基于神经网络的MRF纹理图象恢复

本文提出了一种基于平均场神经网络的纹理图象恢复算法，并且利用多状态神经元表达方式，压缩问题解的搜索空间，算法是一个自适应过程，交替地进行模型参数估计和图象恢复，实验结果说明了算法是行之有效的。     

基于纹理基元的图象分割

纹理分割是图象处理的基本问题之一．针对广泛的纹理图象，需要一个高效、鲁棒的分割方法，因此提出了一种基于纹理基元的纹理图象分割算法．首先，以Harr小波为变换工具，得到具有方向性的纹理子图象；然后给出了一种新的纹理基元提取方法，并在此基础上，应用统计方法和矢量场，对纹理区域进行由粗到细的分割．通过这种方法不仅可以对纹理图象进行分割，还可以对同一区域的纹理结构进行描述，从而有利于在这种分割方法基础上，进行更高层次的图象处理．     

基于树状小波分解的纹理图象检索

针对图象检索应具有简单、快速、有效等要求,提出了一种采用树状小波分解特征的纹理图象检索方法,该方法可以在相应的能量准则下,自适应地对图象进行了带分解,同时可利用小波函数分解的多分辨率与多方向特性,来形成能够在一定程度上对图象进行精确描述的特征矢量;在此基础上,又采用基于图象特征值的主分量分析方法,有效降低了特征矢量的维数;另外,基于用户需求的分层检索,还满足了用户不同层次的需求。实验结果表明,该算法快速,有效,具有较强的应用价值。     

图象纹理分析方法及发展（一）

本文系统地回顾了图象纹理分析的各种统计方法及其发展,介绍了目前使用在纹理分析中的重要统计方法:灰度差分法,滤波法,功率谱法,共生特征法,灰度游程法,自相关特征法,以及根据纹理随机模型、相对极值量度、象元素以及某些规则推导出的各种纹理统计分析方法。本文还讨论了各种方法之间的关系以及基本实施步骤。文末,对于各种方法的的精度及复杂性进行了比较与介绍,并指出了图象纹理研究近期一些成果及研究前景。     

磨粒图象纹理分形特征的研究

机械设备在运转过程中,发生各种各样形式的摩擦磨损,其磨损颗粒的数量、尺寸大小都随着运转过程而逐渐增加,在颗粒表面留下了与摩擦磨损机理相关的痕迹。这对磨粒的表面纹理特征进行分析,通过求取特征值,作为判断出机械装置的寿命、故障机理等指标的重要参数。     

基于神经网络的种图象细化方法

提出了一种新的细化算法，宽利用神经网络的分类辨识特性，对边缘点进行分类识别。实验结果表明这种方法具有速度快，省空间的优点。     

纹理图象的多信道滤波分割方法

纹理图象的分割分类方法是目前图象处理和机器视觉研究中的一个前沿课题，传统方法大多基于形态结构和统计描述，与人类视觉机理相脱节，无法进一步提高分精度。本文介绍了近几年来兴起的一类全新的方法，即基于空间／空间频率（ｓ／ｓｆ）平面的多信道滤波法，这类方法与人类视觉机理很好的吻合，对于人工纹理和自然纹理都能获很好的分割效果。     

基于Gabor多通道滤波和Hopfield神经网络的纹理图象分割

文章针对纹理图象的特点,提出了一种基于Gabor多通道滤波和Hopfield神经网络的纹理图象的分割算法。首先构造一组Gabor滤波器（2－D）提取纹理图象多分辨率和多方向性的空域和频域特征。为了使纹理特征更加明显,在此基础上对滤波图象进行非线性变换,最后利用Hopfield神经网络通过松弛迭代算法实现纹理图象的快速分割,取得了良好的分割效果。     

基于混沌映射的纹理图象生成方法

在基于BP神经网络生成纹理图象方法^[1]的基础上，提出了一种基于Logistic映射和多层前向神经网络的纹理图象生成方法，该方法使用Logistic映射来调整多层前向神经网络的网络参数，即用Logistic映射产生一组混沌变量，这组混沌变量中的每一个数对应一个需要调整的神经网络参数，由于Logistic映射具有的混沌特性，使多层前向神经网络每次迭代都会产生一组不同的参数，从而克服了使用BP算法调整神经网络参数时容易收敛的缺点，这种基于混沌映射的方法既保留了基于BP神经网络生成纹理图象方法的优点，又对其进行了改进。该方法因不需要计算网络的误差，从而大大简化了计算过程，并且可以产生比使用原有方法更加丰富的纹理图象，仿真结果表明，使用这种改进后的方法比原有的方法更加简单有效。     

一种基于纹理信息和遗传神经网络的图像分割方法

提出了一种基于纹理信息和遗传神经网络的图像分割方法,根据分形理论构造了图像的一组分形纹理特征参量,利用遗传神经网络作为图像素的分类器,以此为基础对图像进行分割,分数维的计算采用改进的盒子计算法.试验表明,将该方法应用于生物医学图像,能够区分图像不同的纹理区域,达到满意的分割效果.     

基于纹理和BP神经网络的SAR图像分类

研究基于纹理和BP神经网络的SAR图像分类。首先用增强FROST滤波算法对SAR图像进行去噪处理。然后基于灰度共生矩阵理论提取去噪后的SAR图像多种纹理特征,并通过大量实验筛选出有效的纹理特征。最后,结合纹理特征,分别采用经典的最大似然分类法和BP神经网络分类法对SAR图像进行分类。实验结果表明：纹理信息辅助SAR图像的灰度进行分类,大大地提高了SAR图像的分类精度;基于BP神经网络的SAR图像分类精度高于最大似然分类法的分类精度。     

基于Chebyshev神经网络的图像复原算法

退化图像的点扩散函数难以准确确定,为此,提出一种基于Chebyshev正交基函数的前向神经网络图像复原算法。该算法以一组Chebyshev正交基为隐层神经元的激励函数,采用BP算法对权值进行修正,达到收敛目标。给出2类Chebyshev神经网络的实现步骤及其相应衍生算法的图像恢复实现步骤。实验结果表明,该算法能较好地实现图像复原。     

基于BP神经网络的图像压缩的Matlab实现

BP网络是目前最常用的一种人工神经网络模型,它利用多层前馈网络的模式变换能力实现数据编码,直接提供数据压缩能力.在介绍BP网络图像压缩机原理及算法的基础上,通过计算机Matlab仿真实验实现数字图像压缩,并分析了各种参数对重建图像性能的影响.     

基于BP人工神经网络的图像压缩技术过程及分析

本文介绍了BP人工神经网络在计算机图像压缩中应用的原理,对其实现的过程进行了详细的阐述,并通过采用非线性网络和最速下降法实现了图像压缩。分析结果表明:可以通过牺牲压缩率,增加隐含层的神经元数来提高重建图像的质量。     

基于纹理特征与BP神经网络的一类图像检索

1 引言随着网络通信及多媒体技术的发展,特别是因特网的广泛应用,图像作为一种越来越重要的信息载体得到了广泛的应用。融合图像理解技术,直接针对静止图像或视频帧的图像特征进行处理,在高度信息化的今天,已成为内容图像库中图像信息组织和管理不可     

一种新型纹理图像生成方法研究

利用人工神经网络BP算法 ,提出了一种新型纹理图像生成方法。其技术关键在于正确选取能够全面描述纹理的特征函数 ,并建立有效的人工神经网络模型。生成纹理图像时只需给出原始纹理图像 ,系统将自动计算图像的特征函数并做为BP网络输入 ,便可输出图像的灰度向量 ,生成纹理图像。实验结果表明 ,该方法适合于生成多种纹理图像 ,取得了令人满意的效果。     

基于遗传算法的模糊神经网络公交到站时间预测模型研究

公交到站时间的预测受到诸多因素的影响,各种因素对预测准确度不可度量,很难采用传统数学模型进行建模解决。采用基于遗传算法的模糊神经网络模型对公交到站时间进行预测,该模型将遗传算法和模糊推理系统融入多层前馈神经网络中,并通过模糊规则的隶属度进行初始化与更新网络各个参数初始值,同时利用多子群自适应遗传算法进行宏观搜索,提高整个网络的寻优能力。模型以成都市某线路公交运行时间预测为例对其进行了模拟仿真,仿真结果表明基于遗传算法的模糊神经网络公交到站时间预测模型具有较高的准确性与可靠性。     

神经网络在销售预测中的应用研究

文章提出了基于反向传播网络建立市场销售预测模型的设计方法,并针对反向传播网络算法的不足之处给出了改进方法,该算法适用于规则不可知的预测问题。将该算法应用于销售预测中,获得了良好的预测结果,为企业生产决策提供了有力的依据。