1、偽彩色處理技術畢業論文摘要彩色圖像的偽彩色處理是目前彩色圖像處理領域中具有廣闊應用前景和實際應用價值的熱門研究課題。對彩色圖像進行偽彩色處理有很多種方法，其中比較常用的是基于圖像分割的方法。此方法的關鍵技術是對圖像進行有效的分割，因此本文把研究重點放在了對圖像進行有效的分割上面。本文提出了一種基于 Gabor濾波器與 BP神經網絡相結合的彩色圖像分割方法。其中 Gabor濾波器方法用于提取圖像的紋理特征，而神經網絡用于對所提取的圖像特征進行分類。首先，采用 Gabor濾波器方法提取圖像的紋理特征。人類視覺系統具有多通道和多分辨率的特征。因此基于多通道 Cabor濾波器的應用研究，在彩色圖像分割

2、方面得到了廣泛的關注。根據二維測不準原理， Gabor濾波器對信號空間域和空間頻率域能夠做出最優的描述，所以本文構造了一組排列成一個小波基集合的二維 Gabor濾波器，并用其提取圖像多分辨率和多方向性的空間域和頻域的特征。通過實驗證明，相對于其它的圖像分割方法，基于 Gabor濾波器的方法能夠取得比較好的分割效果。然后，分別采用傳統 BP神經網絡和改進后的 BP神經網絡作為分類器對圖像進行分割。神經網絡作為一種新的方法體系，具有較強的自適應性，這使得它的應用極其廣泛，特別是它的自適應性學習能力在模式識別方面表現的尤為突出。傳統的 BP神經網絡是一種基于誤差反向傳播算法的多層前饋神經網絡，它已成

3、為目前應用最為廣泛的神經網絡。但同時傳統的BP神經網絡也存在著一些缺陷，例如由于采用梯度算法，BP神經網絡的訓練速度很慢，而且容易陷入局部極小點等。為此，本文對傳統的BP神經網絡作了改進，并應用于圖像分割，與用傳統的BP神經網絡進行了圖像分割的結果比較。實驗證明，改進后的 BP神經網絡有效地克服了傳統BP神經網絡的一些缺陷。實驗結果表明，本文提出并應用 Cabor濾波器與神經網絡相結合的方法進行彩色圖像分割，取得了良好的效果。與傳統的分割方法相比較，此方法具有較強的自適應性和較快的分割速度。關鍵詞：圖像分割，神經網絡，Gabor小波濾波器，偽彩色處理ABSTRACTPseudo-color p

4、rocessing of the color image，which which themethodbased on image segmentation is in common useThe importanttechnology of thismethod isIn this thesis， an approach thmconnects Gabor filtering、 im networks isroposed and is used incolor image segmentation Gabor filteing is used in extractingthefeatures

5、of color images， and a neural network is used for theclassification ofthecolor image featuresFirst ， the effective features are extracted by GaborfilteringInspired by themultichannel operation ofthe HumanVisual System for interpreting texture，researchhas been focusedon a multi channel approach based

6、 on Gabor filtering tothesegmentation of color imageGabor filters botllinspatialandspatial 行 equency domain Normally theeffective width of a filterin the spatial domain and its bandwidth in thespatial frequencydomain arc inverselyrelmed according the 2D uncertaintyprinciple，therefore，we getthe filte

7、redimages tb_rougha setof Gabor filtersarranged as a set ofwavelet basesWeachieves a good result andmakepreparations for the follow upThen ，traditionalBP neural network and improved BPneural networkare used toimage segmentation respectively As a new methodologysystem ，neural network used widely in m

8、any fields，especially inpaRem recognitionTraditional BP neural network iS a multi layer feed-forwardnetwork that iS based on error back-propagation algorithmand Although traditional BP neural network is successful，it Therefore,an improved BP neural network is proposed in thisthesis and is used in im

9、age segmentation.And it is also comparedwith traditionalBP neural network in the aspect of imagesegmentation Experimentalresultsshowthat the improvedBP neuralnetwork overcomes some disadvantages ofthe traditionalBP neuralnetwork effectivelyExperimental result show that the proposed approach combinin

10、gOabor filteringand neural network performs better in segmentation of color image The proposedmethod speed Keywords ：image segmentation，neural network， Gaborfilter,Pseudo-colorprocessing畢業設計（論文） 原創性聲明和使用授權說明原創性聲明本人鄭重承諾：所呈交的畢業設計（論文），是我個人在指導教師的指導下進行的研究工作及取得的成果。盡我所知，除文中特別加以標注和致謝的地方外，不包含其他人或組織已經發表或公布過的研

11、究成果，也不包含我為獲得及其它教育機構的學位或學歷而使用過的材料。對本研究提供過幫助和做出過貢獻的個人或集體，均已在文中作了明確的說明并表示了謝意。作者簽名：日期：-指導教師簽名：日期：使用授權說明本人完全了解大學關于收集、保存、使用畢業設計（論文）的規定，即：按照學校要求提交畢業設計（論文）的印刷本和電子版本；學校有權保存畢業設計（論文）的印刷本和電子版，并提供目錄檢索與閱覽服務；學校可以采用影印、縮印、數字化或其它復制手段保存論文；在不以贏利為目的前提下，學校可以公布論文的部分或全部內容。作者簽名：日期：第1章引言1 1偽彩色處理技術的意義進入 21世紀以來，隨著微電子技術、計算機技術、現

12、代通信技術的飛速發展，人類社會正健步邁入信息化時代。 在人類所接收到的全部信息中， 70以上是通過視覺得到的。因此對數字圖像進行有效的處理變的十分重要。而目前彩色圖像占很大的比例，所以，對彩色圖像的處理顯得尤為重要。其中偽彩色處理技術就是一項重要的圖像處理技術。圖像的偽彩色處理技術，是將黑白圖像變成彩色圖像，也可以將原來有彩色的圖像變換成給定彩色分布的圖像。如不同譜能遙感圖像。彩色圖像中的彩色是根據黑白圖像的灰度級或其他圖像特征 ( 如空間頻率成分 ) 人為給定的。這是一種視覺效果明顯，而又不太復雜的圖像增強技術，在國內也是發展較快的一種圖像處理技術。缺點是對于相同物體或大物體各個部分因光照等

13、條件不同，會形成不同的灰度級，結果會產生不同彩色往往產生錯誤的判斷。在質量較高的黑白底片和 x光片中，往往有些灰度級相差不大，但包含著豐富的信息。可是人眼分辨灰度級能力較差，一般只有幾十級，無法從圖像中提取這些信息。但是我們知道人眼對色彩的分辨率較高，達幾百種甚至上千種。因此通常將圖像中的不同灰度級變換成不同的彩色，且分割越細，彩色越多，人眼所能提取信息也越多，從而達到圖像增強的效果。偽彩色處理技術不僅適用于航攝和遙感圖片，也可以用于x光片及云圖判讀等方面。可以用計算機去做，也可以用專用硬件設備來實現，如美國DIGlCOL電子觀察儀 6010，日本 PHOSDAC700，1000，1200，國

14、產 NST1密度分割偽彩色儀。其中國產 NST1密度分割偽彩色儀，能分出12級灰度以 12種彩色顯示，并可計算出某一彩色面積占全圖比例等。為了實時觀察 ( 如云圖判讀 ) ，多數采用專用硬件設備。偽彩色處理技術可以在空間域里實現，也可以在頻率域里實現。偽彩色圖像可以是連續彩色( 如彩色電視圖像 ) 也可以由幾種彩色單獨構成。1 2偽彩色處理的基本原理圖像的偽彩色處理作為一種重要的圖像處理技術，從 80年代起，就有很多研究人員為此付出巨大的努力。 迄今為止，文獻報道的處理方法有很多種。但這些方法從根本上說，可以歸為三類：基于圖像分割的方法，基于灰度級彩色變換的方法，基于濾波的方法。實際上，大多數

15、新的處理方法都是以這三類方法為基礎演變而來的。本文的研究內容是基于第一種方法一基于圖像分割的方法。這種方法的原理圖如下：圖像處理 圖像預處理 圖像分割 顏色填充 處理后圖像這種方法的關鍵技術是對圖像進行有效的分割。因此本文把研究重點放在了對圖像進行有效的分割上面。1 3彩色圖像分割的發展及現狀圖像分割 11 2J是圖像分析和模式識別的第一步，而且是圖像分析和模式識別基本而又重要的一個組成部分，是圖像處理中難度最大的部分之一，它決定了圖像最終分析結果的質量。通常所說的圖像分割是將一幅圖像分成不同的區域，同一區域有同類性，而任意兩相鄰區域不具有此同類性。發展到今天，灰度圖像分割的技術已經比較成熟。

16、彩色圖像的分割也逐步引起人們的關注 13J，主要有下述原因： (1) 彩色圖像比灰度圖像能提供更多的信息； (2) 隨著個人計算機處理能力的大大增強，快速處理彩色圖像硬件條件已經成熟。通過運用 RGB各分量及其變換 ( 線性、非線性 ) ，能將對灰度圖像分割的技術應用到彩色圖像領域。但是關于彩色圖像分割的文獻資料還較少，目前研究主要集中在兩個方面：一是討論一些彩色表示法的性質，分割方法和色彩空間；二是運用基于邊緣和基于區域的分割技巧進行彩色圖像的復雜紋理分割。彩色圖像分割的步驟一般分為預處理、顏色空間的選擇、分割算法實施及后處理。根據分割算法的理論依據不同，彩色圖像分割方法可分為基于閾值技術、

17、基于顏色聚類技術、基于區域增長技術、基于分裂與合并技術、基于區域競爭技術以及基于神經網絡技術等算法。它們是針對不同的應用領域、處理對象和分割精度要求發展起來的。這種分類是不嚴格的，為了達到定的分割精度，或者為了降低運算量，往往把幾種方法結合起來對圖像進行分割。1 4本文的主要工作目前各種文獻報道了一些關于彩色圖像分割的方法例如，基于小波變換技術、基于閑值技術、基于顏色聚類技術、基于區域增長技術等。這些方法對于如何提取圖像的特征及提取哪些特征作了很多的探索，但是在解決自適應性和特征提取之間的矛盾上并無長足的進展。對于彩色圖像，在HIS顏色空間， I 表示密度 (Intensity)，而 H表示色

18、調 (Hue) ， S表示飽和度(Saturation)，其中 H和 S是圖像顏色的相關信息。HIS有兩個特點：其一，1分量與圖像的彩色信息無關：其二，H和S分量與人的感受顏色的方式是緊密相連的。這些特點使得HIS模型非常適合應用于協助人的視覺系統來感知彩色特性的圖像處理算法。所以在進行特征提取時，我們可以把由1分量組成的圖像看成灰度圖像，對它進行特征提取然后再把兩個顏色分量的特征提取出來。最后利用這兩方面特征進行圖像分割。本文采用了1分量的紋理信息、 H和s分量的特征函數作為分類的特征。Campbell 和Robson最先提出了人類的視覺具有多通道和多分辨率的特征，并在心理物理學試驗中驗證了

19、這個結論。近年來基于多通道、多分辨率分析的算法受到廣泛的重視。如 Gabor濾波器、 Wigner分布等，利用這些方法可以有效地對圖像進行特征提取和分割處理。其中Gabor濾波器是該類方法的典型代表。它是一種聯合空頻的方法，符合人類視覺感知系統的特性，能很好地描述視覺細胞的感受野。為此本文采用Gabor濾波器的方法來對由 I 構成的圖像進行紋理特征的提取。人工神經網絡是一種非線性動力學系統，它具有良好的自學習、自組織和自適應能力。因此，人工神經網絡被應用到眾多的研究和應用領域之中。為了提高圖像分割的自適應性，本文采用BP神經網絡作為分類器進行圖像的分割。試驗結果表明，使用G-abor 多通道濾

20、波器和神經網絡相結合的方法對圖像進行分割具有較強的自適應性、較高的識別率 BP神經網絡是目前應用最為廣泛的一種人工神經網絡。 BP神經網絡是一種多層的前饋型神經網絡，它可以實現任意線性或非線性函數映射，具有較強的自適應性。然而，由于 BP神經網絡是基于梯度下降的誤差反向傳播算法進行學習的，所以 BP神經網絡也存在一些缺陷，例如其網絡的訓練速度通常很慢。而且很容易陷入局部極小點等。本文針對 BP神經網絡存在的這些缺陷，提出了一些改進的方法，使 Bp神經網絡的學習步長能夠在網絡的訓練過程中自適應地調整其大小，從而大大地加快了 BP神經網絡的訓練速度，而且還可以使網絡在訓練過程中跳出局部極小點，到達

21、全局最小點。另外，本文還對神經元激活函數的改進作了一些探索性的工作。本文提出的這些方法在一定程度上加快了網絡的收斂速度，同時對 BP神經網絡的自適應性也有一定程度的提高。1 5本文的安排從文章的內容看，論文分為四部分。第1章：是論文的引言部分。主要介紹了課題的研究意義和內容，以及彩色圖像分割的現狀和本文的主要工作。第2章：詳細介紹了彩色圖像的各種分割方法的原理和優缺點。第3章：詳細闡述了小波的基本理論，并在此基礎上介紹了本文采用的CJabor濾波器的特點和設計方法。第4章：詳細介紹了傳統 BP神經網絡和它的一些特點，并分析了它存在的缺陷。在此基礎上介紹了本文改進后的BP神經網絡，并用改進的BP

22、神經網絡作為分類器對圖像進行了分割實驗，對試驗結果進行了深入分析，將其與傳統BP神經網絡的分割結果進行了對比，給出了本文研究的結論。第 2章圖像分割技術研究2 1 圖像分割技術概述圖像分割作為一種重要的圖像處理技術，從 70年代起，就有很多研究人員為此付出巨大的努力。迄今為止，各種文獻資料記載的分割方法有成百上千種。但這些方法從本質上說，可以歸為三類：基于閾值的分割方法：基于邊緣檢測的分割方法：基于區域的分割方法。實際中，人們往往考慮對單色圖像的分割，即從單色圖像中提取出感興趣的目標。當灰度圖像有變化灰度的背景或本身有較大灰度范圍的區域時進行視覺圖像的分割會非常困難。這是因為對于單色圖像的分割

23、來說明亮度(Lightness)是惟一的可用信息，故這種問題是灰度圖像本身固有的。人的視覺中對明亮度的感覺一般只有 20級左右 I ，而彩色圖像除了提供明亮度外，還有色調和彩色的深淺，而人眼對色調或彩色的深淺可區分130級左右，即人眼可區分的顏色可達到 35萬多，人眼對顏色的感覺是人的視覺中一個重要部分。彩色圖像分割與灰度圖像分割的算法相比，大部分算法在分割思想上是一致的，只是彩色圖像包括著更豐富的信息，并有多種彩色空間的表達方式，因而彩色圖像分割算法的關鍵在于如何利用豐富的彩色信息來達到分割的目的。彩色空間是描述色彩的一種方法，我們用它來制定、產生、可視化一種色彩。不同的彩色空間適用于不同的

24、應用場合，因此需要有不同的彩色空間。一些設備因為硬件上的限制決定了它使用的彩色空間類型。大部分彩色空間，特別是計算機圖形學上使用的彩色空間是非線性的，即彩色空間中的相同顏色差在不同的位置有著不同的視覺差別，有些彩色空間用起來直觀，有些彩色空間是依賴于設備的，有些彩色空間則與設備無關。雖然彩色圖像分割已經有了很長的研究歷史，針對各種具體要求建立了許多算法，然而至今尚無統一的理論。利用算法分割出的區域圖與正確存在的分割之間可能出現誤差。誤差有 3種類型：一是分割后的圖像增添了新的區域；二是應有的區域未被分割出；三是所用的分割算法沒有正確給出邊界定位。本章對彩色圖像分割方法進行了較為深入的研究，分析

25、了各種分割方法的出發點、基本原則、分割效果以及優缺點。在以下各小節將分別介紹。2 2彩色圖像分割的方法2 21基于像素的技術基于像素的技術并不考慮空間因素，而是只取決于該點的顏色特征。這使得算法簡單，無需圖像的先驗知識：但沒有考慮與鄰近像素之間的聯系，容易將噪聲引入圖像，而且分割結果很容易產生原圖像中不存在的、孤立的、小塊的區域。典型方法是直方圖門限法和聚類法。最古老、最簡單而且應用最廣的基于像素的技術就是直方圖門限法。這種方法用彩色直方圖中相鄰兩個峰之間的谷作為門限來進行圖像分割。直方圖閾值法是圖像分割中最簡單的方法，故常應用于租糙的圖像分割中。目前一些圖像和視頻數據庫系統是使用直方圖門限法

26、來進行圖像和視頻的復原。直方圖門限法最通常的缺點就是對自然景物的彩色圖像進行分割的結果不能令人滿意。圖像分割中另一種基于像素的技術是聚類方法，它的應用也很廣泛。基于聚類技術的基本原理是將一幅彩色圖像聚為直方圖中的幾簇，每一簇都對應著圖像中的目標。在進行聚類時，首先應得到圖像中各點的顏色值，然后把它分配到與之顏色最相近的簇中去。 通過聚類方法來進行圖像分割存在以下問題： (1) 彩色空間中相鄰的簇類常常相互重疊，引起像素的錯誤分類： (2) 當簇的總數量預先不知，采用聚類的分割方法比一般方法更困難。另外，也有可能景物中單一物體的表面因觀察的幾何條件不同而使得同一物體表面被分割成彩色空間中的不同種

27、類。目前也有把聚類和直方圖閾值法綜合在一起的算法，具體分為兩步：第一步是修改直方圖闞值法中的算法，修改內容包括對圖像要被分割的區域計CIE*a*b* 空間的主要分量軸；第二步是在彩色距離的基礎上對像素進行再分類。另外近來針對彩色圖像分割提出了一種基于數學形態學的分割方法，而且實驗證明，該算法獨立于彩色空間的選取。2 2 2基于區域的技術基于區域的分割技術能夠直接將圖像分割， 這使得它成為目前最流行的分割技術之一。基于區域的技術主要依賴于圖像中區域的連續性，一般包括區域生長、分裂和聚合等技術。區域生長就是組合鄰近的像素或者收集具有相似特征的像素到一個更大的區域中去。分裂和聚合技術的思想是將整個圖

28、像分成若干個互不交疊的圖像塊，對每塊進行分割，然后根據塊與塊分割特征進行聚合，甚至可以一開始把每一個像素看成一塊即一簇，然后再不斷聚合。基于區域的技術既考慮到彩色空間中顏色的貢獻，又考慮到與鄰近像素之間的聯系。盡管區域生長技術一般是通過計算歐幾里的空間距離來比較兩個像素顏色之間的差別，但是實驗表明：在L*a *b* 彩色空間中采用這種方法不比在其他彩色空間中有明顯的優勢。在區域分裂和聚合方法中，四叉樹算法是目前最通用的數據結構方法，此算法簡單，而且計算效率非常高 Illl 。四叉樹算法的主要缺點是因為自身嚴格的直線性，而使得它們的圖像分裂方式無法自適應于圖像數據的底層結構的不同。當然也有人提出

29、采用漸增的 Delaunay 三角作為一個直接的區域劃分技術應用于圖像分裂和聚合中。2 23基于邊緣的技術基于邊緣的技術主要依賴于圖像中區域的不連續性。 圖像邊緣檢測技術目前主要被用來進行圖像分割，一旦圖像中的邊緣被識別出來之后，圖像則能夠被分割成基于這些邊緣的許多區域，其優點是邊緣定位準確，運算速度快。基于邊緣的技術的缺點就是對噪聲敏感，而且邊緣檢測方法只使用了局部信息，難以保證分割區域內部的顏色一致，且不能產生連續的閉區域輪廓。限制其在圖像分割中應用的兩大難點：一是不能保證邊緣的連續性或封閉性，二是在高細節區存在大量瑣細邊緣，難以形成一個大區域，但又不宜將高細節區分成小碎片，這使得單獨的邊

30、緣檢測只能產生邊緣點，而不是一個完整意義上的圖像分割過程，這樣邊緣點的信息需要后續處理或與其他分割算法結合起來，才能完成分割任務。2 24基于模型的技術近來相當多的工作都針對基于隨機模型的分割技術來展開若圖像的區域被歸結為隨機場模型，則分割問題可以歸為求統計最優問題。與以往的技術相比，基于隨機模型的技術能夠提供更精確的圖像區域特征。事實上，各種各樣的隨機模型均能夠合成同現實世界中自然景物非常相似的彩色紋理正因為這種特性和優化公式，使得當圖像區域復雜或者通過簡單的技術很難劃分時，應用基于模型的技術會得到非常好的分割結果。此技術大部分的方法都是采用類似于Markov隨機場 (MRF， Markov

31、 Random Field) 或Gibbs隨機場等空間交互模型來對圖像建模。還有一種方法就是 MAP(Maximum APost 日iori)方法，此方法一般用來解決存在噪聲情況下的圖像分割問題，并且穩健性比較好。為了提高條件概率模型，有人提出了一種自適應的MAP算法。當類的均值空間獨立并且先驗概率分布被忽略時，可采用與K均值法K-means)相類似的非自適應彩色聚類算法。采用基于最隨機模型技術對彩色圖像 ( 特別是對自然景物圖像) 分割的結果在大部分情況下都非常理想。但是，由于需要大量的計算，而且算法很復雜，因此需要在計算機復雜度和良好的分割結果之間做一個平衡2 25基于物理的技術基于物理模

32、型的技術在生成彩色矩陣時采用彩色圖像信息處理中的底層物理模型。基于物理的分割方法是從圖像的產生過程和人眼視覺系統角度出發，根據圖像中得到的顏色數據獲得景物中物體的材料或形狀信息進而分割。一般是采用由雙色反射模型(DRM，DichromaticReflectionModel)空間測量的彩色方差進行分類，從而實現圖像分割。這種技術是在目標的邊界處而不是圖像中亮和暗的邊緣處來進行分割。一幅圖像的形成總是三方面因素相互的、復雜的作用過程，這些因素包括：景色的光學特性、光源和光傳感器。估計三方面因素對圖像的影響是圖像分析及計算機視覺主要目標之一，人的視覺系統基本能解決這個問題，那就是顏色恒常性(Colo

33、r Constancy)。有人分析了燈光、陰影以及相機特性( 比如彩色剪輯、彩色平衡、彩色鏡頭失調等) 的對彩色圖像分割的影響。也有人用此技術來對塑料目標進行分割并得到了非常精確的結果。但在 DRM中存在著一些嚴格的假設，比如亮度條件和物體類型。對于大部分的實際場景圖像來說，這些條件都是不具備的。因此，采用DRM進行分割處理的算法一般是用在可控的環境下。2 26基于人工神經網絡的技術早在本世紀 50年代，研究人員就開始采用軟件或硬件的方法，模擬動物神經系統的某些功能， 建立了以大量處理單元為結點，處理單元間實現 ( 加權值的 ) 互聯的拓撲網絡稱之為人工神經網絡。最近，人工神經網絡的研究和應用

34、日益受到人們的重視，特別是隨著計算機技術飛速發展，更加速了它在各個領域的應用，其中包括彩色圖像分割。Liumann和RJtterI”l 成功地應用一個局部線性映射神經網絡(Local Linear Maps)，從復雜彩色實驗室圖像中分割出人手。他們預先用已經分割出來的人手與背景的象素特征訓練該人工神經網絡，然后利用局部的彩色信息估計出象索屬于“人手”的隸屬度和屬于“背景”的隸屬度，最后將人手分割出來。這一研究說明LLM模型適用于利用彩色信息從復雜背景中分割出復雜對象。 Erealla7l用一種新穎的人工神經網絡算法，將惡性黑色素瘤從 3種與其特征相似的良性皮膚腫瘤中檢測出來。本算法利用基于腫瘤

35、形狀和相關皮膚顏色的判別式特征，經過適當的訓練，獲得了80的檢出正確率。但是， LLM模型必須采用更多的變量，以避免太多初始化。2 27基于模糊技術近年來，模糊理論和模糊算法越來越多地應用于圖像處理。模糊理論是指模糊集合理論。在彩色圖像分割中，模糊理論與經典分割算法結合，產生一些新的算法。 Lim等人在 Ohta顏色空間中測試了閾值結合模糊 C均值聚類算法，他們先用閩值方法把彩色圖像進行粗略分割，即把特征比較明顯的象素分成幾個區域，然后運用模糊 C均值聚類算法把剩余象索歸并到隸屬度最大的區域里，完成分割。由于模糊 C均值聚類算法需要反復遞歸迭代，所以運算量過大，任彬等對此算法進行了改進， 加速

36、了收斂過程， 降低了運算量。 Kandel 等驗證了模糊區域增長的可行性，他在文章中提到結合邊緣檢測和基于兩個模糊判決標準的區域增長算法，在UV彩色空問用直方圖完成彩色圖像的精細分割。第 3章基于 Gabor小波濾波器的特征提取3 1小波變換基礎小波變換 (wavelet transform)作為一種新的變換域信號處理，是在傅里葉變換的基礎上發展起來的一種時頻分析方法。它通過伸縮和平移等運算功能對函數或信號進行多尺度細化分析，解決了傅里葉變換不能解決的許多困難，被譽為數學顯微鏡。它在許多領域都得到了成功的應用，在圖像處理領域也有很廣泛的應用。我們知道，應用傅里葉變換研究模擬信號的譜特性，必須獲

37、得該信號在時域中的所有信息，甚至包括將來的信息，在短時傅里葉分析中，由于其時間頻率窗是嚴格的，反映不出隨時間變化的頻率，在處理非平穩信號分析和實時信號處理中，傅里葉變換是不夠的，促使我們引入小波變換來代替傅里葉變換。3 11連續小波的概念小波變換的含義是： 把某一被稱為基本小波或母小波(motllerwavelet)的函數 （t ）作為移 b后，再在不同尺度 a下與待分析信號 x （t ）作內積，即：WT（ a， b）=稱為 x（t ）的連續小波變換。其中 x（t ）是平方可積函數， a>0是尺度因子， b反應位移，其值可正可負，而且（ t ） =是基本小波的位移與尺度伸縮。其等效的頻域

38、表示為：WT（a，b）=dw總之，從頻率上看，用不同尺度作小波變換大致相當于用一組帶通濾波器對信號進行處理。當口值小時，時軸上觀察范圍小，而在頻域上相當于用較高頻率作分辨率較高的分析，即用高頻率小波作細致觀察。當口值較大時，時軸上考察范圍大，而在頻域上相當于用低頻小波作橛貌觀察分析頻率有高有低，但在各分析頻段內分析的品質因數 Q卻保持一致。任何變換必須存在反變換才有實際意義，但反變換并不一定存在。對小波變換而言，所采用的小波必須滿足所謂“容許條件”(admissible condition)。3 2 Gabor 小波濾波器在圖像處理與計算機視覺領域，圖像分割是一項困難而又重要的技術。在某種意義

39、上，對于目標識別任務而言，圖像分割結果的好壞會直接影響到目標識別的結果。一般而言，影響圖像分割結果的因素主要有目標特征的選取以及圖像分割方法這兩方面，其中目標特征選擇的是否正確，對分割結果將起至關重要的作用。由于 Gabor小波交換較好地描述了生物視覺神經元的感受野問題，根據特定的視覺需要可相應地調整它的空間與頻率采樣特性，從而獲得我們感興趣的目標特征，所以適合用于圖像的分析與處理。較早將 Gabor小波變換技術應用于圖像分割的A K Ja抽等人結合非線性變換技術和均方差聚類技術，實現了對多種紋理的分割；Xing Wu等人將Gabor小波變換技術用于紅外目標的識別，取得了魯棒的效果；P.P.R

40、aghu等人將 Gabor小波變換技術與無監督神經網絡技術聯系在一起，對紋理圖像進行分割，也得到了良好的結果。Gabor 小波是這樣一組相似的Gabor函數，它們相互之間有不同的相移、比例尺度以及旋轉方向；Gabor函數在空間頻率域同時進行測量，并且在這兩種域中都是局部的變換，具有明顯的方向選擇特性和頻率選擇特性；另外， Gabor函數有許多的自由度，允許通過調整空間與頻譜特性來滿足特定的視覺需要。由于它可以較好地模擬人類視覺系統某些方面的特點，并且具有一些非常吸引人的計算特性：如上述在空間域和頻率域同時具有最優的局部化特點等，通過改變Gabor小波的形狀、帶寬、中心頻率和方向參數。我們可以設

41、計一組Gabor小波濾波器來采樣一幅圖像的整個頻率域，因此Gabor小波濾波器可以用來解決各種圖像處理與計算機視覺難題。第 4章基于 BP神經網絡的圖像分割4 1人工神經網絡概述4 1 1 人工神經網絡的基本概念和基本特征人工神經網絡是生理學上的真實人腦神經網絡的結構和功能以及若干基本特性的某種理論抽象、簡化和模擬而構成的一種信息處理系統。從系統的觀點看，人工神經網絡是由大量神經元通過極其豐富和完善的連接而構成的自適應非線性動態系統。由于神經元之間有著不同的連接方式，所以組成不同結構形態的神經網絡系統是可能的。人的智能來源于大腦， 大腦是由大量的神經細胞或神經元組成的。 每一個神經元可以看作為

42、一個小的處理單元，這些神經元按照某種方式互相連接起來，構成了大腦內部的生理神經元網絡，它們中的各神經元之間連接的強弱，按照外部的激勵信號作自適應變化，而每個神經元又隨著接受到的多個激勵信號的綜合大小呈現興奮或抑制狀態。根據現在的了解，大腦的學習過程就是神經元之間連接強度隨外部激勵信息作自適應變化的過程，大腦處理信息的結果確實是由神經元的狀態表現出來。顯然，神經元是信息處理系統的最小單元。雖然神經元的種類有很多種，但其基本結構相似，神經元的結構如圖示圖為神經元結構示意圖神經元是由細胞體、樹突、軸突和突觸四部分組成的。從細胞體向外伸出許多樹突和一條長的軸突，樹突和軸突分別負責傳入和傳出興奮或抑制信

43、息到細胞。神經元的樹突較短，分支很多，是信息的輸入端。軸突較長，是信息的輸出端。突觸是一個神經元與另一個神經元相聯系的特殊結構部位，突觸包括突觸前、突觸間隙和突觸后三部分。突觸前是第一個神經元的軸突末梢部分。軸突后是指第二個神經元的受體表面。突觸前通過化學接觸或者點接觸，將信息傳往軸突后受體表面，實現信息源的信息傳輸。樹突和軸突一一對接，從而靠突觸把眾多的神經元連接成一個神經元網絡。神經元群或者神經網絡系統對外界有興奮和抑制兩種反應，興奮指的是由相對靜止變為相對活動，抑制是指由相對活動變為相對靜止。神經元之間信息的傳遞形式有正負兩種。正連接呈相互激發；負連接呈相互抑制。各神經元之間的連接強度和

44、極性可以有所不同，并且都可以進行調整，因此人腦才可以有存儲信息的功能。圖為神經元結構模型由大量神經元相互連接組成的人工神經網絡將顯示出人腦的某些基本特征，人工神經網絡主要有以下幾個基本特征：·(1) 分布存儲和容錯性：一個信息不是只存儲在一個神經元上而是按照內容分布在整個神經元網絡上，神經網絡的某一處不是只存儲一個外部信息，而是每個神經元存儲多種信息的部分內容。這種分布式存儲方式是存儲區與運算區合為一體的。 在神經網絡中， 要獲得存儲的知識， 則采用 “聯想”的方法，即當一個神經網絡輸入一個激勵時，它要在已存儲的知識中尋找與該輸入匹配最好的存儲知識為其解。當然在信息輸出時，也要經過種

45、處理，而不是直接從記憶中取出。這種存儲方式的優點在于若部分信息不完全，就是說或者丟失或者損壞甚至有錯誤的信息，它仍然能恢復出來正確的完整的信息，系統仍能運行。這就是神經網絡具有容錯性和聯想記憶功能，自然呈現出較強的魯棒性。(2) 大規模并行處理：人工神經網絡在結構上是并行的，而且神經網絡的各個神經元可以同時進行類似的處理過程因此，神經網絡中的信息處理是在大量神經元中并行而又有層次地進行，運算速度高，大大超過了傳統的序列式運算的數字機。雖然每個神經元的信息傳遞( 神經脈沖 ) 速度是以毫秒計算的，比普通序式計算機要慢很多，但是人能通常在一秒內即可做出對外界事物的判斷和決策，這就是能神奇地完成所謂

46、“百步”決策。而這應用現有傳統的計算機及人工智能技術目前還是做不到的。(3) 自學習、自組織和自適應性：自學習、自組織和自適應要求在時間上系統內部結構和聯系方式有改變，神經網絡是種變結構系統，恰好能完成對環境的適應和對外界事物的學習能力。神經元之間的連接方式有多種多樣，而且各個神經元之間連接強度具有一定的可塑性，這相當于突觸傳遞信息能力的變化，這樣神經網絡可以通過學習和訓練進行自組織以適應不同信息處理的要求(4) 神經網絡是大量神經元的集體行為，并不是單個神經元行為的簡單的相加，而是表現出復雜非線性動態系統的特性。如不可預測性、不可逆性和出現混沌現象等。(5) 神經元可以處理些環境信息十分復雜

47、、知識背景不清楚和推理規則不明確的問題。例如語音識別和手寫體識別等，這些都屬于具有復雜非線性和不確定性對象的控制。在這些問題中，信源提供的模式豐富多彩，有的相互問存在矛盾，兩判定決策原則又無條理可以遵循，通過神經元網絡學習 ( 按照學習法則 ) ，可以從典型事例中學會處理具體事例，給出比較滿意的解答。4 12人工神經網絡的應用及發展方向人工神經網絡作為一種新的方法體系，具有分布并行處理、非線性映射、自適應學習和魯棒容錯等特性， 這使得人工神經網絡在模式識別、控制優化、智能信息處理以及故障檢測等方面都有廣泛的應用。目前，人工神經網絡的研究方向可以分為理論研究和應用研究兩大方面。人工神經網絡的理論

48、研究可以分為以下兩類：(1) 利用神經生理與認知科學研究大腦思維及智能機理。(2) 利用神經科學基礎理論的研究成果，用數理方法探索智能水平更高的人工神經網絡模型，深入研究神經網絡的算法和性能，開發新的神經網絡數理理論。人工神經網絡的應用研究可以分為以下兩類：(1) 人工神經網絡的軟件模擬和硬件實現的研究。(2) 人工神經網絡在各個領域中的應用研究，這些研究領域主要包括模式識別、信號處理、專家系統、優化組合等。隨著人工神經網絡理論本身以及相關理論、相關技術的不斷發展，人工神經網絡的應用必將更加深入和廣泛。4 2 BP神經網絡及其特點4 21 BP神經網絡的結構BP 神經網絡的算法又稱為誤差反向傳

49、播算法。該神經網絡具有良好的分類識別和記憶等能力，因此相應的學習算法成了研究的焦點。1985年，Rumdhart等人提出的 EBP(Error Back Propagation)算法 ( 簡稱 BP)，系統地解決了多層神經元網絡中隱單元層連接權的學習問題，并在數學上給出了完整的推導。由于 BP神經網絡克服了簡單感知器不能解決的 XOR和其它一些問題，所以 BP模型已經成為神經網絡的重要模型之一，并且得到了廣泛的應用。多層 BP神經網絡模型的拓撲結構如圖 4 3所示它是由輸入層、中間層和輸出層組成的。中間層也稱為隱含層，隱含層可以是一層也可以是多層。BP神經網絡的學習過程由兩部分組成：正向傳播和

50、反向傳播。當正向傳播時，輸入信息從輸入層經隱單元層處理后傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到期望的輸出，則轉入反向傳播，將誤差信號沿著原來的神經元連接通路返回。在返回過程中，逐一調整各層神經元連接的權值。這種過程不斷地迭代，最后使信號的誤差達到所允許的范圍之內。4 .3本文對傳統 BP神經網絡的改進4. 3 1傳統 BP神經網絡的一些缺陷BP 神經網絡是目前應用最為廣泛的一種人工神經網絡，從本質上講，BP神經網絡是把對一組樣本的輸入，輸出問題變為個非線性優化問題。它使用了優化技術中的一種最速下降算法，利用迭代運算求解權值，這相當于學習記憶闖題，加入隱層神經

51、元可以使優化問題的可調節參數增加，這樣可以達到更精確的解。但是，BP神經網絡本身還存在著一些不足之處。(1) 已經學習好的網絡的推廣問題即能否逼近規律和對大量未經學習過的輸入量也能做出正確的處理， 并且神經網絡是否具有一定的預測能力。(2)BP 神經網絡的誤差曲面有以下三個特點：第一， BP神經網絡的誤差曲面存在有很多的全局最小解第二， BP神經網絡的誤差曲面存在一些平坦區，在此區域內的誤差改變很小，這些平坦區多數發生在神經元的輸出接近于0或者 l 的情況下，對于不同的映射，其平坦區的位置、范圍各不相同，在有的情況下，誤差曲面會出現一些階梯形狀。第三， BP神經網絡的誤差曲面存在不少局部極小點 133l ，在某些初值的條件下，算法的結果很可能會陷入局部極小點。由于誤差曲