1、人工神經(jīng)網(wǎng)絡在生物醫(yī)學工程圖像處理中的應用摘要：文章簡要介紹了人工神經(jīng)網(wǎng)絡及其特點， 總結了人工神經(jīng)網(wǎng)絡在圖像識別、 圖像壓縮、圖像分割、圖像分類、醫(yī)學影像圖像等方面的應用，以及討相對于傳 統(tǒng)的圖像處理方法的優(yōu)勢。 著重討論了人工神經(jīng)網(wǎng)絡在指紋圖像識別、 遙感圖像 分類方面的應用。關鍵詞：人工神經(jīng)網(wǎng)絡；圖像識別；圖像壓縮；圖像分類；遙感圖像人工神經(jīng)網(wǎng)絡(Artificial Neural Nets,ANN)是近年來發(fā)展起來的十分熱門 的交叉學科，它涉及生物、電子、計算機、數(shù)學和物理等學科，具有非常廣泛的 應用背景。它是一種模仿動物神經(jīng)網(wǎng)絡行為特征， 進行分布式并行信息處理的算 法數(shù)學模型。依靠

2、系統(tǒng)的復雜程度， 通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關系， 從而達到處理信息的目的。人工神經(jīng)網(wǎng)絡具有以下主要特點: 能較好地模擬人的形象思維; 具有 大規(guī)模并行協(xié)同處理能力; 具有較好的學習能力; 高速信息處理能力； 具 有較強的容錯能力和聯(lián)想能力; 是一個大規(guī)模自組織、 自適應的非線性動力系 統(tǒng)。人工神經(jīng)網(wǎng)絡在生物醫(yī)學工程領域主要是解決用常規(guī)方法難以解決和無法 解決的問題。在生物醫(yī)學信號的檢測和分析處理中主要集中對心電、 腦電、肌電、 胃腸電等信號的識別，腦電信號的分析，聽覺誘發(fā)電位信號的提取， Holter 系 統(tǒng)的心電信號數(shù)據(jù)的壓縮， 醫(yī)學圖像的識別和數(shù)據(jù)壓縮處理。 本文主要是介紹人 工

3、神經(jīng)網(wǎng)絡應用在圖像識別、邊緣檢測、圖像分割、圖像壓縮等方面的應用。圖像識別：人工神經(jīng)網(wǎng)絡所具有的學習能力和容錯性對圖像識別問題具有獨到之處。神 經(jīng)網(wǎng)絡目標識別一般需要兩個過程： 訓練過程和實際識別過程。 訓練過程得到一 組合適的網(wǎng)絡連接權值， 在識別過程中把未知模式輸入到網(wǎng)絡中根據(jù)學習結果對 未知模式進行模式判斷。進行目標識別時，通過對有代表性樣本的學習，能夠識別帶有噪聲或形變的輸入模式， 能把識別處理和若干預處理融合成一體進行， 經(jīng)過學習后的神經(jīng)網(wǎng)絡 具有較高的容錯性、推理能力和魯棒性。RBF網(wǎng)絡具有設計簡單、訓練速度快等優(yōu)點。何苗等通過實驗發(fā)現(xiàn)，RBF人 工神經(jīng)網(wǎng)絡在宮頸細胞圖像識別中，R

4、BF網(wǎng)絡對訓練集的擬合度為97.3%,對測 試集的分類準確率為 95.4%，測試集中正常細胞的識別率為 96%， LSIL 細胞識別 率為94% HSIL細胞識別率為100%癌細胞識別率為88% RBF網(wǎng)絡輸入?yún)?shù)的 敏感度排序與細胞病理學特征基本一致。張彤等3在基于BP神經(jīng)網(wǎng)絡的指紋識別中，采用BP神經(jīng)網(wǎng)絡先把指紋分成左 環(huán)、右環(huán)、拱、渦、棚狀拱和不辨型 6類, 然后在子類中根據(jù)特征提取進行識別。 實驗結果表明 , 此方法能有效地進行指紋識別 , 且提高了指紋識別的速度， 具有一 定的應用價值。人工神經(jīng)網(wǎng)絡在人臉識別中的應用 ,充分利用了神經(jīng)網(wǎng)絡具有較好的訓練和4 學習能力,自動由系統(tǒng)獲取人

5、臉的相關特征信息 ,達到人臉的識別. 馮巧娟等4 通過研究發(fā)現(xiàn)，傳統(tǒng)方法通過神經(jīng)網(wǎng)絡設計了組合分類器 , 在識別效果的準確率、5容錯性、魯棒性等方而取得了一定的進展。召E紅等 研究發(fā)現(xiàn)，利用BF神經(jīng)網(wǎng)絡 進行人臉特征提取和識別，具有識別速度快、識別率高，容錯性好等特點，具有6 很強的自適應性，對有噪聲、殘缺和戴眼鏡的圖像識別效果較好。蓋懷存等 6 研究發(fā)現(xiàn)，GA-BP網(wǎng)絡的應用于人臉檢測具有檢測速度快、檢測精度高等特點。圖像邊緣提取： 圖像的邊緣提取是尋找圖像灰度劇烈變化的地方。邊緣檢測是圖像處理與 計算機視覺領域中占有最重要的位置。 傳統(tǒng)的邊緣檢測方法是構造對像素灰度級 階躍變化敏感的微分算

6、子， 并且存在域值確定問題。 而神經(jīng)網(wǎng)絡不存在域值確定 問題，也具有顯著的抗噪能力。圖像分割：傳統(tǒng)的圖像分割方法是基于 R、 G、 B 閾值法來判斷該點是否為目標像素點， 由于噪聲和背景的干擾，往往不能取得質(zhì)量好的目標圖像。EP人工神經(jīng)網(wǎng)絡在 理論上具有實現(xiàn)任意非線性映射的能力， 具有自學習、自適應及魯棒性強的特點， 已成功地運用于印鑒圖像分割、 車牌號碼圖像的分割等工作中， 取得了良好的圖 像分割效果。BP學習算法主要思想是利用已知確定結果的樣本模式對網(wǎng)絡進行訓練，然 后利用訓練好的網(wǎng)絡進行圖像分割。 BP 網(wǎng)絡在分割圖像時，本質(zhì)上是將待處理 圖像中的各點聚類為目標像素和非目標像素， 正確聚

7、類后去除非目標像素， 從而 得到目標像素。基于PCN的圖像分割完全依賴于圖像的自然屬性，不用預先選擇處理的空間 范圍,是一種更自然的分割方式 ;通過調(diào)節(jié)神經(jīng)元的鏈接強度 ,可方便地對圖像進 行不同層次的分割 ,且分割速度很快 ,在圖像分割中有很強的適應性 .實驗證明, 利用PCN可以有效地對指紋圖像進行分割.用PCN進行圖像分割時，每一個神經(jīng)元與圖像像素一一對應，同時該神經(jīng)元 和周圍鄰近神經(jīng)元連接。PCN分割結果明顯優(yōu)于標準差閾值跟蹤法分割的結果。 與傳統(tǒng)方法相比 ,它進一步減少了后續(xù)處理步驟的數(shù)據(jù)量 ,也避免了因為部分圖 像區(qū)域不可靠而導致的偽特征的產(chǎn)生 , 提高指紋識別的精度。與傳統(tǒng)的圖像

8、分割 方法相比, 該算法有很強的適應性和抗噪性 , 在一定程度上提高了準確率。 因此, 用P CNN來實現(xiàn)指紋圖像的背景分離具有一定的參考價值。圖像壓縮：和一些傳統(tǒng)的壓縮方法相比， 人工神經(jīng)網(wǎng)絡技術具有良好的容錯性、 自組織 和自適應性， 在圖像壓縮過程中不必借助某種預先確定的數(shù)據(jù)編碼算法， 神經(jīng)網(wǎng) 絡能根據(jù)圖像本身的信息特點，自主地完成圖像編碼和壓縮。EP人工神經(jīng)網(wǎng)絡 已被廣泛地應用于圖像處理領域。EP神經(jīng)網(wǎng)絡可以直接提供數(shù)據(jù)壓縮能力。把一組輸入模式通過少量的隱含 層單元映射到一組輸出模式， 并使輸出模式盡可能等于輸入模式。 輸入層到隱含 層相當于編碼器，對信號進行線性或非線性變換； 隱含層

9、到輸出層相當于解碼器， 對壓縮后的信號進行線性或非線性反變換， 恢復原圖像數(shù)據(jù)。 輸入層和輸出層均 含有nXn個神經(jīng)元，各神經(jīng)元對應于nXn圖像分塊中的每一像素， 隱含層神 經(jīng)元數(shù)比輸入、輸出層的神經(jīng)元數(shù)少得多，從隱含層輸出的數(shù)據(jù)值即為壓縮值， 通過設計隱含層神經(jīng)元數(shù)來實現(xiàn)不同壓縮的目的。 訓練好的網(wǎng)絡隱含層神經(jīng)元矢 量即是數(shù)據(jù)壓縮的結果，輸出神經(jīng)元矢量便是重建的數(shù)據(jù)。高紅等11提出了一種改進的EP神經(jīng)網(wǎng)絡壓縮算法，按圖像各部分像素特 征將圖像分為平滑快、中間塊和邊緣塊，不同的分類塊采用不同的隱含層數(shù)， 對 圖像細節(jié)的部分作比較精細的處理， 平滑部分可處理的粗超一些， 從而在保證圖 像質(zhì)量的前

10、提下，進一步提高壓縮比。圖像校正：RBF網(wǎng)絡的基函數(shù)不僅徑向?qū)ΨQ，且具有良好的光滑性和任意階導數(shù)，便于理論分析。理論證明對于一個給定的非線性函數(shù)， RBF網(wǎng)絡可以任意準確度 逼近，該網(wǎng)絡具有全局最優(yōu)和最佳逼近性能。遙感圖像的幾何校正函數(shù)是一個非線性、 不確定的復雜函數(shù)， 難以用精確的 數(shù)學模型來表達問題，利用基于RBF人工神經(jīng)網(wǎng)絡能以任意精度逼近任意函數(shù) 的特性，模擬地表空間分布這一復雜的非線性函數(shù)。圖像分類：與傳統(tǒng)的分類方法相比， 神經(jīng)網(wǎng)絡分類法有以下優(yōu)勢： 在一定程度上消除了 遙感影像分類的模糊性和不確定性；能夠并行處理；分類速度更快；AN具有自學習、自組織能力，能最大限度地利用已知類別遙

11、感圖像樣本集的先驗知識， 自 動提取識別規(guī)則； 更具有聯(lián)想和推廣能力。 因而在圖像分析處理領域中得到了十 分廣泛的應用。Kanellopoulos 等人（1992年）對 SPOTHRV（High ResolutionVisible） 圖像 進行了分類，發(fā)現(xiàn)利用人工神經(jīng)網(wǎng)絡方法的分類結果要高于其他方法；Deng等人（2001年）利用人工神經(jīng)網(wǎng)絡方法從TM數(shù)據(jù)的熱紅外波段中有效地提取了煤田火 災的情況。 基于神經(jīng)網(wǎng)絡技術的遙感圖像分類處理方法精度較高， 可被應用到土 地覆蓋、農(nóng)作物分類和地質(zhì)災害預測等很多方面。 與傳統(tǒng)遙感圖像分類方法相比， 分別采用基于不同算法的各種神經(jīng)網(wǎng)絡分類模型，具有更好的聯(lián)

12、想和推廣能力。醫(yī)學影像診斷：用于顱內(nèi)星形膠質(zhì)細胞瘤良惡性的影像診斷： 姜興岳等 13搜集280例星形膠 質(zhì)細胞腫瘤病例的MRI影像資料，由放射科醫(yī)生對MRI圖像進行12方面的特征提 取作為輸入層，隱含層含 4個節(jié)點，輸出層有兩個結點，分別對應良性及惡性星 形膠質(zhì)細胞腫瘤。輸出結果為 0，系統(tǒng)診斷為良性腫瘤，為 1診斷為惡性腫瘤。結 果顯示人工神經(jīng)網(wǎng)絡的診斷準確性接近放射科專家。用于乳腺癌的普查Baker等14以美國放射學會的乳腺影像記錄與數(shù)據(jù)系統(tǒng)標準化詞典為依據(jù)，構建BP網(wǎng)絡。網(wǎng)絡輸入層18個結點，其中10項放射學所見， 8項臨床表現(xiàn)；輸出層 1個結點，代表惡性病變可能性。結果顯示，經(jīng)過訓練的

13、網(wǎng) 絡在指定輸出閾值時，活檢陽性的預測率由35%提高到6 1 % ，敏感度1 00% 。人工神經(jīng)網(wǎng)絡的自適應非線性等特點，使之能夠處理很多傳統(tǒng)的圖像處理方 法不能解決的問題， 但目前人工神經(jīng)網(wǎng)絡的處理效果與訓練樣本的選取有很大關 系，相信隨著在這方面研究的不斷深入， 人工神經(jīng)網(wǎng)絡在圖像處理方面的應用將 越來越廣泛。參考文獻：1 雷建鋒 ,孫俊逸 .基于人工神經(jīng)網(wǎng)絡下的圖像識別的研究.現(xiàn)代電子技術J.1004-373X(2008)08-127-042 何苗,蔣本鐵等.徑向基人工神經(jīng)網(wǎng)絡在宮頸細胞圖像識別中的應用.中國醫(yī)科大學學報 J.0258-4646(2006)01-0079-033 張 彤，

14、肖南峰.基于BP網(wǎng)絡的指紋識別系統(tǒng) 重慶理工大學學報(自然科 學)1674-8425 (2010) 01-0047-044 馮巧娟等，人工神經(jīng)網(wǎng)絡在人臉識別中的應用 .平頂山工學院學報J .1671-9662 (2008) 02-0019-02 邵紅，徐全生，崔文成.基于BP神經(jīng)網(wǎng)絡的人臉圖像識別方法的研究沈陽工業(yè)大學學報 J.1000-1646(2000)04-0346-036 蓋懷存，張小鋒，江澤濤 .基于量子神經(jīng)網(wǎng)絡的人臉識別技術研究 .計算機工 程與應用 J.2010 ， 46(8)： 1 87-1 89. 計算機科學7 楊治明，王曉蓉等.EP人工神經(jīng)網(wǎng)絡在圖像分割中的應用J.2007

15、 Vol,34.No 38 宋寅卯,王紅波，閆文科.PCNN神經(jīng)網(wǎng)絡在指紋圖像分割中的應用.自動化技術與應用 J 1003-7241(2008)06-0040-039 欒志強,刁鳴,趙峙江.脈沖耦合神經(jīng)網(wǎng)絡在指紋圖像分割中的應用 .應用科技J 1009-671X (2006) 10-0025-0310 劉立程.基于EP人工神經(jīng)網(wǎng)絡的圖像壓縮技術過程及分析.微計算機信息J. 1008-0570(2007)02-3-0312-0311 高紅,惠曉威,楊峰.基于EP人工神經(jīng)網(wǎng)絡的圖像壓縮技術研究與改進. SCIENCE&TECHNOLOGY INFORMATIONJ . 2007年 第 30期12 廉 明，趙淑清.基于RBF人工神經(jīng)網(wǎng)絡的遙感圖像校正算法.遙感技術與應用J.1004-0323(2006)06-0552-0413 姜興岳，耿道穎，沈天真，等。人工神經(jīng)網(wǎng)絡鑒別星形膠質(zhì)細胞瘤良惡性的初步研究J中國醫(yī)學計算機成像雜志，2004,10:217-22014 BakerJA,KomguthPJLoJY,etalBreastCanc