| 【中文题名】 | 神经网络在图像反求数据处理中的应用 |
| 【英文题名】 | Application of Image Reverse Data Process Based on Nueral Networks |
| 【学科专业】 | 机械制造及其自动化 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-7-5 |
| 【中关键词】 | 图像数字化,平滑处理,图像特征提取,新型二层BP网络,图像压缩,图像修补 |
| 【英关键词】 | image digitization,smoothing processing,image feature extraction,new two-layer BP neural network,image compress,image inpainting,RBF-BP neural network, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 | 近年来,由于神经网络的功能和特点,使其得到了飞快发展,其应用领域也得到了很大的拓展。本文所研究的内容是以工程图像为介质,以神经网络算法和数字图像处理技术为指导进行图像反求数据处理。解决工程图像中所出现的数据量大、边缘提取,以及图像缺损等一些关键性问题。两者的结合使处理后的图像更能满足图像反求技术的要求。
尽管神经网络算法已经渗透到图像反求处理的许多方面,但处理后的图像有些还并不是很理想,如处理过程中易出现失真现象,这给工程造成很大的损失。而且在处理过程中的方法也不是唯一的、最有效的方法。因此要对其进行改进。本文主要工作有:对图像进行数字化和平滑处理,在平滑的过程中应用一种改进的中值滤波法进行平滑;研究SOFM神经网络在图像特征中的提取,同时对其提取进行仿真。由于图像数据的海量,压缩图像数据则成为有效进行图像处理的关键技术,文中提出一种新型二层BP网络(动量型二层BP网络)用于图像压缩,并把其压缩效果与二层,三层BP网络进行相比较;考虑到RBF网络及BP网络用于图像数据修补所存在的不足,提出一种RBF-BP混合型神经网络,并把这种网络用于图像数据修补,同时与BP网络和RBF网络相比。在Windows2000... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
Abstract |
6-10 |
|
第1章 绪论 |
10-17 |
|
1.1 课题的研究背景及意义 |
10 |
|
1.2 数字图像处理技术研究内容与发展现状 |
10-12 |
|
1.2.1 数字图像处理技术研究内容 |
10-12 |
|
1.2.2 数字图像处理技术发展现状 |
12 |
|
1.3 人工神经网络的基本概念 |
12-14 |
|
1.3.1 生物神经元系统 |
12-13 |
|
1.3.2 人工神经元模型 |
13-14 |
|
1.4 神经网络的发展与研究现状 |
14-15 |
|
1.5 课题研究的主要内容与系统实现的技术路线 |
15-17 |
|
1.5.1 课题研究的主要内容 |
15-16 |
|
1.5.2 系统实现的技术路线 |
16-17 |
|
第2章 图像的数字化与平滑处理 |
17-33 |
|
2.1 图像的数字化 |
17-23 |
|
2.1.1 数字图像 |
17-19 |
|
2.1.2 采样与量化 |
19-22 |
|
2.1.3 采样、量化参数与数字化图像间的关系 |
22-23 |
|
2.1.4 处理图像的像素数 |
23 |
|
2.2 图像的平滑处理方法概述 |
23-32 |
|
2.2.1 常用的图像平滑处理方法 |
24-27 |
|
2.2.2 改进的中值滤波法 |
27-32 |
|
2.3 本章小结 |
32-33 |
|
第3章 基于SOFM 神经网络的图像特征提取 |
33-49 |
|
3.1 以图像分析、识别为目的的特征提取 |
33-34 |
|
3.2 图像特征评价 |
34-36 |
|
3.3 现有图像特征提取方法 |
36 |
|
3.4 神经网络中的特征提取 |
36-38 |
|
3.5 自组织特征映射神经网络 |
38-44 |
|
3.5.1 SOFM 网络的结构和工作原理 |
38-40 |
|
3.5.2 SOFM 网络的算法分析、学习及工作规则 |
40-44 |
|
3.6 基于SOFM 神经网络的图像特征提取 |
44-48 |
|
3.6.1 输入特征向量的建立 |
44-45 |
|
3.6.2 基于SOFM 网络的特征提取仿真试验 |
45-48 |
|
3.7 本章小结 |
48-49 |
|
第4章 基于新型二层BP 网络的图像压缩 |
49-69 |
|
4.1 图像压缩理论及方法 |
49-54 |
|
4.1.1 图像压缩简介 |
49-51 |
|
4.1.2 图像压缩标准 |
51-52 |
|
4.1.3 常用神经网络模型 |
52-53 |
|
4.1.4 基于神经网络的图像压缩机理和优势 |
53-54 |
|
4.2 新型二层BP 神经网络结构的引入 |
54-62 |
|
4.2.1 新型二层BP 神经网络结构的引入 |
54-55 |
|
4.2.2 新型二层BP 神经网络的传递函数 |
55-56 |
|
4.2.3 新型二层BP 神经网络算法的数学推导 |
56-59 |
|
4.2.4 新型二层BP 网络的设计 |
59-60 |
|
4.2.5 网络学习的具体步骤 |
60-62 |
|
4.3 新型二层BP 网络的改进 |
62-65 |
|
4.4 基于动量新型二层BP 网络的图像压缩实验 |
65-67 |
|
4.5 本章小结 |
67-69 |
|
第5章 基于RBF-BP 神经网络的图像数据修补 |
69-85 |
|
5.1 数字图像恢复技术和修补技术回顾 |
69-71 |
|
5.1.1 数字图像恢复技术 |
69 |
|
5.1.2 数字图像修补技术 |
69-71 |
|
5.2 图像修补的特殊性 |
71-73 |
|
5.3 RBF-BP 混合型神经网络的结合方式及算法过程 |
73-76 |
|
5.3.1 RBF 神经网络与BP 神经网络的结合方式 |
73 |
|
5.3.2 神经网络的算法过程 |
73-76 |
|
5.4 基于RBF-BP 神经网络的图像数据修补 |
76-84 |
|
5.4.1 网络结构的确定 |
76-77 |
|
5.4.2 图像数据修补神经网络的模型建立 |
77-78 |
|
5.4.3 图像数据修补网络的传递函数 |
78 |
|
5.4.4 图像数据修补仿真输出及分析 |
78-84 |
|
5.5 本章小结 |
84-85 |
|
结论 |
85-86 |
|
参考文献 |
86-92 |
|
攻读硕士学位期间承担的科研任务与主要成果 |
92-93 |
|
致谢 |
93-94 |
|
作者简介 |
94 |
|
| 【DOI】 | LunWen.ID:2.2008.387763 |
