基于遗传神经网络的图像分割
合集下载
- 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)。
Ｃｏｍ ｐ ｅ ｔ ａｒ ｄ ｗｉｈ ＢＰ ｕ ａ ｔ ｏ ｋ ｔ ａｎｉ ｐ ｅ ｓ ｇ ｅ ｔｙ ｉ ｐｒ ｖｅ ｎｅ ｒ ｌｎｅ ｗ ｒ ｒ ｉ ｎｇ ｓ ｅ ｄ ｉ ｒ ａ ｌ ｍ ｏ ｄ． Ｋ ＥＹＷ Ｏ ＲＤＳ ｉ ａ ｅ ｓ ｇ ｅ ａ ｉ ｍ ｇ ｅ ｍ ｎｔ ｔｏｎ， ｎｅ ｒ ｌｎｅ ｗｏｒ ｕ ａ ｔ ｋ， ｇ ｎｅ ｉ ｌ ｏｒｔ ｅ ｔｃ ａ ｇ ｉｈｍ
ｗ ｅｇｈｔ ｎｄ ｔ ｅ ｈ ｄｓ ｏ ｉ ｓ ａ ｈｒ ｓ ｏｌ ｆＢＰ ｅ ａ ｔ ｎ ｕｒ ｌｎｅ ｗｏｒ ｒ ｅ ｌｚ ｄ ｂ ｅ ｔｃ ａ ｇ ｉｈｍ ， ａ ｋ ａ ｅ ｒ ａｉｅ ｙ ｇ ｎｅ ｉ ｌ ｏｒｔ ｎｄ ａ ＢＰ ｕ ａ ｅｔ ｎｅ ｒ ｌｎ ｗｏｒ ｉｈ ｍ ｉ ｍ ｕｍ ｒ ｏｒｉ ｋ ｗ ｔ ｎｉ ｅ ｒ ｓ
ｄ ｓｇ ｅ ｅ ｉ ｎ ｄ，ａ ｄ ｔ ｅ ｓ ｕ ａ ｎ ｔ ｒ ｔ ｒ ｔｖ ｌ ｏ ｉｈ ｔ ｈ ｌｉ ｔ ｅ ｌ ｅ ｉ ｇ ｅ ｍｅ ｔ ｔ ｎ ｎ ｈ ｎ ｕ ｅ Ｎｅ ｒ ｌ ｅ ｗｏ ｋ ｉ ａ ｉ ｅａ ｇ ｒｔ ｍ Ｏ ｔ ｅｕ ｔ ｅ ｍａ ｅ ｒ ａ ｉ ｚ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ．Ｔｈ ｅ ｕ ｔ ｆＥｘ ｅ ｉ ｎ ａ ｏ ｅ ｒ ｓ ｌｓｏ ｐ ｒｍｅ ｔ ｌ ｓ ｏ ｔ ａ ｈ ｌ ｏ ｉ ｍ ｅ ｒ ｌ ｎ ｔ ｒ ａ ｅ ｔ ｒ ａ ｈ ｅ ｅ ｔ ｅ ｉ ｇ ｅ ｍ ｅ ｔ ｔ ｎ ， ｃ ｍｐ ｒ ｄ ｗｉｈ ｔ ｅ ｔ ａ ｉｉ ｎ ｌ ｍｅ ｈ ｄ； ｈ ｗ ｈ ｔ ｔ ｅ ａｇ ｒｔ ｈ ｎ ｕ ａ ｅ ｗｏ ｋ ｃ ｎ ｂ ｔｅ ｃ ｉｖ ｈ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ｏ ｏ ａ ｅ ｔ ｈ ｒ ｄ ｔ ａ ｔ ｏ ｏ
图像 分割就 是将 图像 表示 为有具体物理 意义 的连 通 区域集 合 。通 过对 图像 的不 同特征如边 缘 、 纹理 、 颜 色、 灰度 等 的分析 达 到 图像分 割 的 目的 ，分 割得 到 的 图像 区域 在特征 描 述上具 有相似 性 ，图像分 割是进 一 步对 图像 进行 分 析、 识别 、 理解 的基础 ， 割的准确 性 分 直接 影 响后续 任务 的有效 性 ，因此在 图像处 理 中具 有 重要 意义 。 利用 人工神 经 网络 分割 图像 的基本思 想就是用 训 练样 本 集对 神经 网络进行 训 练 ， 以确定 节点 间 的连 接 和权 值 ， 再用训 练好 的神经 网络分割 新的 图像数据 ｎ 。 ］ Ｂ Ｐ学 习算 法是 最著 名 的多层 前 向反 馈式 神经 网 络训 练算 法 之 一 ， 主要 思想 是 利用 已知 确定 结果 的样 本 其
模 ， 加 一个 隐层 是必要 的 ， Ｂ 增 但 Ｐ网络 隐层 数一 般不 超过 两层 。一般 习惯将 单 隐层前 馈 网称 为三层前 馈 网 （ 图 １， 见 ） 所谓 三层 包括 了输入 层 、 隐层 、 出层 。 输 １ ２ 输入 层的 节点数 ． 输 入层 起缓 冲 存储 器 的作 用 ， 接 收外部 的输入 它 数据 ， 因此其节 点数取决 于输 入矢 量 的维 数 。
基 于遗 传 神 经 网络 的 图 像 分 割
文 罩 编 号 ： ０ ３ ５ ５ （ ０ １ ０ — ０ ６０ １ ０ — ８ ０ ２ １ ） ２０ １ — ３
基 于 遗 传 神 经 网络 的 图 像 分 割
Ｉ ａ ｅ Ｓ ｇ ｅ ａ ｉ ｎ ｂ ｓ ｄ ｏ ｎｅ ｉ ｕ ａ ｔ ｒ ｍ ｇ ｅ ｍ ｎｔ ｔｏ ａ ｅ ｎ Ｇｅ ｔｃ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ
二
１ ３ 输 出层 的节点 数 ．
Ｋ
图 １ 典 型 的三 层 Ｂ 神经 网络 结 构 图 Ｐ， Ｐ网
梯 度算 法 进行 稳定 学 习要求 的学 习率 较 小 ， 以通常 所 学 习过 程收敛 速度很 慢 ， 很容 易陷入局部 极小点 ， 无法 严 格保证 每 次训 练 的收敛性和全 局最优 性 。若利 用遗 传算 法 的全局 寻优 能力和 隐含 的并行性 ， 自动搜 索 Ｂ Ｐ 网络最 优 的权 值和 阈值 ， 设计最 佳 的网络 ， 网络 能够 使 拟合 预定 的 目标 ， 实现提高 图像分割 性能 的 目的 ｊ 。 输 出层 的节 点 数取 决 于两 个 方面 ， 出数 据 类 型 输 和表 示该 类型所 需要 的数据 大小 。当 Ｂ 网络用 语模 Ｐ 式分 类 时 ， 以二 进制形 式来 表示不 同模式 的输 出结果 ， 则 输 出层 的节点 数 可根据 待分类 模式来确 定 。若设待 分 类模 式 总数为 ， 则有 两种 方法确 定输 出的节点 数 。 ① 节 点 数 即 为待 分类 模 式 总 数 ， 时对 应 第 此
张 月琴 胡 斌
（ 太原理 工大 学计算机 科 学与技 术 学院 太原 ０ ０ ２ ） ３ ０ ４ 【 摘 要 】提 出一种 基于遗传 神经 网络 的 图像分 割方 法。该方 法利 用遗 传算 法对 Ｂ 神经 网络 的权值 和 阈值进 行 Ｐ 优 化 ，设计 出误差 最小 的神经 网络 ，然后用神 经 网络 算法迭 代 实现 图像 的分割 。通 过 实验证 明 ：该 方 法与传 统 的图像分 割方法相 比，具有更好 的图像 分割效果 ；与 Ｂ Ｐ神经 网络相 比，训练速 度得 到很 大的提 高。 【 关键 词】 图像 分割 ，神 经 网络 ，遗传算 法
中图 分 类 号 ：ＴＰ１ ３ ８ 文 献 标 识 码 ：Ａ
ＡＢ ＴＲＡＣ Ｓ Ｔ Ｔｈ ａ ｅ ｒ ｖ ｄ ｓ ｔ ｅ ｍｅ ｈ ｄ ｏ ｈ ｅ ｅ ｉ ｅ ｒ ｌ ｎ ｔ ｒ ｏ ｍａ ｅ ｓ ｇ ｎ ａ ｏ ｅ ｐ ｐ ｒ ｐ ｏ ｉ ｅ ｈ ｔ ｏ ｆ ｔ ｅ ｇ ｎ ｔｃ ｎ ｕ ａ ｅ ｗｏ ｋ ｆ ｒ ｉ ｇ ｅ ｍｅ ｔ ｔ ｎ． Ｔｈ ｐ ｉ ｚ ｔｏ ｆ ｔ ｅ ｉ ｅｏ ｔ ｍｉａ ｉｎ ｏ ｈ
ｗ ｅｇｈｔ ｎｄ ｔ ｅ ｈ ｄｓ ｏ ｉ ｓ ａ ｈｒ ｓ ｏｌ ｆＢＰ ｅ ａ ｔ ｎ ｕｒ ｌｎｅ ｗｏｒ ｒ ｅ ｌｚ ｄ ｂ ｅ ｔｃ ａ ｇ ｉｈｍ ， ａ ｋ ａ ｅ ｒ ａｉｅ ｙ ｇ ｎｅ ｉ ｌ ｏｒｔ ｎｄ ａ ＢＰ ｕ ａ ｅｔ ｎｅ ｒ ｌｎ ｗｏｒ ｉｈ ｍ ｉ ｍ ｕｍ ｒ ｏｒｉ ｋ ｗ ｔ ｎｉ ｅ ｒ ｓ
ｄ ｓｇ ｅ ｅ ｉ ｎ ｄ，ａ ｄ ｔ ｅ ｓ ｕ ａ ｎ ｔ ｒ ｔ ｒ ｔｖ ｌ ｏ ｉｈ ｔ ｈ ｌｉ ｔ ｅ ｌ ｅ ｉ ｇ ｅ ｍｅ ｔ ｔ ｎ ｎ ｈ ｎ ｕ ｅ Ｎｅ ｒ ｌ ｅ ｗｏ ｋ ｉ ａ ｉ ｅａ ｇ ｒｔ ｍ Ｏ ｔ ｅｕ ｔ ｅ ｍａ ｅ ｒ ａ ｉ ｚ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ．Ｔｈ ｅ ｕ ｔ ｆＥｘ ｅ ｉ ｎ ａ ｏ ｅ ｒ ｓ ｌｓｏ ｐ ｒｍｅ ｔ ｌ ｓ ｏ ｔ ａ ｈ ｌ ｏ ｉ ｍ ｅ ｒ ｌ ｎ ｔ ｒ ａ ｅ ｔ ｒ ａ ｈ ｅ ｅ ｔ ｅ ｉ ｇ ｅ ｍ ｅ ｔ ｔ ｎ ， ｃ ｍｐ ｒ ｄ ｗｉｈ ｔ ｅ ｔ ａ ｉｉ ｎ ｌ ｍｅ ｈ ｄ； ｈ ｗ ｈ ｔ ｔ ｅ ａｇ ｒｔ ｈ ｎ ｕ ａ ｅ ｗｏ ｋ ｃ ｎ ｂ ｔｅ ｃ ｉｖ ｈ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ｏ ｏ ａ ｅ ｔ ｈ ｒ ｄ ｔ ａ ｔ ｏ ｏ
图像 分割就 是将 图像 表示 为有具体物理 意义 的连 通 区域集 合 。通 过对 图像 的不 同特征如边 缘 、 纹理 、 颜 色、 灰度 等 的分析 达 到 图像分 割 的 目的 ，分 割得 到 的 图像 区域 在特征 描 述上具 有相似 性 ，图像分 割是进 一 步对 图像 进行 分 析、 识别 、 理解 的基础 ， 割的准确 性 分 直接 影 响后续 任务 的有效 性 ，因此在 图像处 理 中具 有 重要 意义 。 利用 人工神 经 网络 分割 图像 的基本思 想就是用 训 练样 本 集对 神经 网络进行 训 练 ， 以确定 节点 间 的连 接 和权 值 ， 再用训 练好 的神经 网络分割 新的 图像数据 ｎ 。 ］ Ｂ Ｐ学 习算 法是 最著 名 的多层 前 向反 馈式 神经 网 络训 练算 法 之 一 ， 主要 思想 是 利用 已知 确定 结果 的样 本 其
模 ， 加 一个 隐层 是必要 的 ， Ｂ 增 但 Ｐ网络 隐层 数一 般不 超过 两层 。一般 习惯将 单 隐层前 馈 网称 为三层前 馈 网 （ 图 １， 见 ） 所谓 三层 包括 了输入 层 、 隐层 、 出层 。 输 １ ２ 输入 层的 节点数 ． 输 入层 起缓 冲 存储 器 的作 用 ， 接 收外部 的输入 它 数据 ， 因此其节 点数取决 于输 入矢 量 的维 数 。
基 于遗 传 神 经 网络 的 图 像 分 割
文 罩 编 号 ： ０ ３ ５ ５ （ ０ １ ０ — ０ ６０ １ ０ — ８ ０ ２ １ ） ２０ １ — ３
基 于 遗 传 神 经 网络 的 图 像 分 割
Ｉ ａ ｅ Ｓ ｇ ｅ ａ ｉ ｎ ｂ ｓ ｄ ｏ ｎｅ ｉ ｕ ａ ｔ ｒ ｍ ｇ ｅ ｍ ｎｔ ｔｏ ａ ｅ ｎ Ｇｅ ｔｃ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ
二
１ ３ 输 出层 的节点 数 ．
Ｋ
图 １ 典 型 的三 层 Ｂ 神经 网络 结 构 图 Ｐ， Ｐ网
梯 度算 法 进行 稳定 学 习要求 的学 习率 较 小 ， 以通常 所 学 习过 程收敛 速度很 慢 ， 很容 易陷入局部 极小点 ， 无法 严 格保证 每 次训 练 的收敛性和全 局最优 性 。若利 用遗 传算 法 的全局 寻优 能力和 隐含 的并行性 ， 自动搜 索 Ｂ Ｐ 网络最 优 的权 值和 阈值 ， 设计最 佳 的网络 ， 网络 能够 使 拟合 预定 的 目标 ， 实现提高 图像分割 性能 的 目的 ｊ 。 输 出层 的节 点 数取 决 于两 个 方面 ， 出数 据 类 型 输 和表 示该 类型所 需要 的数据 大小 。当 Ｂ 网络用 语模 Ｐ 式分 类 时 ， 以二 进制形 式来 表示不 同模式 的输 出结果 ， 则 输 出层 的节点 数 可根据 待分类 模式来确 定 。若设待 分 类模 式 总数为 ， 则有 两种 方法确 定输 出的节点 数 。 ① 节 点 数 即 为待 分类 模 式 总 数 ， 时对 应 第 此
张 月琴 胡 斌
（ 太原理 工大 学计算机 科 学与技 术 学院 太原 ０ ０ ２ ） ３ ０ ４ 【 摘 要 】提 出一种 基于遗传 神经 网络 的 图像分 割方 法。该方 法利 用遗 传算 法对 Ｂ 神经 网络 的权值 和 阈值进 行 Ｐ 优 化 ，设计 出误差 最小 的神经 网络 ，然后用神 经 网络 算法迭 代 实现 图像 的分割 。通 过 实验证 明 ：该 方 法与传 统 的图像分 割方法相 比，具有更好 的图像 分割效果 ；与 Ｂ Ｐ神经 网络相 比，训练速 度得 到很 大的提 高。 【 关键 词】 图像 分割 ，神 经 网络 ，遗传算 法
中图 分 类 号 ：ＴＰ１ ３ ８ 文 献 标 识 码 ：Ａ
ＡＢ ＴＲＡＣ Ｓ Ｔ Ｔｈ ａ ｅ ｒ ｖ ｄ ｓ ｔ ｅ ｍｅ ｈ ｄ ｏ ｈ ｅ ｅ ｉ ｅ ｒ ｌ ｎ ｔ ｒ ｏ ｍａ ｅ ｓ ｇ ｎ ａ ｏ ｅ ｐ ｐ ｒ ｐ ｏ ｉ ｅ ｈ ｔ ｏ ｆ ｔ ｅ ｇ ｎ ｔｃ ｎ ｕ ａ ｅ ｗｏ ｋ ｆ ｒ ｉ ｇ ｅ ｍｅ ｔ ｔ ｎ． Ｔｈ ｐ ｉ ｚ ｔｏ ｆ ｔ ｅ ｉ ｅｏ ｔ ｍｉａ ｉｎ ｏ ｈ