基于改进的模糊BP神经网络图像分割算法

研究了使用BP神经网络方法进行图像分割问题.针对神经网络用于分割图像时需要大量的训练数据,由于数据量大,计算速度相当慢,不适合实时数据处理,造成图像分割分辨率低,清晰度不高等问题,本文提出了一种采用模糊BP神经网络的图像分割算法.采用模糊集理论来约减分割后的图像区域特征,降低特征向量的维数,依据规则构造神经元个数,从而输出决策的分类值,最后采用BP神经网络算法进行迭代,最终得到决策结果并输入分割的图像,最后实验证明本文提出的算法能有效的分割图像,图像分割边缘清晰,同时该算法有效的缩短了样本训练的时间.     

基于遗传神经网络的图像分割

提出一种基于遗传神经网络的图像分割方法.该方法利用遗传算法对BP神经网络的权值和阈值进行优化,设计出误差最小的神经网络,然后用神经网络算法迭代实现图像的分割.通过实验证明:该方法与传统的图像分割方法相比,具有更好的图像分割效果;与BP神经网络相比,训练速度得到很大的提高.     

医学图像自动分割的神经网络算法

提出了一种基于Ｋｏｈｏｎｅｎ聚类神经网络的图像分割算法。首先论述了Ｋｏｈｏｎｅｎ聚类神经网络的基本原理，在此基础上对其进行了改进，将其用于医学图像分割中。针对聚类中心初始值选取的盲目性，提出了初始值优选法，大幅度提高了分割算法的速度。实验表明，本文提出的算法能快速、准确地完成医学图像的自动分割。     

基于颜色特征的杂草图像分割技术研究

为了解决目前杂草识别中受光照影响大、环境适应性差等问题,提出了基于颜色特征的分割算法。此算法在统计分析杂草和土壤背景各颜色因子的基础上,得到适于杂草图像分割的颜色分量,实现了复杂场景、光照条件下杂草区和背景区的分割。实验结果表明:R-G,2G-R-B,Hmean,Smean,Hmean Smean颜色特征对于杂草区和背景区的分割能够取得很好的效果,可广泛应用于田间杂草识别、树种识别、人脸识别等受光照变化影响较大的领域。     

基于改进HVS的水稻杂草图像分割算法

研究水稻杂草图像分割问题,提高分割的准确性。水稻在颜色和形态上与杂草像素差异很小,造成二维图像像素重叠。传统的基于颜色和形态模型的分割算法,在这种情况下,很难准确的对混合杂草的水稻图像进行准确分割。针对分割效果不准确的问题,提出一种基于改进HVS模型的水稻杂草分割算法。通过在传统模型中加入图像亮度特性、像素频率特性、颜色的感知特性,以改进传统的水稻视觉图像模型。避免了传统分割算法对颜色和形态特征过度依赖的弊端。实验证明,利用改进后的图像视觉模型能够在重叠、间隔的水稻图像中,准确的分割杂草图像,取得了令人满意的结果。     

基于小波神经网络的脑图像分割研究

随着影像学的发展,医学影像设备极大地提高了人类获取自身信息的能力,推动了现代医学的发展.为了更好地获得脑部图像的信息,对脑部图像进行分割研究.首先介绍了脑图像的分割研究背景,然后详细研究了脑图像的分割方法.在分割算法中,给出了脑图像预处理模型,然后通过将小波理论和神经网路相结合提出一种脑部图像分割算法,并将将该算法在脑部图像处理中实现.脑图像分割实验表明算法能够有效地对图像进行分割.实验评估结果显示算法对于脑图像的分割足高效的.     

基于卷积神经网络的图像分割应用

近年来,计算机视觉领域随着深度学习的发展取得了长足进步,而该领域中卷积神经网络发挥了重要作用。计算机视觉领域的发展与物品识别检测、视频监控分析等息息相关,在日常生活和生产中具有重要作用。作为其最基本的算法之一,图像语义分割更是关键所在,只有保证图像语义分割,才能使后续算法正常执行分类或者识别命令。基于此,探讨了卷积神经网络在计算机视觉领域尤其是图像分割方面的应用,以提升图像分割算法的效率及效果。     

基于二维直方图的杂草图像分割算法

区分绿色植物和土壤是农作物田地去除杂草的首要步骤,利用图像处理技术探索杂草图像分割算法。二维直方图的转换基于RGB色彩模型,并进一步改进了传统的阈值分割算法。     

基于BP神经网络管道裂缝图像分割

采用BP神经网络方法对管道裂缝图像进行分割,选取图像中100个像素点的RGB值做为网络的训练样本,用改进BP算法对神经网络权值进行训练,经过226次循环后,误差将为0.00001,获取了有效的网络权值,实现了裂缝图像与背景图像的分割;实验证明,该方法分割的结果优于传统的分割方法。     

基于SOM神经网络的颜色图像分割

1.引言基于内容的图像检索(Content-Based Image Retrieval)已广泛应用于生化、军事、文化、教育等领域。其原理是利用图像自身的特征,如颜色、纹理、形状及对象空间关系等信息,建立图像的特征矢量以进行检索。它与传统的基于文本的图像检索相比,能够更充分地利用图像的语义信息。在CBIR方法中,用户检索时通常可以提供样本图像,检索系统将该样本图像同图像库中的图像按一定方法进行比较,将与样本图像相似的图像返回给用户。     

基于模糊属性和BP神经网络的彩色图像分割方法

近年来,模糊技术和神经网络经常被用于图像分割并取得了不错的效果,本文尝试综合这。两种理论,发挥各自的特长,对一些传统方法无能为力的图像也能起到不错的效果。     

基于卷积神经网络的虫情图像分割和计数方法

为提高虫情图像的分割和计数的准确率,提出了一种基于卷积神经网络的虫情图像分割和计数方法。该方法基于U-Net模型构造了一种昆虫图像分割的模型Insect-Net,将完整的虫情图像和切割后的虫情图像分别输入模型后,提取两者特征进行融合。将融合后的特征输入1个1×1的卷积层得到最终分割结果,再将得到的结果二值化后,采用轮廓检测算法将昆虫目标与背景分离并计数。实验结果表明,该方法在虫情图像中取得了较高的分割正确率和计数正确率,分别为94.4%和89.2%。用深度学习和卷积神经网络的方法有效提高了虫情图像的计数精度,并且为昆虫识别分类提供了大量的无背景数据集。     

基于改进型聚类神经网络的图像分割

将聚类网络用于非监督的图像分割,提出了竞争层神经元的动态调整机制和返回式的非重复训练学习方案,实现了聚类数的自适应增加,解决了随机生成权值矩阵产生的死点问题,提高了算法的收敛性能。实验结果表明,改进的聚类网络的图像分割结果优于C-均值聚类算法和通常的聚类网络。     

基于全卷积神经网络的肝脏CT影像分割研究

针对腹部CT影像邻近器官对比度较低及因个体肝脏形状差异较大等引起肝脏分割困难的问题,提出了全卷积神经网络肝脏分割模型。首先通过卷积神经网络提取图像深层、抽象的特征,再通过反卷积运算对提取到的特征映射进行插值重构后得到分割结果。由于单纯进行反卷积得到的分割结果往往比较粗糙,因此,在反卷积之前,先融合高层与低层的特征,并且通过增加反卷积的层数、减少反卷积步长,得到了更为精确的分割结果。与传统卷积神经网络的分割方法相比,该模型可以充分利用CT影像的空间信息。实验数据表明该模型能够使腹部CT影像肝脏分割具有较高的精度。     

Hand image segmentation using color and RCE neural network

This paper presents a color segmentation method based on RCE neural network for hand image segmentation in the gesture-based human–service robot interaction system. The study on skin color distributions in different color spaces indicates that skin colors cluster in a small region in a color space. The RCE neural network characterizes the skin color distribution region using skin color prototypes together with their spherical influence fields during training stage, and identifies the skin regions in the color image during running stage. Experimental results have demonstrated the effectiveness of this method for the segmentation of various hand images as well as general color images with complex backgrounds.     

Medical image segmentation based on cellular neural network

The application of cellular neural network (CNN) has made great progress in image processing. When the selected objects extraction (SOE) CNN is applied to gray scale images, its effects depend on the choice of initial points. In this paper, we take medical images as an example to analyze this limitation. Then an improved algorithm is proposed in which we can segment any gray level objects regardless of the limitation stated above. We also use the gradient information and contour detection CNN to determine the contour and ensure the veracity of segmentation effectively. Finally, we apply the improved algorithm to tumor segmentation of the human brain MR image. The experimental results show that the algorithm is practical and effective.     

基于卷积神经网络改进的图像自动分割方法

针对图像序列三维重建中多视角目标分割需要人工参与任务繁重的问题,提出一种基于卷积神经网络改进的图像自动分割方法。首先将序列图像去噪处理、归一化并进行语义标注后制作数据集,然后对改进的融合多尺度特征和残差连接的卷积神经网络进行训练,得到优化后的卷积神经网络分割模型,最后将预分割图像加载到优化的分割模型中得到归一化的掩码图,再利用三次样条插值法将其恢复分辨率后与原图做自定义的掩码操作得到高清分割结果。本文以主流分割软件PhotoShop分割结果为参考标准进行对比,实验结果证明,该方法的准确率与参考标准接近,而且可实现批量自动分割,较好的解决三维重建中目标分割任务繁重的问题。     

Agriculture satellite image segmentation using a modified artificial Hopfield neural network

Beekeeping plays an important role in increasing and diversifying the incomes of many rural communities in Kingdom of Saudi Arabia. However, despite the region’s relatively good rainfall, which results in better forage conditions, bees and beekeepers are greatly affected by seasonal shortages of bee forage. Because of these shortages, beekeepers must continually move their colonies in search of better forage. The aim of this paper is to determine the actual bee forage areas with specific characteristics like population density, ecological distribution, flowering phenology based on color satellite image segmentation. Satellite images are currently used as an efficient tool for agricultural management and monitoring. It is also one of the most difficult image segmentation problems due to factors like environmental conditions, poor resolution and poor illumination. Pixel clustering is a popular way of determining the homogeneous image regions, corresponding to the different land cover types, based on their spectral properties. In this paper Hopfield neural network (HNN) is introduced as Pixel clustering based segmentation method for agriculture satellite images.     

卫星云图的遗传神经网络集合预测模型研究

针对目前缺乏卫星云图非线性预测技术理论方法问题,采用类似于数值预报模式的集合预报方法,构建了一种遗传神经网络的卫星云图非线性滚动预测模型。通过对每间隔3小时的红外卫星云图样本序列作自然正交展开,将提取出的时间系数作为云图预报建模的预报分量。考虑降水云系的发展变化,主要是受到云团环境物理量场的影响,利用数值预报模式的物理量预报产品作为各预报分量的预报因子,并采用系统降维计算处理方法,分别建立相应的时间系数遗传神经网络集合预报模型。将预报得出的各时间系数与空间向量合成,得出未来时刻的卫星云图预报图。预报试验结果表明,这种非线性预报模型可以较好地预报未来20~30小时的强降水云团发展、移动的主要特征和变化趋势。实况云图与预测云图的平均相关系数达到0.78。