论文部分内容阅读
利用径向基函数人工神经网络在信息处理、模式识别方面的优势解决图像识别问题是本文研究的目的和重点。图像识别技术是随着当代计算机技术、图像处理、人工智能、模式识别理论等发展起来的一种新技术。它以研究某些对象或过程的分类与描述为主要内容。其目的在于研制能自动处理某些信息的系统，以替代人去完成图像分类和辨识的任务。图像识别所研究的领域十分广泛，如：交通监视系统中车牌识别；从机械加工中识别零件；从医学图像中识别发病细胞；从遥感图像中识别森林，湖泊和特定设施；在邮政系统中自动分拣信函；指纹和人脸识别；签字识别等。图像识别的基本任务是通过对图像进行分析，将图像中包含的一个或多个目标识别出来。本文围绕这一中心课题，研究了图像预处理，图像特征信息提取以及神经网络模式识别方法。图像预处理，就是通过数字图像处理的各种方法消除原始图像自带的噪声，消减与识别目的无关的特征并增强研究所需要的特征信息。常规的图像预处理方法包括图像增强、图像边缘检测等。图像特征多种多样，在图像特征提取阶段，阐述了用于图像识别的图像特征分类、图像特征的表示与描述方法并且着重讲述图像矩特征的提取及量化，为后面模式识别阶段作准备。图像识别作为一种基于图像信息的模式识别，几乎遵循模式识别的所有特性。人工神经网络具有如下的一些特性，决定了它在图像模式识别应用中优于传统的模式识别方法：高度的并行性、分布式存储、良好的容错性、自适应性和联想记忆功能、健壮性、高度的非线性处理能力。而在诸多的神经网络模型中，前馈型网络的分类能力和模式识别能力一般强于其它类型的网络。径向基函数神经网络是基于人脑的神经元细胞对外界反应的局部性而提出的一种新颖、有效的前馈式神经网络。这种网络具有结构简单、全局逼近能力强、训练方法快速易行的优点，使得其在模式识别方面得到广泛应用。利用RBF网络对图像特征进行模式识别，首先寻求解决方案，确定径向基函数神经网络最重要的几个参数，即激活函数中心点、控制参数和隐含层与输出层之间的权值，并通过网络训练不断调整优化以上三个参数的设置。测试结果印证了本文所提出的基于神经网络的图像识别方法的有效性，并对研究工作进行总结、对这种图像识别技术进行了深入分析和展望。