基于小波分析和BP神经网络的图像特征提取

提出一种基于小波分析与神经网络复合模型的图像特征提取方法.利用二维离散小波变换对图像信号进行滤波和边缘提取,作为图像的输入量供BP网络识别分析.构建了3层BP神经网络模型对图像特征进行识别,采用模糊加权算子的模糊化分层,特征提取模板提取图像中的不同特征,输出层采用均方差权值输出.通过对由50幅图像组成的训练集合进行训练和实验验证,结果表明,本方法的分辩误差率在4%以内.     

基于二维小波变换和BP神经网络的织物疵点检测方法

采用了二维离散小波变换对织物图像进行处理，根据小波变换后高、低频分量的特点，提取分解子图像的特征值，送入BP神经网络进行识别，从而实现织物疵点的检测。     

基于纹理特性的织物表面缺陷图像的分类研究

研究了BP神经网络和小波神经网络的分类器,并利用BP神经网络和小波神经网络对缺陷图像进行疵点识别,通过两者的仿真结果得出结论:小波神经网络具有逼近能力强、收敛速度快、网络参数(隐层结点数和权重)的选取有理论依据的优点.     

一种基于卷积神经网络模型融合的织物疵点检测方法

针对织物疵点种类较多、形状差异大导致的检测准确率较低的问题,提出一种基于两个卷积神经网络模型融合的疵点识别方法。首先对织物的样本图像进行预处理,然后将样本图像缩小尺寸输入到一个网络模型进行训练;将样本图像采样后的图像输入到另一个网络模型训练。实验中使用ROC曲线下面积和平均精度均值的组合作为模型的评价指标,测试时取两个模型的预测结果平均,模型的评价指标值稳定在0.75左右。实验中还评估了图像翻转、测试集增强和模型融合的贡献,实验结果显示这些方法都有助于提高疵点检测的效果。     

BP网络预测阈值的仪表重影字符识别方法研究

针对仪表数字获取过程中多出现光照不均匀和字符重影现象,导致二值化困难、识别率低等问题,提出了一种新的二值化方法。在对图像二值化之前,由于图像质量不佳,首先需要对图像进行预处理。针对光照不均现象,使用了非线性函数彩色图像校正方法。针对重影现象,以图像的灰度级分布统计量作为输入,自适应二值化全局阈值作为标签训练BP神经网络预测模型,使用训练好的BP网络对图像全局阈值进行预测并二值化,达到分离重影的目的。同时,采用改进LeNet-5网络对分割后的单个字符进行识别。结果表明,提出的二值化方法效果优于经典方法,改进的LeNet-5能够满足分割后的仪表字符识别,其识别率能达到98.94%,分割后单个字符识别时间只需要0.001 4 s。     

基于BP网络的人脸朝向识别方法

为了使仿人机器人的视觉系统能够识别出人脸,利用BP神经网络的理论知识,研究人脸识别技术,对图像中人脸朝向判别进行实验研究。实验采用Matlab工具箱进行BP网络设计,实现对人脸角度方向的判别。讨论了输入和目标向量设计BP神经网络结构的设计,以及网络参数和训练参数的设定等问题。实验结果表明,BP神经网络可以根据输入图像的二值化信息,以一定的准确率判别该图像的人脸朝向。     

基于二维小波变换和BP神经网络的织物疵点检测方法

采用了二维离散小波变换对织物图像进行处理,根据小波变换后高、低频分量的特点,提取分解子图像的特征值,送入BP神经网络进行识别,从而实现织物疵点的检测.     

基于神经网络的红外图像变分辨率相关匹配算法

提出了一种基于神经网络的图像匹配算法.选取实际红外图像,提取目标对应的二进制编号作为BP网络的输入样本,目标的形心为输出样本构建BP神经网络.对网络进行抗干扰训练后,依据目标的形心特征进行了变分辨率相关匹配.分析、实验证明有较好的识别率,在提高目标单帧检测概率的同时,极大地提高了图像处理的实时性.     

基于渐消滤波的神经网络优化算法及其应用

针对BP神经网络在训练过程中易陷入局部极小值的问题,提出一种新的基于渐消滤波的神经网络学习算法。该算法采用渐消卡尔曼滤波对神经网络的权值进行更新,有效避免了梯度下降算法产生的局部极小问题;与卡尔曼滤波相比,在渐消滤波中充分考虑了最新量测值的影响,能更合理地利用新的有效信息,从而提高了学习算法的收敛速度。学习后的网络不仅具有普通神经网络的自主学习能力,而且具有渐消滤波的最优估计性能。将提出的神经网络算法应用于SINS/BDS组合导航系统进行仿真验证。结果表明,提出的算法在逼近精度方面优于BP算法和卡尔曼滤波算法,可以有效提高神经网络的泛化能力。     

基于BP神经网络的混凝土超声CT图像分割

由于图像直观的特点，超声波层析成像技术在混凝土结构的无损检测中扮演日益重要的角色。采用BP神经网络模型，研究了超声波CT彩色图像的分割方法。以超声CT检测图像和起导师信号作用的二值图像为训练样本，采用BP算法进行训练，对实测图像分割后得到了目标边缘清晰的较好分割效果：此方法主要优点是设计简单，易于实现；欠缺是BP网络学习时间过长，     

基于BP神经网络的换热器涡流检测探头参数的预测研究

涡流检测方法可以用来进行列管式换热器管束的缺陷检测,介绍了管束的典型缺陷,实验测定了涡流检测传感器的设计和使用中的一些关键参数的相互关系,设计了BP神经网络,采用实验数据对BP神经网络训练,得到了训练后的神经网络关键参数预测曲线,从而为工程现场大量换热器管束快速检测奠定了一定的基础.     

基于Zernike矩和BP网络的道路交通标志识别方法研究

道路交通标志的背景相当复杂,颜色失真严重并存在不同程度的几何失真现象。不变矩是图像的一种统计特征,具有平移不变性、旋转不变性和比例缩放不变性,被广泛的应用于图像识别中。在研究了Hu矩和Zerni—ke矩基础上,提出基于Zernike矩与BP网络相结合的道路交通标志识别方法。识别过程分别对图像进行了Hu矩和Zernike矩特征提取、BP网络训练与测试、对形变图像进行分类识别。结果表明：基于Zernike矩和BP网络的交通标志识别方法具有很强的抗图像平移、缩放和旋转识别能力,实现简单、训练速度快、识别率高等特点,且识别准确率优于Hu不变矩目标自动识别。     

BP神经网络在图像信息提取中的应用研究

本文阐述BP神经网络在图像信息提取中的运用,包括：遥感技术、图像识别原理和模式识别常用的神经网络模型．针对目前在目标识别中应用最多的前馈神经网络模型研究其采用的BP算法,讨论了由于标准的BP算法存在训练时间长、收敛速度慢和易陷入局部极小值等问题,提出了BP神经网络分类器的设计方法、样本的选择及组织的改进方法．     

基于模糊神经网络的焊缝缺陷识别方法的研究

通过对射线底片焊缝缺陷特征分析，提出了用于焊缝缺陷识别的模糊神经网络模型，并介绍了隶属度的构造和BP网络学习算法，用52个典型缺陷样本训练该模型后，对8个缺陷样本进行识别试验，试验结果表明，该方法能够提高介于模糊边界模式分类时的识别率，对焊缝缺陷识别的效果优于分类识别法。     

基于BP神经网络的数字图像置乱技术

基于神经网络的非线性映射特性,提出了一种数字图像置乱的新方法。将图像输入到一个随机设置初始权值和阈值的BP神经网络,其输出即为置乱图像。只需训练一个从置乱图像到原始图像的神经网络,就可在恢复过程中将置乱图像输入到训练好的神经网络。实验结果显示,该算法对图像加密具有良好的效果,对噪声、JPEG压缩和剪切等攻击具有较好的抵抗能力。     

基于BP网络的数字识别方法

比较了各种数字识别方法,采用BP神经网络设计了一个数字识别系统。首先对数字图像进行二值化处理,构造输入向量矩阵;接着通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络,对样本数据进行训练;之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性;最后制作了图形用户界面进行实验。测试结果表明,该系统对噪声系数小于0.85的字符识别率可达96%,且网络训练时间可以接受。     

BP神经网络算法在图像预测物体重量中的应用

本采用误差反向传播算法(BP)通过图像预测物体重量,先对图像进行特征提取,再用BP算法进行训练,建立了图像识别重量模型。利用水杯图像相关资料建立了数据库,由水杯图像的特征因素作为样本对网络进行训练,并用训练好的网络预测未知水杯重量。由实例表明,该方法在测物体重量中是可行的,误差较小,为物体重量预测提供了一种新思路和新方法。     

基于人工神经网络的桩基础选型研究

将人工神经网络引入桩基础选型中，分析影响桩基础选型的重要因素和BP神经网络的特点，确定网络结构。利用Matlab 6．5人工神经网络工具箱构建桩基础选型模型，并利用Matlab语言编制人机交互式界面，使选型过程简单明了。将典型工程项目工程地质资料数据作为网络学习训练样本输入建立的神经网络模型，对其进行训练、优化。经检验。训练好的网络模型性能良好，达到了智能预测的目的。