５ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１ ７ — ７ ０ ２ １ ） １ ０ ３ — ２ ６ ４ ７ ２ （０ ０ １ — ０ ６ ０
Ｔｈｅ ｍａ ｅ ｅ ｍｅ ｔ ｔｏ ｏ ｈ ｃ ｍｐ ｅ ｒ ｇｏ ｂａ ｅ ｏ ｉ ｇ ｓ ｇ ｎ ａ ｉ ｎ ｆ ｔ ｅ ｏ ｌｘ ｅ ｉｎ ｓ ｄ ｎ ｓ ｋ ｍｏ ｌ ｎａ ｅ ｄｅ
一种基于改进小生境遗传算法的图像分割方法
2017年4 月
计算机应用与软件
C o m p u t e r Applications an d Software
VoL34
No. 4
Apr. 2 0 1 7
一种基于改进小生境遗传算法的图像分割方法
李 阳 归 伟 夏
( 广 西 大 学 计 算 机 与 电 子 信 息 学 院 广 西 南 宁 530004)
AN IMAGE SEGMENTATION METHOD BASED ON IMPROVED NICHE GENETIC ALGORITHM
Li Y a n g Gui Weixia
(School of Computer,Electronics and Information ,Guangxi University,Nanning 530004 ,Guangxi, China)
收稿日期 :2016 - 01 - 2 2 。国家自然科学基金项目（ 61363002);广西教育厅科研基金项目（ LX2014002) 。李 阳 ， 硕士生， 主研领 域 :智能计算。归伟夏， 副教授。
第4 期
李阳等： 一种基于改进小生境遗传算法的图像分割方法
203
入模拟退火的思想， 使之能够随着适应度值和群体分 散程度自动调整。从而来提高阈值求取效率和图像清 晰度 ， 以此达到满意的图像分割结果。 % _
dimensional Otsu image segmentation function globally, a n d automatically adjusts the genetic parameters according to the individual fitness. A n d the simulated annealing algorithm is introduced to further improve the local search ability. T h e experimental results s h o w that the improved image segmentation m e t h o d can improve the global search ability, an d can converge to the optimal segmentation threshold m o r e stably a n d quickly, a n d obtain better image segmentation effect.
基于改进的混合高斯模型的图像分割方法研究
基于改进的混合高斯模型的图像分割方法研究图像分割是计算机视觉领域的一项重要任务，它的目标是将一幅图像分割成不同的区域或者物体。
针对这一任务，学术界提出了许多方法，并且不断改进和优化这些方法。
本文将重点研究一种基于改进的混合高斯模型的图像分割方法，探讨其原理和优势。
首先，我们需要了解混合高斯模型（GMM）。
GMM是一种用于描述数据分布的统计模型，其基本原理是将观测数据看作由多个高斯分布组成的混合体。
每个高斯分布对应着图像中的一个类别或者物体，通过调整高斯分布的均值、协方差和权重等参数，可以对图像进行分割。
在传统的GMM方法中，通常需要手动指定高斯分布的数量，这对于实际应用来说是一个挑战。
因此，为了提高图像分割的准确性和鲁棒性，学术界提出了一种改进的混合高斯模型，即自适应混合高斯模型（Adaptive GMM）。
改进的混合高斯模型方法的主要思想是，通过对图像进行学习和分析，自动地确定高斯分布的数量。
具体来说，它根据图像的局部统计信息来自适应地调整混合高斯模型的参数。
这种方法可以更好地适应图像中的不同区域和背景，提高图像分割的效果。
在自适应混合高斯模型中，主要有两个关键的步骤：初始化和迭代更新。
在初始化阶段，可以通过一些已有的图像分割方法来得到初步的分割结果。
然后，在迭代更新阶段，根据当前的分割结果计算每个像素点属于每个高斯分布的概率，并根据这些概率来更新高斯分布的参数。
通过多次迭代，可以得到最终的分割结果。
自适应混合高斯模型方法的优势主要体现在以下几个方面：首先，它能够自动确定高斯分布的数量，无需手动指定。
这样可以更好地适应图像的复杂性和变化性，提高图像分割的准确性。
其次，自适应混合高斯模型通过迭代更新，可以逐渐优化参数，进一步提高分割结果的质量。
与传统的GMM方法相比，具有更强的鲁棒性和稳定性。
此外，自适应混合高斯模型方法还具有较低的计算复杂度。
通过对图像进行局部学习和更新，可以减少计算量，提高算法的效率。
最优化算法在图像处理中的应用
最优化算法在图像处理中的应用图像处理是计算机视觉领域的重要研究方向，其目标是通过对图像进行分析和处理，提取出有用的信息。
最优化算法是一类重要的数学工具，它能够帮助我们在给定的约束条件下，找到最优的解决方案。
在图像处理中，最优化算法被广泛应用于图像恢复、图像分割、图像压缩等方面，为图像处理提供了强大的支持。
一、图像恢复图像恢复是指通过对图像进行处理，消除图像中的噪声、模糊和失真等问题，使图像更加清晰和真实。
最优化算法在图像恢复中发挥了重要作用。
例如，基于最小二乘法的最优化算法可以通过最小化图像中的噪声和模糊对图像进行恢复。
此外，基于正则化的最优化算法也被广泛应用于图像恢复中，通过在目标函数中引入正则化项，平衡数据拟合和模型复杂度，提高图像恢复的效果。
二、图像分割图像分割是将图像划分成若干个具有独立特征的区域的过程。
最优化算法在图像分割中具有重要的应用价值。
例如，基于能量最小化的最优化算法可以通过最小化图像中的能量函数，将图像分割成具有相似特征的区域。
此外，基于图割算法的最优化算法也被广泛应用于图像分割中，通过将图像分割问题转化为最小割问题，实现图像的自动分割。
三、图像压缩图像压缩是通过减少图像数据的冗余性，实现对图像数据的压缩存储。
最优化算法在图像压缩中有着重要的应用。
例如，基于离散余弦变换的最优化算法可以通过最小化压缩后的图像与原始图像之间的误差，实现对图像的有损压缩。
此外，基于小波变换的最优化算法也被广泛应用于图像压缩中，通过最小化小波系数的能量，实现对图像的无损压缩。
四、图像识别图像识别是指通过对图像进行分析和处理，实现对图像中目标的自动识别和分类。
最优化算法在图像识别中也有着重要的应用。
例如，基于支持向量机的最优化算法可以通过最小化分类器的结构风险，实现对图像中目标的分类。
此外，基于神经网络的最优化算法也被广泛应用于图像识别中，通过最小化误差函数，实现对图像中目标的识别和分类。
综上所述，最优化算法在图像处理中发挥着重要的作用，为图像恢复、图像分割、图像压缩和图像识别等方面提供了强大的支持。
如何利用神经网络进行图像分割的改进与优化
如何利用神经网络进行图像分割的改进与优化图像分割是计算机视觉领域中的一个重要任务，它的目标是将图像中的不同物体或区域分割出来，为后续的图像分析和理解提供基础。
神经网络作为一种强大的模型，已经在图像分割任务中取得了显著的成果。
然而，神经网络在图像分割中仍然存在一些问题，需要进一步改进和优化。
首先，神经网络在图像分割中常常面临的一个挑战是边界模糊的问题。
由于图像中物体的边界通常不是非常清晰，神经网络容易将边界模糊的区域错误地分割成多个物体或将多个物体错误地分割成一个物体。
为了解决这个问题，可以引入边界增强的方法。
例如，可以在网络的损失函数中加入边界损失，使网络更加关注物体的边界信息。
此外，还可以利用边界检测算法对网络的输出进行后处理，进一步提升边界的准确性。
其次，神经网络在图像分割中还存在着对小物体或细节的不足。
由于小物体或细节通常具有较少的像素，神经网络容易将其忽略或错误地分割。
为了解决这个问题，可以采用多尺度的方法。
具体而言，可以设计一个具有多个分支的网络，每个分支负责处理不同尺度的特征。
通过融合这些不同尺度的特征，可以提高网络对小物体或细节的感知能力。
此外，还可以引入注意力机制，使网络能够更加关注小物体或细节的区域，从而提高分割的准确性。
另外，神经网络在图像分割中还常常面临着样本不平衡的问题。
在图像中，不同物体的像素数量通常存在较大的差异，导致网络对数量较少的物体学习不足。
为了解决这个问题，可以引入像素级别的加权损失函数。
具体而言，可以根据不同物体的像素数量对损失函数进行加权，使网络更加关注数量较少的物体。
此外，还可以采用数据增强的方法，通过对数量较少的物体进行复制或变换，增加其在训练集中的数量，从而提高网络对这些物体的学习能力。
此外，神经网络在图像分割中还需要解决一些实际应用中的问题。
例如，在医学图像分割中，由于医学图像通常具有较高的噪声和低对比度，神经网络容易受到这些干扰而导致分割结果不准确。
神经网络算法在图像处理中的应用
神经网络算法在图像处理中的应用第一章：介绍神经网络算法在图像处理中的应用神经网络算法是一种模拟人类神经系统学习和处理信息的技术，可以用于图像处理、模式识别、语音识别等领域，其应用广泛。
在图像处理领域，神经网络算法已经被广泛应用，可以用于图像分类、图像重建、图像分割等任务。
本文将着重介绍神经网络算法在图像处理中的应用。
第二章：神经网络算法在图像分类中的应用图像分类是指将输入的图像分为不同的类别，是图像处理中的一个重要任务。
神经网络算法在图像分类中的主要应用是卷积神经网络（Convolutional Neural Networks，简称CNN）。
CNN是一种多层感知机的改进，可以自动学习图像特征，从而提高图像分类的精度。
CNN通常包含卷积层、池化层、全连接层等。
在图像分类中，CNN的应用已经非常成熟。
例如，可以将CNN应用于人脸识别和物体识别，可以实现较高的准确率。
而且，CNN可以通过增加网络深度和图像数据增强等方式来进一步提高图像分类的准确率。
第三章：神经网络算法在图像重建中的应用图像重建是指从图像的部分信息中恢复出完整的图像，是图像处理中的一个重要任务。
神经网络算法在图像重建中的主要应用是自编码器（Autoencoder）。
自编码器是一种无监督学习的神经网络算法，可以将输入的图像编码成一个低维向量，并且在解码过程中重建原始图像。
自编码器在图像重建中的应用已经得到了广泛的应用。
例如，可以将自编码器应用于图像压缩、去噪等任务中。
自编码器可以通过增加网络深度和引入先验信息等方式来进一步提高图像重建的质量。
第四章：神经网络算法在图像分割中的应用图像分割是指将图像分为不同的区域或对象，是图像处理中的一个重要任务。
神经网络算法在图像分割中的主要应用是全卷积网络（Fully Convolutional Network，简称FCN）。
FCN是一种将卷积神经网络应用于图像分割的技术，可以实现端到端的图像分割。
FCN在图像分割中的应用已经相当成熟。
基于改进U-Net模型的脑肿瘤MR图像分割
+ S）） +0”。
如图4所示，F e RSn 为一个门控信号（Gatov Signal）,来自与编码部分对应的上采样前一层的 特征向量，包含了上下文信息。对输入特征图耳和尺（沿通道方向使用1 X1 X1卷积操作进行线性变换，然
第40卷第4期
付顺兵，等：基于改进U智et模型的脑肿瘤MR图像分割
205
分割脑肿瘤的算法有很多，目前比较常用的是基于阈值、区域生长和基于深度学习的分割方法°基于阈 值的方法通过设置不同的阈值,然后与图像的灰度值进行比较从而将图像的像素点分类 ，以达到分割的目 的° 一般可分为固定阈值法⑷和自适应阈值法⑸ ，如Saad等[/]将每张图像分成多个子区域，每个区域使用 直方图阈值技术检测出图像的高强度和低强度像素数 ，通过对比正常区域与病变区域来确定最佳阈值°但 由于脑肿瘤结构较复杂,基于阈值的分割方法通常用于确定脑肿瘤的位置，不能有效解决脑肿瘤分割问题°
收稿日期：2020-28-26 基金项目：国家自然科学基金项目(61871330)；四川省教育厅自然科学重点项目 (18ZA0468 ,4ZA035) 作者简介：付顺兵(395—),男，四川凉山人，硕士研究生，主要从事医学图像处理研究°
|||釁|| 回廖觀
通信作者：王朝斌(1970—),男，重庆人，教授，硕士生导师，主要从事网络安全与算法研究° E-mail ： cUwang® cwnu. edu. cn
退化；其次在U-Net的每个跳跃连接之间加入注意力机制,把注意力集中到对分割有用的特征，抑制冗余特征；最
后采用改进的混合损失函数以缓解类不平衡的问题°使用BraTS提供的脑肿瘤MR图像数据集对改进模型进行验
证，用Dice系数评估分割效果，在整体肿瘤区域、核心肿瘤区域和增强肿瘤区域的平均Dice值分别为：0.90、0.85、
基于神经网络的图像应用中算法优化
基于神经网络的图像应用中算法优化神经网络是一种模仿人类大脑神经系统的算法，其具有自学、自适应、泛化能力强等特点，在图像应用方向中得到广泛的应用。
然而，神经网络算法存在着训练效率低下、过拟合等问题，需要对其进行优化。
本篇文章将从算法优化方向入手，针对基于神经网络算法的图像应用进行深入探讨。
一、图像应用中的神经网络算法神经网络在图像应用中主要用于图像分类、目标检测等方向。
例如，卷积神经网络可以通过对输入图像进行多次卷积操作，提取出图像的特征，再将其输入到全连接层中进行分类或检测，实现图像分类、目标检测的功能。
此外，生成对抗网络也被广泛应用于图像生成等方向。
基于神经网络的图像应用涵盖范围广泛，需对其进行优化。
二、算法优化方向1.参数优化神经网络的参数优化主要通过反向传播算法对神经网络的权重、偏置进行调整。
可以通过设置较小的学习率，并对其进行动态调整，来防止模型过拟合。
此外，还可以通过引入正则化项对权重进行约束，防止其过分拟合训练数据。
2.数据预处理在进行神经网络训练之前，需要对训练数据进行预处理操作。
包括数据增强、数据归一化等。
通过数据增强可以扩充训练数据集，提高模型的泛化能力。
数据归一化则可以将数据进行标准化处理，并将其缩放到合适的范围内，使训练效率更高。
3.网络结构优化神经网络的结构优化可以包括对网络的层数、节点数等进行优化，以达到更好的训练效果。
例如，可以通过加深网络层数、增加节点数等手段来提高模型的表现。
此外，引入辅助分类器、残差连接等技术也可以提高网络的表现。
4.特征提取优化神经网络的特征提取过程中，主要通过卷积操作来提取图像特征。
对卷积操作进行优化，可以提高特征提取的效率。
例如，可以引入矩阵乘法等计算优化手段来提高卷积的效率，从而提高特征提取的效率。
三、结语基于神经网络的图像应用，已经被广泛应用于实际生产和生活中。
然而，在应用中需要面对训练效率低下、过拟合等问题。
本文从算法优化方向入手，提出参数优化、数据预处理、网络结构优化、特征提取优化等方向，对基于神经网络的图像应用进行优化。
SGNN优化算法的研究及其在图像分割中的应用
SGNN优化算法的研究及其在图像分割中的应用李 露（北京航空航天大学，宇航学院，北京 100191）摘要：针对传统神经网络用于图像分割中存在着网络结构设计复杂、计算量大等缺点，提出了一种基于自生成神经网络（Self-Generating Neural Network, SGNN）的图像分割方法，将图像的每个像素按其灰度值自动聚类，从而实现图像的自动分割。
在此基础上，本文着重研究了SGNN网络的优化算法，以期达到更好的分类效果。
实验结果表明，该方法可以很好的实现图像分割，无需人为干涉，具有学习自主性高，分类效果明显，抗噪能力强等优点，可广泛用于红外、可见光、X光、MR等多种图像的分割。
关键词：神经网络；SGNN；图像分割；优化中国分类号：TP391 文献标识码：A 文章编号：1001-8891(2010)04-0198-06 Optimized Self-Generating Neural Network for Image SegmentationLI Lu(School of aeronautics, Beihang University, Beijing 100191, China)Abstract：In this paper, we propose a novel SGNN-based image segmentation method, in which, not only the network structure, but also the weights among neurons are all acquired automatically through the training samples. Therefore, image segmentation is implemented automatically by autonomously clustering the pixels according to their gray values. Then the optimization of SGNN is studied to get better segmentation results. The experimental results show that the optimized SGNN outperforms the existing methods for its distinguished advantages of perfect segmentation without any manual intervention, high self-learning capacity, less computational complexity, robustness to noise, etc. what's more, the experimental results suggest the proposed method can be widely used in segmentation of all typical images, such as IR (Infrared) images, visible light images, X-ray images, MR (Magnetic Resonance) Images.Key words：neural network，SGNN，image segmentation，optimization引言图像分割是数字图像处理中的关键技术之一，它将图像中有意义的特征部分（图像中的边缘、区域等）提取出来，是进一步进行图像识别、分析和理解的基础，在理论研究和实际应用中都得到了人们的广泛重视。
基于SGNN的图像融合
基于SGNN的图像融合
鲍复民;李爱国;覃征
【期刊名称】《计算机研究与发展》
【年(卷),期】2005(042)003
【摘要】近年来,将神经网络用于图像融合处理取得了一些成果,但已有的方法存在着计算量大、需要用户设置网络结构和较多参数等缺点.自生成神经网络(SGNN)是一类自组织神经网络,它不需要用户指定网络结构和学习参数,而且不需要迭代学习,是一类特点突出的神经网络.提出一种基于SGNN进行图像融合的新方法,分3步:①对图像进行预处理,使用小波方法滤除图像的噪声;②用SGNN对图像像素进行聚类,将像素按灰度值聚为某几类;③对经过第2步处理的像素进行融合,用灰度值对像素进行模糊分类之后再用加权平均法精确化,最终得到融合图像.该方法易于使用、计算速度快.实验表明该方法融合结果的均方误差比拉普拉斯金字塔算法和小波变换方法降低约30%～60%.
【总页数】7页(P417-423)
【作者】鲍复民;李爱国;覃征
【作者单位】西安交通大学计算机科学与技术系,西安,710049;航天科工集团二院210所,西安,710065;西安科技大学计算机科学与技术系,西安,710054;西安交通大学计算机科学与技术系,西安,710049
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于SGNN的数字字符识别 [J], 张红山;王世卫;姜建国
2.基于小波变换的医学图像融合及基于体数据遍历算法的三维重建 [J], 陶观群;陆光华
3.基于SGNN的彩色图像分类 [J], 刘纯平;孙忱
4.基于SGNN的报税欺诈检测 [J], 王世卫;李爱国;郭嫒媛;李士宁
5.一种基于SGNN网络的模糊图像融合算法 [J], 蒋宏;任章
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
关键词：神经 网络；Ｓ Ｎ Ｇ Ｎ；图像分割；优化 中国分 类号 ：Ｔ ３ １ Ｐ ９ 文献 标识 码 ：Ａ 文章 编号 ： １０ —８ １２ １ ）４０ ９ ．６ ０ １８ ９ （０ ００ — １ ８０
Ｏ ｐ ｉ ｉ ｅ ｌ－ ｅ ｒ ｔｎ ｕｒ ｌ ｅｗｏ ｋ ｏ ｍ ａｇ ｇ ｅ ｔ ｔｏ ｔｍ ｚ ｄ ＳｅｆＧ ｎｅ ａ ｉ ｇ Ｎｅ ａ ｔ ｒ ｆ ｒＩ Ｎ ｅＳｅ ｍ ｎ ａ ｉ ｎ
Ｋ ｅ ｒ ｓ： ｎ ｕ ａ ｅ ｏ ｋ， Ｓ ｙ ｗｏ ｄ ｅｒ ｎｔ ｒ ｌ ｗ ＧＮＮ ， ｉ ｇ ｅ ｍｅ ｔ ｔｏ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ｎ， ｏ ｔｍ ｚ ｔｏ ｐｉ ａｉｎ ｉ
引言
图像 分割 是数 字 图像处 理 中的关 键技术 之 一 ，模式 识别领 域 中 的模 式 分类 问题 ，并且 因其具有 较 强的适 应性 、灵 活性和
ｓｇ ｅｔ ｅ ｒｐ ｓｄｍｅ ｏ ａ ｅ ｄ ｌ ｓｄｉ ｇ ｎａ ｏ ｆ ｌｙ ｉａ ｉ ｇ ｓ ｓｃ ｓ Ｒ （ ｆ ｅ ） ｕ ｇ ｓ ｔ ｏ ｏｅ ｔ ｄＣ ｂ ｅ ｕ ｅ ｓ ｍｅｔｔ ｎｏ ｐｃｌｍａ ｅ，ｕ ｈａ Ｉ ｒ ｄ ｐ ｈ ｈ ｎ ｗｉ ｙ ｎｅ ｉ ｌ ａ ｔ Ｉ ｎａ ｒ ｉ ｇ ｓｖｓ ｌ ｆ ｈ ｇ ｓ Ｘ— ｙ ａｅ， Ｒ（ ｇ ｅｉ Ｒ ｓｎ ｎｅ Ｉ ｇ ｓ ｍａｅ， ｉｂｅ ｇ ｔｍａｅ ， ｒ ｇ ｓＭ ｉ ｉ ｉ ａｉ ｍ Ｍａ ｎ ｔ ｅｏ ａ ｃ）ｍａｅ． ｃ
ａ ｃ ｒ ｉ ｏ ｔ ｅ ｒｇｒ ｙ ｖ ｌ ｅ ． ｅ ｅ ｏ ｔｍｉ ａ ｏ ｆＳ ｃ ｏ ｄ ｎｇ ｔ ｉ ａ ａ ｕ ｓ Ｔｈ ｎ ｔ ｐ ｈ ｈ ｉ ｚ ｔ ｎ ｏ ＧＮＮ ｓｓｕ ｉ ｄ ｔ ｅ ｅ ｔｒｓ ｇ ｎｔｔｏ ｅ ｕ ｔ． ｉ ｉ ｔ ｄ ｅ ｏ ｇ ｔｂ ｔｅ ｅ ｍｅ ａｉ ｎ ｒ ｓ ｌｓ Ｔｈ ｅ ｐ ｒｍｅ ｔ ｌ ｅ ｕ ｔ ｓ ｗ ｔ ａ ｔ ｅ ｐ ｍｉ ｅ ＳＧＮＮ ｏ ｐ ｒｏ ｍｓ ｈｅ ｘ ｓｉ ｍｅ ｈ ｄｓ ｏ ｉ ｅ ｘ ｅ ｉ ｎ ａ ｒ ｓ ｌｓ ｈｏ ｈ ｔ ｈ ｏ ｔ ｚ ｄ ｉ ｕｔ ｅ ｆ ｒ ｔ ｅ ｉ ｔ ｎｇ ｔ ｏ ｆ ｒ ｔ ｓ ｄ ｓｉ ｕ ｓ ｅ ａ ｖ ｎ ｇ ｓ ｆ ｐ ｒｅ ｔ ｅ ｍｅ ｔｔｏｎ ｉｔ ｎｇ ｉｈ ｄ ｄ ａ ｔ ｅ ｏ ｅ ｃ ｓ ｇ ｎ ａ ｉ ｗｉｈｏ ｔ ｎｙ ａ ｆ ｔ ｕ ａ ｍａ ｕ ｌ ｎ ｅ ｖ ｎ ｉ ｎ，ｈ ｇｈ ｅｆｌ ａ ｎ ｎ ｎ ａ ｉ ｔ ｒ ｅ ｔｏ ｉ ｓ ｌ－ｅ ｒ ｉ ｇ
摘要 ： 针对传统神经网络用于图像分割中存在着 网络结构设计复杂、计算量大等缺点， 出了一种基 提 于 自生成神经 网络 （ ｅ － ｅｅａｎ ｅｒ ｅ ｏ ， Ｇ Ｎ） ＳｌＧ ｎｒ ｇＮ ｕａ Ｎ ｔ ｒ Ｓ Ｎ ｆ ｉ ｔ ｌ ｗ ｋ 的图像分割方法，将 图像的每个像素按 其灰度值 自动聚类， 从而实现图像的 自动分割。 在此基础上， 本文着重研究 了Ｓ Ｎ 网络的优化算法， Ｇ Ｎ 以期达到更好 的分类效果 。实验结果表明， 该方法可 以很好的实现图像分割，无需人为干涉，具有学 习自主性高，分类效果 明显，抗噪能力强等优点，可广泛用于红外、可见光、ｘ光、ＭＲ等多种图像
ｓ ｐ ｅ ． ｅ ｅ ｏ ｅ ｉ ｇ ｅ ｍｅ ｔ ｔ ｎｉ ｌ ｍｅ ｔｄ ａ ｔ ｍａ ｃ ｌ ｙ ａ ｔ ｎ ｍｏ ｓｙｃ ｕ ｔｒｎ ｅｐ ｘ ｌ ｍ ａ ｌ ｓ Ｔｈ ｒ ｆ ｒ ， ｍａ ｅｓ ｇ ｎ ｉ ｉ ｅ ｎ ｅ ｕ ｏ ｔ ａ ｙｂ ｕ ｏ ｏ ｕ ｌ ｌ ｓｅ ｇ ｔ ｉ ｅｓ ａ ｏ ｓ ｍｐ ｉｌ ｉ ｈ
第 ３ 卷 第 ４期 ２ ２１ ００年 ４月
红 外 技 术
Ｉ ｆａ ｅ Ｔｅ ｈｎ ｏｇ ｎｒ ｒｄ ｃ ｏｌ ｙ
、 ．２ Ｎｏ４ ｂ１ ３ ． Ａｐ ． ２ １ ｒ ００
Ｓ Ｎ Ｇ Ｎ优化算法 的研 究及其在 图像分割 中的应 用
李 露
（ 北京航空航天大学，宇航 学院，北京 １０ ９ ） ０ １ １
ｃ ｐ ｃｔ ，ｌ ｓ ｏ ｕ ｔ ｎ ｏ ｌｘ ｔ，ｒ ｂ ｓｎ ｓ ｏ ｎ ｉｅ ｔ ．ｗｈ ｔ ｒ ，ｔ ｅ ｅ ｐ ｒ ｎ ａ ｅ ｕ ｔ ａ ａｉ ｙ ｅ ｓ ｃ ｍｐ ｔ ｉ ａ ｃ ｍｐ ｅ ｉ ａ ｏｌ ｙ ｏ ｕ ｔ ｅ ｓ ｔ ｏ ｓ ，ｅ ｃ ａ ’ ｍｏ ｅ ｈ ｘ ｅ ｉ Ｓ ｍｅ ｔｌ ｒ ｓ ｌ ｓ
ＬＩＬｕ
（ｃｏ ｌｆ ｅｏ ａ ｔ ｓＢ ｉ ｎ ｎｖｒｉ ， ｅ ｉｇ１０ ９ ， ｈｎ ） Ｓ ｈ ｏ ａ ｒｎ ｕｉ ， ｅｈ ｇＵ ｉ ｓｙＢ Ｕｎ ０ １ １Ｃ ｉ ｏ ｃ ａ ｅ ｔ ａ
Ａｂ ｔ ａ ｔ Ｉ ｈ ｓｐ ｐ ｒ ｗｅ ｐ ｏ ｏ ｅ ａ ｎ ｖ ｌＳ ｓｒ ｃ ： ｎ ｔ ｉ ａ ｅ ， ｒ ｐ ｓ ｏ ｅ ＧＮＮ— ａ ｅ ｇ ｅ ｍｅ ｔ ｔ ｎ ｍｅ ｈ ｄ ｉ ｉ ｈ ｎ ｔｏ ｌ ｂ ｓｄｉ ｍａ ｅ ｓ ｇ ｎ ａ ｏ ｔ ｏ ， ｎ ｗｈ ｃ ， ｏ ｎ ｙ ｉ
ｈ ｅｗｏ ｋ ｓｒ ｃｕ ｅ ｂ ｔａ ｏ ｉ ｈｔ ｍｏ ｇ ｎ ｕ ｏ ｓａ ｅａ ｌａ ｑ ｉｅ ｕ ｏ ｔ ａ ｌ ｈ ｏ ｇ ｔ ｒ ｉ ｉ ｇ ｔ ｅｎ ｔ ｒ ｔｕ ｔ ｒ ， ｕ ｓ ｔ ｅｗｅｇ ｓａ ｎ ｅ ｒ ｎ ｒ ｌ ｃ ｕ ｒ ｄ ａ ｔ ｍａ ｃ ｌｙｔ ｒ ｕ ｈ ｅｔａ ｎ ｎ ｌ ｈ ｉ ｈ