基于细胞神经网络图像处理的刀具监测

针对传统的刀具磨损状态监测方法与磨损程度无严格对应关系的缺点，提出采用一种普通的CCD摄像机拍摄刀尖形状的图像，经细胞神经网络图像处理后与正常的图像进行比较，判断刀具状态，该系统可用于实现自动化精密加工过程中的刀具诊断，仿真证明了理论算法的有效性。以实现数控车床刀具的在线实时监测。     

基于图像连通区域数的刀具磨损状态特征提取实验研究

为了利用计算机视觉技术进行刀具状态监测,设计了机械加工刀具状态监测实验系统,并通过将图像处理技术引入到机械加工刀具磨损状态监测中,提出了一种通过提取工件表面图像的连通区域数来判断刀具磨损状态的新方法。该方法首先采集被加工工件的表面图像;然后对图像进行预处理,并对区域行程算法进行了改进,再用改进的区域行程标记算法对机械加工工件表面图像进行标记;最后通过统计连通区域数来判断刀具的磨损状态。理论和实验分析表明,由于加工工件表面图像的连通区域数和刀具磨损有很强的相关性,其可以间接判断刀具磨损情况,从而可达到对刀具状态进行监测的目的。实验表明,该方法计算简单、识别速度快,可以有效地判断刀具的磨损状态。     

基于纹理分析的刀具磨损状态监测技术

在大规模的自动化生产中，对刀具磨损状态的监控是保证生产顺利进行的关键。本文在分析现状的基础上，研究应用数学形态学方法对工件表面纹理图像进行分析，间接地实施对刀具磨损状态的监测。     

改进的模糊细胞神经网络(IFCNN)的应用与研究

运用模糊细胞神经网络（FCNN）来分割白细胞显微图像,在边缘检全上的效果尚不理想,针对此问题．提出了改进的模糊细胞神经网络（IFCNN）,该网络基于生物细胞脉冲原理,具有好的收敛和稳定性．实验结果表明．它能有效地克服已有方法无法克服的边缘检出问题。使得分割图像能更好的接近真实图像．     

基于小波神经网络监测刀具状态的研究

针对切削过程中振动信号和AE信号的特点，提出一种基于小波分析和BP神经网络的刀具磨损监测系统。该系统能融合振动和AE信号的特征，描述信号特征与刀具状态的非线性关系，以此识别刀具状态。试验表明基于小波神经网络的刀具磨损状态监剩系统是有效的。     

基于光栅投影图像的硬质合金刀具磨损监测

刀具磨损监测是自动化生产的核心技术之一,为保证监测结果可靠性,提出一种基于光栅投影图像的硬质合金刀具磨损监测方法。使用光栅投影检测系统收集被测物体栅线图样,计算光栅在投影墙面的长度,运用格雷码编码算法划分光栅条带信息,通过三维信息重构获得刀具形貌数据;扫描所有图像数据,将稀疏数据作为孤立点,采用基于层次结构的平衡迭代算法聚类相同特征图像,使用强度均值、属性和清晰度三个指标优化图像质量;在视觉显著特征基础上,利用灰度密度函数梯度找出光栅投影图像突变点,采用小波分解划分刀具磨损图像分辨率图层,运用扩散操作处理图像噪声、光照不均等问题,通过高斯函数锁定刀具磨损方位。仿真结果表明,所提方法的刀具磨损监测精度较高,可信性强,具有极大的应用空间。     

基于模糊神经网络的彩色图像滤波方法

提出一种基于模糊神经网络的彩色图像滤波方法．该方法将滤波窗口内的像素矢量作为模糊神经网络的输入，根据像素间的矢量距离进行模糊化，通过模糊推理实现对各个像素加权求均值，得到中心像素的输出．输入的模糊化和模糊推理参数由神经网络的自学习功能自动调整，实现最优的滤波效果．对样本图像的处理结果表明，该滤波方法对不同类型的噪声均有较好的滤波效果。     

一种基于证据理论与神经网络的遥感影像分类方法

把影像的空间信息融入分类决策，提出了一种基于证据理论与神经网络的遥感影像分类方法。对原图像作平滑处理．得到原图像的平滑图像；利用神经网络对原图像及其平滑图像分别进行训练、分类；利用证据理论对它们的分类结果(决策)进行融合；最后，把融合结果(决策)作为原图像的最终分类结果。实验结果与性能比较表明．新方法是有效的．提高了影像的分类精度。     

单电子隧穿结电路在图像轮廓检测中的应用

对细胞神经网络增强单电子电路的鲁棒性的机理进行了理论分析,构建了一种新型的基于细胞神经网络的单电子电路模型,并将其应用到图像检测方面,对单电子细胞神经网络在图像边缘检测方面的应用给出了实验结果。结果证明细胞神经网络是构建单电子电路的可靠网络,这为未来单电子电路鲁棒性的提高和其在图像处理方面的应用做了铺垫。     

形态、颜色特征及神经网络在肺癌细胞识别中的应用研究

通过形态、颜色的分析,对细胞图像进行形态特征和颜色特征的提取,在此基础上,用神经网络对细胞图像进行识别分类,实验结果表明,文中提出的方法可以取得很好的效果。     

用细胞神经网络提取二值与灰度图象边缘

边缘是图象的重要特征,采用细胞神经网络提取图象边缘时,网络参数的选择是一个重要问题。为了能够有效地提取图象边缘,基于高通滤波模板,选择了细胞神经网络的一组简单易行的参数,首先将其用于检测二值图象边缘,再在此基础上,通过综合灰度值各位面边缘检测的结果提取出灰度图象的边缘。与传统边缘提取方法Sobel和Log方法的比较可见,该方法是有效的,并且由于细胞神经网络具有高速并行运算、便于硬件实现等特点,因此使其在图象实时处理中具有更大的潜力。     

一种面向表情识别的ROI区域二级投票机制

针对如何更有效地使用卷积神经网络从训练图像中学习到的分布式特征进行研究,提出了一种面向人脸表情识别的ROI区域二级投票机制。将图像划分成一系列感兴趣区域（ROI）图像输入到卷积神经网络中进行训练;然后将测试图像的ROI图像输入到卷积神经网络中,统计所有ROI图像的判别结果;最后采用二级投票机制确定测试图像的最终类别,得到最终判别结果。针对卷积神经网络不能从人脸图像中学习到旋转等空间位置信息,引入了STN（spatial transformer network）,提高算法在解决复杂情况下的表情识别问题的能力。实验表明,ROI区域二级投票机制能够更有效地使用卷积神经网络从训练图像中学习到的分布式特征,比直接使用ROI图像进行投票的方法准确率提升了1.1%,引入STN能够有效提升卷积神经网络的鲁棒性,比未引入STN的方法准确率提升了1.5%。     

结合卷积神经网络和超像素聚类的细胞图像分割方法

针对细胞图像尺寸大、细胞形状各异,导致从图像中分割出精准的细胞十分困难的问题,以卷积神经网络为基础,结合染色校正方法和简单线性迭代的超像素聚类算法,提出了一种新的结构来进行细胞图像分割。首先,利用染色校正方法对细胞图像进行预处理,提高图像的颜色对比度;然后利用卷积神经网络获得初步分割结果;最后再将简单线性迭代聚类获得的超像素边界信息反馈到初分割图像上进行改进提升。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,本文提出的算法细胞分割准确率达到了92.72%,与经典卷积神经网络、阈值分割等其他细胞分割算法相比,具有更好的分割效果。     

基于神经网络的异构网络向量化表示方法

当网络中存在不同类型的对象时,对象与对象之间的关系会变得多种多样,网络的结构也会变得更为复杂。针对网络的异构化问题,提出了一种基于神经网络的异构网络向量化表示方法。针对具有图片和文本两种类型对象的异构网络,采用多层次的卷积网络将图片映射到一个潜在的特征空间,采用全连接的神经网络将文本对象也映射到相同的特征空间。在该特征空间内,图片与图片、文本与文本以及图片和文本之间的相似性采用相同的距离计算方法。在实验中,应用提出的方法进行异构网络的多种应用测试,结果表明提出的方法是有效的。     

Color reduction and estimation of the number of dominant colors by using a self-growing and self-organized neural gas

A new method for color reduction in a digital image is proposed, which is based on the development of a new neural network classifier and on a new method for Estimation of the Most Important Classes (EMIC). The proposed neural network combines the features of the well-known Growing Neural Gas (GNG) and the Kohonen Self-Organized Feature Map (KSOFM) neural networks. We call the new neural network Self-Growing and Self-Organized Neural Gas (SGONG). This combination produces a new neural network with outstanding features. The proposed technique utilizes the GNG mechanism of growing the neural lattice and the KSOFM leaning adaptation mechanism. Besides, introducing a number of criteria that have an effect on inserting or removing neurons, it is able to automatically define the number of the created neurons and their topology. Moreover, applying the EMIC method, the produced classes can be filtered and the most important classes can be found. The combination of SGONG and EMIC results in retaining the isolated and significant colors with the minimum number of color classes. The above techniques are able to be fed by both color and spatial features. For this reason a similarity function is used for vector comparison. The method is applicable to any type of color images and it can accommodate any type of color space.     

基于GPN径向基神经网络的边缘检测方法

在基于神经网络的边缘检测模型中,大部分模型的检测效率不高,检测效果也有待提升.本文受人眼视觉系统特性的启发,提出了一种新的基于GPN （Gaussian Positive-Negative）径向基神经网络的边缘检测方法.首先,本文构造了一种新型的基于GPN径向基神经网络,将图像中经高斯滤波预处理后的每个像素点作为GPN径向基神经网络的中心点,并将其输入神经网络;然后,在每层之间使用卷积神经网络的部分特性进行处理,经过扩展层和隐层计算后输出结果;最后根据输出结果利用轮廓跟踪的方法将边缘提取出来.本文在检测效果以及效率这2个方面进行了相应的数值实验.针对合成图像以及部分灰度不均匀图像,相较于脉冲耦合神经网络模型、遗传神经网络模型以及卷积神经网络模型,本文模型在效率上得到了提升,且边缘的连通性更好.实验结果表明,本文提出的基于GPN径向基神经网络的边缘检测方法是一种新的、有效的边缘检测方法,比传统的神经网络边缘检测方法效率更高,且在检测效果上也有所提升.     

一种基于纹理域神经网络的彩色卫星图像分析方法

描述了一种利用纹理域神经网络,通过监督的学习方法来调整和权重,将预处理后成的彩色卫星图像中的纹理信息块进行分类,从而达到在彩色卫星图像中将有用的色彩块分析出来的目的,给出了纹理域的预处理过程,阐述了对原彩色图像进行颜色映射和量化的目标和方法;讨论了纹理域神经网络的构造方法及算法;最后给出了用以上方法对彩色卫星图像进行分类的实验结果,实验证明该方法对彩色卫星图像有较好的分类作用。     

基于BP 神经网络的医学图像分类

给出了一种基于LBP算子和BP神经网络的医学图像分类方法。该方法采用方向纹理谱描述符来描述图像的纹理特征,并以此特征作为网络的输入对BP神经网络进行训练,最后采用已训练的BP网络进行医学图像的分类。通过实验表明,该方法可以很好地对医学图像进行分类识别。     

利用脉冲耦合神经网络进行图像置乱效果评价

提出了基于脉冲耦合神经网络的图像置乱加密效果评价新方法。脉冲耦合神经网络直接来自于哺乳动物视觉皮层神经细胞的研究,已在图像处理的众多领域得到了广泛应用。首先利用脉冲耦合网络实现图像特征提取,然后分析置乱前后两图像所提取特征向量之间的差异程度,最后构造了图像置乱效果评价函数。实验结果表明,提出的评价方法是能够较好地刻画图像的置乱程度,反映了加密次数与置乱程度之间的关系,与人的视觉基本相符。而且对于不同的图像,该评价方法能在一定程度上反映所用的置乱变换在各置乱阶段的效果。     

高分辨卫星图像卷积神经网络分类模型

目的 卫星图像往往目标、背景复杂而且带有噪声,因此使用人工选取的特征进行卫星图像的分类就变得十分困难。提出一种新的使用卷积神经网络进行卫星图像分类的方案。使用卷积神经网络可以提取卫星图像的高层特征,进而提高卫星图像分类的识别率。方法 首先,提出一个包含六类图像的新的卫星图像数据集来解决卷积神经网络的有标签训练样本不足的问题。其次,使用了一种直接训练卷积神经网络模型和3种预训练卷积神经网络模型来进行卫星图像分类。直接训练模型直接在文章提出的数据集上进行训练,预训练模型先在ILSVRC（the ImageNet large scale visual recognition challenge）-2012数据集上进行预训练,然后在提出的卫星图像数据集上进行微调训练。完成微调的模型用于卫星图像分类。结果 提出的微调预训练卷积神经网络深层模型具有最高的分类正确率。在提出的数据集上,深层卷积神经网络模型达到了99.50%的识别率。在数据集UC Merced Land Use上,深层卷积神经网络模型达到了96.44%的识别率。结论 本文提出的数据集具有一般性和代表性,使用的深层卷积神经网络模型具有很强的特征提取能力和分类能力,且是一种端到端的分类模型,不需要堆叠其他模型或分类器。在高分辨卫星图像的分类上,本文模型和对比模型相比取得了更有说服力的结果。