本文首先分析了图像识别技术以及bp神经网络算法,然后详细地阐述了人工神经网络图像识别技术。
【关键词】人工神经网络 bp神经网络 图像识别 识别技术
通常而言,所谓图像处理与识别,便是对实际图像进行转换与变换,进而达到识别的目的。图像往往具有相当庞大的信息量,在进行处理图像的时候要进行降维、 数字化、滤波等程序,以往人们进行图像识别时采用投影法、不变矩法等方法,随着计算机技术的飞速发展,人工神经网络的图像识别技术将逐渐取代传统的图像识别方法,获得愈来愈广泛的应用。 1 人工神经网络图像识别技术概述
近年来,人工智能理论方面相关的理论越来越丰富,基于人工神经网络的图像识别技术也获得了非常广泛的应用,将图像识别技术与人工神经网络技术结合起来的优点是非常显著的,比如说:
(1)由于神经网络具有自学习功能,可以使得系统能够适应识别图像信息的不确定性以及识别环境的不断变化。
(2)在一般情况下,神经网络的信息都是存储在网络的连接结构以及连接权值之上,从而使图像信息表示是统一的形式,如此便使得知识库的建立与管理变得简便起来。
(3)由于神经网络所具有的并行处理机制,在处理图像时可以达到比较快的速度,如此便可以使图像识别的实时处理要求得以满足。
(4)由于神经网络可增加图像信息处理的容错性,识别系统在图像遭到干扰的时候仍然能正常工作,输出较准确的信息。 2 图像识别技术探析 2.1 简介
广义来讲,图像技术是各种与图像有关的技术的总称。根据研究方法以及抽象程度的不同可以将图像技术分为三个层次,分为:图像处理、图像分析以及图像理解,该技术与计算机视觉、模式识别以及计算机图形学等学科互相交叉,与生物学、数学、物理学、电子学计算机科学等学科互相借鉴。此外,随着计算机技术的发展,对图像技术的进一步研究离不开神经网络、人工智能等理论。
2.2 图像处理、图像识别与图像理解的关系
图像处理包括图像压缩、图像编码以及图像分割等等,对图像进行处理的目的是判断图像里是否具有所需的信息并滤出噪声,并对这些信息进行确定。常用方法有灰度,二值化,锐化,去噪等;图像识别则是将经过处理的图像予以匹配,并且对类别名称进行确定,图像识别可以在分割的基础之上对所需提取的特征进行筛选,然后再对这些特征进行提取,最终根据测量结果进行识别;所谓图像理解,指的是在图像处理与图像识别的基础上,根据分类作结构句法分析,对图像进行描述与解释。所以,图像理解包括图像处理、图像识别和结构分析。就图像理解部分而言,输入是图像,输出是对图像的描述解释 。 3 人工神经网络结构和算法
在上个世纪八十年代,mcclelland与rumelhant提出了一种人工神经网络,截止现在,bp神经网络已经发展成为应用最为广泛的神经网络之一,它是一种多层前馈神经网络,包括输入层、输出层和输入层输出层之间隐藏层,如图1所示,便是一种典型的bp神经网络结构。 bp神经网络是通过不断迭代更新权值使实际输入与输出关系达到期望,由输出向输入层反向计算误差,从而通过梯度下降方法不断修正各层权值的网络。 bp神经网络结构算法如下所述:
(1)对权值矩阵,学习速率,最大学习次数,阈值等变量和参数进行初始化设置; (2)在黑色节点处对样本进行输入;
(3)对输入样本,前向计算人工神经网络隐层及输出层各层神经元的输出; (4)使用梯度下降方法不断修正各层权值及阀值,由梯度算子得到的权值为
(6)判断,判断是否大于最大迭代次数或者是否误差已经达到要求。如果大于最大迭代次数或误差达到要求,那么便直接转到第(7)步,否则,转到第(4)步对各个矩阵的权值继续修正,反复训练;
(7)看是否遍历所有样本,是则结束,否则跳回第(3)步继续。 bp神经网络操作简单而有效,可通过opencv的cvann_mlp类, matlab的模式识别工具箱nprtool等实现,经验得出在如下情况中人工神经网络尤为适用: (1)大量数据可用,却不知道与输出之间关系; (2)问题的解决方案随时间变化而变化; (3)输出是模糊的函数关系,而非精确数字。 4 人工神经网络图像识别
传感器或摄像仪输入图像识别系统以后,其目标图像不能够与系统全部的参考图像完全一样, 这是由于对应噪声干扰,光线不足和放缩旋转等问题。 基于人工神经网络对畸变图像识别进行深层分析,并且利用 ccd 摄像头对图像信息进行采集,在此过程之中通过对摄像头方位进行更改对易出现畸变的图像进行采集,从而使得畸变图像所带信息组成样本库。在电脑里面输入样本库中的图像信息,并且进行模数的转化,变成数字图像,利用数字滤波来对数字图像信息进行处理。在神经网络之中输入样本图像数字信息来进行训练,一方面可以基于数字图像的像素点集合组成输入矩阵,用高维数据作为训练样本,通过主成分分析(pca)的方法进行降维,大大简化计算量;一方面可以基于数字图像的特征空间进行聚类分割,提取几何特征或者统计特征,输入到sofm神经网络或者hopfield神经网络,从而使其生成图像识别神经网络系统。在进行图像识别的时候使用ccd 摄像头来采集识别图像,并且把其模型转化为数字图像,预处理后,将其输入到训练好的神经网络识别系统里面,就其可以开展快速的计算,并进行识别。把图像识别技术与人工神经网络理论有机结合起来,可以非常有效地实现神经网络信息系统的一致性, 此外,还可以将其对网络连接结果与权值进行存储,促进管理效率的提高,并对于知识库的构建也具有积极的作用。 5 结论
本文就基于人工神经网络的图像识别技术进行了详细地阐述,由综上研究可以基于人工神经网络的图像识别技术具有比较多的优点以及比较高的可行性,然而,我们对该技术存在的网络规模及复杂图像识别准确度上还应继续进行深入研究,以求技术突破。
基于人工神经网络的图像识别
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)