基于BP神经网络的畸变图像校正方法研究

针对传统的非线性畸变图像校正方法存在模型建立较难等缺点,本文采用基于神经网络畸变图像校正方法,首先将免疫学中的克隆选择算法引入量子遗传算法,然后将这种混合的量子遗传算法和BP算法有机结合,优势互补作为神经网络的学习算法用于畸变图像的校正。实验结果表明该方法具有很高的精度。     

一种基于神经网络的畸变图像校正方法

由于摄像机获取的图像存在几何畸变，因此在对图像进行定量分析前，必须校正畸变。针对传统的畸变图像校正方法，其所建立的畸变数学模型，不仅求解畸变参数复杂、计算量大，且存在很大的数值计算误差的问题．提出了一种基于神经网络的畸变图像校正方法。该方法首先运用图像处理技术从一标准模板的畸变图像中提取样本，然后以样本像素坐标作为网络输入来对神经网络进行训练。由于该训练好的神经网络能够实现畸变图像与非畸变图像之间的映射关系，因此能达到校正图像畸变的目的。最后对该校正方法进行了实验，给出并分析了校正实验结果，校正效果令人满意，并已成功地用于焊接机器人视觉系统。     

基于视觉的智能车图像畸变校正算法研究

赛道检测的准确性及可靠性对智能车的控制至关重要,针对智能车系统路径识别以及方向控制、速度控制需求,需要为导航路径参数提取提供准确的视觉图像信息。为此对智能车视觉图像畸变原理进行了分析,建立了图像的畸变的数学模型,分别分析了垂直和水平方向的畸变模型,针对垂直方向畸变采用了近疏远密的校正算法,针对垂直方向畸变给出了梯形水平校正算法。实验表明,以上方法可以很好地校正视觉图像在垂直和水平方向的畸变。     

基于改进遗传模拟退火算法的BP神经网络的畸变校正研究

针对相机所采集的图像大多都存在畸变现象的问题,设计了基于改进遗传模拟退火算法的BP神经网络校正算法。该算法针对传统遗传算法易于收敛局部最优的问题,提出分段选择策略与随机抽样相结合的选择算子,自适应交叉与变异算子。在畸变校正中,该算法通过网络的输入输出建立理想点与畸变点的关系,使用改进的遗传模拟退火算法来优化神经网络中的阈值与权值,然后使用基于LM算法的BP神经网络进行局部优化,最后通过插值算法得到校正后的图像。实验表明,该算法能过较好的对图像进行畸变校正,同时与传统的BP神经网络算法相比精度更高,收敛速度更快。     

基于图像平面的畸变校正方法

针对图像液位检测系统中摄像头引入的图像畸变,提出一种基于图像平面的校正方法。使用虚拟的标准校正图代替实际图,通过二阶径向模型的反复迭代求取畸变系数,利用双线性插值对输出像素点灰度进行插补。实验结果表明,该方法的校正误差小于0.35个像素点,能有效提高视频检测精度。     

煤矿鱼眼畸变图像校正

针对煤矿井下视频监控系统中鱼眼图像的畸变问题,根据理想球面透视投影模型的保线性约束条件,提出一种面向内容的校正参数自动获取方法,即通过对鱼眼畸变图像进行数学形态学和随机霍夫变换预处理得到所需的图像边缘特征直线,然后统计水平和垂直线段在总线段中的比例,分析统计结果,获取最佳校正参数。为了减少图像信息过多对校正参数获取过程的影响,对理想球面透视投影模型进行了改进,提出一种改进的鱼眼畸变图像校正方法,实现了对图像中心的转移和部分区域的放大。实验验证了该方法对鱼眼畸变图像的校正效果较好。     

鱼眼图像径向畸变校正的一种新方法

由于鱼眼相机视场广阔在很多领域都得到了广泛应用,但其图像存在着明显的径向 畸变,需要在应用之前加以校正。为此分析了径向畸变模型解析解的非唯一性;根据径向畸变的 对称性,得出了畸变直线与理想直线之间的关系,即畸变校正的解析表达式;提出了一种鱼眼图 像径向畸变校正的新方法。实验证明,该方法计算简单,能有效校正包含直线特征的场景。     

广角图像畸变校正算法的研究与实现

为了校正广角图像的非线性畸变,提出一种新的数字校正方法来消除畸变。首先利用网格模板校正的方法,根据畸变图与理想图对应像素点的映射关系,得到畸变图像点在x轴和y轴方向上的偏移量。然后采用三次B插值函数对曲面插值,得到畸变像素点的偏移量曲面,由偏移量曲面和畸变点的坐标实现各像素点的坐标变换。最后通过双线性插值法完成灰度重建得到无畸变的图像,从而实现对广角图像的校正。为了测试该算法的速度性能和可靠性等指标,在DSP平台上运行此算法。实验结果表明该算法能够对广角畸变图像进行快速有效的校正。     

精确校正图像的径向畸变和倾斜失真

对于用图像进行几何检测,由数码相机生成的图像存在一些固有缺点,如存在径向畸变、倾斜几何变形等。为此提出了一种可同时精确校正数码相机图像的径向畸变和倾斜失真的算法。该算法基于标准网格,首先分别建立倾斜变形模型和径向畸变模型,由此建立目标图像的倾斜变形和径向畸变的联合变形模型;然后用最小二乘法和最优化算法求根据联合失真模型求得标准网格的失真参数,利用该参数可校正同等条件下获得的目标图像;最后对实际图像进行了校正实验,获得了满意的校正结果,说明该算法能有效地同时精确校正图像的径向畸变和倾斜失真。     

基于神经网络的反馈校正方法研究

在预测控制当中,往往需要取得精度尽可能高的预测模型,但由于实际被控对象中往往存在着非线性、参数时变、模型失配、外界干扰等因素,基于被控对象的模型预测与对象的实际输出必然存在着较大的误差.本文在提高模型预测精度的同时,在神经网络模型预测的基础上,采用基于神经网络的反馈校正来弥补神经网络模型预测的不足,并验证其较常规反馈校正有更好的校正质量.     

基于神经网络的数字图像几何畸变矫正方法

在获取数字图像的过程中,由于摄像镜头的非线性,往往会导致获取的图像存在严重的几何畸变.因此,在对图像做进一步的处理之前,需要对发生畸变的图像进行几何矫正.介绍了数字图像几何变换的基本原理,并在总结已有的矫正几何失真的方法的基础上,提出了一种基于BP神经网络的新方法.该方法用最速梯度下降法训练网络,使之能以较高的精度拟和出畸变图像的形变模式,最后利用反向双线性灰度插值的方法恢复出原始图像.Matlab仿真结果充分表明:该方法不但有效,而且具有更高的精度.     

应用BP神经网络对自然图像分类

针对图像的低层视觉特征和高层语义特征之间的鸿沟,利用一个多输出的BP神经网络,分析低层视觉特征,提取图像的主要颜色、灰度共生矩阵和7个不变矩向量作为网络的输入,用语义期望值作为网络的输出,并用加入动量因子和自适应学习率的BP算法来训练该网络。训练完成后,该网络能够对自然图像进行多种语义分类,从而建立起了从低层视觉特征到语义特征之间的映射。改进的BP算法提高了训练的速度和可靠性,实验证明,该方法取得了较好的检索查全率和准确率。     

基于BP网络的人脸图像边缘检测算法

采用改进的BP算法,实现人脸图像的边缘检测.构造了学习样本,并在较短时间内训练得到权值矩阵,从而实现二值图像边缘检测.在此基础上,综合灰度图像各位面的边缘提取结果,实现对灰度图像的边缘检测.利用ORL人脸数据库图像的实验,证明了将得到的权值矩阵用于人脸图像的边缘检测,泛化性较好,抗噪能力强,能得到较为连续精细的边缘.     

基于模糊熵和BP神经网络的彩色图像边缘检测

在RGB颜色空间中,分别提取R、G、B三个分量并计算R、G、B三个分量的组合V,通过引入模糊熵,构造出4个基于模糊熵的信息测度分量来定量描述彩色图像的边缘特征,并将4个测度分量组成一个整体的特征向量,计算训练图像的特征向量作为样本对BP网络进行训练,然后将训练的BP网络直接用于边缘检测。该方法充分考虑了颜色空间中各颜色分量以及它们之间的相关性;BP网络的结构和训练都比较简单;实验表明,改进方法具有较强的细节保持能力,对弱边缘具有较强的检测能力。     

基于BP神经网络的唇裂图像研究

目的:观察分析唇裂的外在美学缺陷与解剖异常之间的关系,并对矫正手术加以分析。方法:在50例唇裂矫正术中运用BP神经网络进行学习,对唇部进行解剖观察和美学分析。在矫正修复手术中不断学习和调整来接近期望输出。结果:采用该算法的唇裂手术研究治疗的50例中,87%案例效果满意,13%案例畸形矫正不全。结论:在美学研究基础上的基于BP神经网络的唇裂手术研究,适用于唇裂的矫正修复。     

基于BP神经网络和CELTS-22的网络课程评价研究

基于对人工神经网络和CELTS-22的研究,建立了以CELTS-22中主要评价规范为参照的指标体系.该系统应用三层BP神经网络结构,设计出能模拟专家进行评价的计算机辅助评价模型,可以弥补评价过程中的人为失误.     

基于改进型BP神经网络的瓦斯传感器的非线性校正

提出了一种基于改进型BP神经网络的瓦斯传感器的非线性校正方法,利用神经网络良好的非线性映射能力,逼近反非线性函数完成非线行校正。仿真实验结果表明:与传统的分段线性与BP算法相比,改进型的BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.020%提高到现在的±0.130%,且易于动态调校。     

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BP神经网络的天平校准数据处理方法研究

针对天平校准公式拟合法方,提出了基于BP神经网络的公式拟合方法。分析了典型的3层BP神经网络的结构,论述了其应用于天平公式拟合的可行性。讨论了常规多项式公式拟合方法以及BP神经网络的公式拟合方法,并给出了BP神经网络的训练过程和使用方法。最后通过一组天平校准数据对BP神经网络进行训练,并给出拟合结果。     

基于滑动平均预处理的BP网络储层识别方法

在油气勘探开发领域的储层识别研究中,神经网络技术是一种有效的工具。根据BP神经网络的逼近原理,提出了基于滑动平均预处理的BP神经网络储层识别方法。首先对学习样本中的每一组样本数据按照一定规则选取近邻点,然后根据近邻点信息,使用滑动平均的方法进行预处理得到新的样本数据,最后使用新的学习样本训练BP网络,进行储层判识。实验结果表明,该方法具有简单、高效、学习速度快的优点,能极大提高识别速度和预测精度。