基于径向基函数神经网络的图像识别研究

论文摘要

径向基函数RBF（Radial Basis Function）神经网络拥有以下的优点:处理信息量大、结构简单、高容错性、收敛速度较快、具有全局的非线性逼近能力,在图像处理中得到了比较广泛的应用。径向基函数神经网络在图像识别方面具有比较大的潜力,被认为是解决图像识别的有力工具之一。本文主要工作:（1）传统RBF神经网络学习算法构造的网络分类精度不高,传统的k-means算法对初始聚类中心的敏感,聚类结果随初始输入不同而波动。为解决以上问题,提出了一种基于改进k-means的RBF神经网络学习算法。先用减聚类算法优化k-means算法,降低聚类的敏感性,再用优化后的k-means算法构造RBF神经网络。实验结果表明了该学习算法的实用性和有效性。用改进k-means的RBF神经网络学习算法设计网络分类器,应用到车型图像识别中,实验结果表明分类精度提高了。（2）提出了一种基于组合聚类算法的RBF神经网络学习算法。先用减聚类算法优化改进的模糊C均值聚类算法的初始选择,降低聚类的敏感性,再用改进的模糊C均值聚类算法构造RBF神经网络,最后用修剪技术简化RBF神经网络。实验结果表明了该学习算法的有效性。用基于组合聚类算法的RBF神经网络学习算法设计分类器,应用到车型图像识别中,实验结果表明分类精度有一定的提高。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文组织结构
• 第二章 图像识别技术
• 2.1 数字图像处理
• 2.2 模式识别
• 2.2.1 概念
• 2.2.2 识别特征及其提取
• 2.2.3 模式识别分类
• 2.3 图像识别
• 2.3.1 基本概念
• 2.3.2 图像识别方法
• 2.4 本章小结
• 第三章 图像预处理及特征提取
• 3.1 图像增强
• 3.1.1 直方图均衡化
• 3.1.2 图像去噪
• 3.2 图像分割
• 3.3 图像边缘检测
• 3.3.1 Roberts 算子提取图像边缘
• 3.3.2 Sobel 算子提取图像边缘
• 3.3.3 拉普拉斯-高斯算子法
• 3.4 图像特征选择
• 3.5 图像特征提取
• 3.5.1 特征提取概念
• 3.5.2 按欧氏距离度量的特征提取方法
• 3.5.3 不变矩的定义及计算方法
• 3.6 本章小结
• 第四章 基于改进k-means 的 RBF 神经网络的图像识别
• 4.1 RBF 神经网络概述
• 4.2 RBF 神经网络学习算法
• 4.3 一种基于改进k-means 算法的RBF 神经网络学习算法
• 4.3.1 减聚类算法
• 4.3.2 k-means 算法
• 4.3.3 基于改进k-means 的RBF 神经网络学习算法
• 4.3.4 算法时间复杂度分析
• 4.3.5 实验结果及分析
• 4.4 分类器设计
• 4.4.1 网络结构设计
• 4.4.2 网络训练
• 4.4.3 网络测试
• 4.5 实验结果分析
• 4.6 本章小结
• 第五章 基于改进聚类算法的 RBF 神经网络的图像识别
• 5.1 一种基于组合聚类算法的RBF 神经网络学习算法
• 5.1.1 修剪技术的减聚类算法
• 5.1.2 模糊C 均值聚类算法
• 5.1.3 改进的模糊C 均值聚类算法
• 5.1.4 基于组合聚类算法的RBF 神经网络学习算法
• 5.1.5 实验结果及分析
• 5.2 分类器设计
• 5.2.1 网络结构设计
• 5.2.2 网络训练
• 5.2.3 网络测试
• 5.3 实验结果分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 附录 （攻读学位期间发表论文目录及参加科研项目）
• 摘要
• ABSTRACT