计算机科学２００７Ｖ０１．３４№．３

ＢＰ人工神经网络在图像分割中的应用＊）

杨治明王晓蓉彭军陈应祖

（重庆科技学院电子信息工程学院

重庆４０００５０）

摘要

图像分割是图像处理和计算机视觉的重要研究领域，也是图像识另４和图像分析的基础性工作之一。图像分

割效果的好坏直接影响图像特征的提取、图像识别的精度。ＢＰ人工神经网络在理论上具有实现任意非线性映射的能

力，具有自学习、自适应及鲁棒性强的特点，在模式识别、模式分类和模糊控制等领域得到广泛应用。作者将ＢＰ人工

神经网络成功地运用于印鉴图像分割、车牌号码图像的分割等工作中，取得了良好的图像分割效果。关键词ＢＰ神经网络，神经元，图像分割，图像识别

ＴｈｅＡｐｐｌｉｃａｔｉｏｎｏｆＢＰＮｅｕｒａｌＮｅｔｗｏｒｋｓｉｎＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎＹＡＮＧＺｈｂＭｉｎｇ

ＷＡＮＧＸｉａｏＲｏｎｇ

ＰＥＮＧ

ＪｕｎＣＨＥＮＹｉｎｇ－Ｚｕ

（ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｃｈｏｎｇｑｉｎｇ４０００５０）

ＡｂｓｔｒａｃｔＩｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｉｓ

ｏｎｅ

ｏｆｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔｒｅｓｅａｒｃｈｆｉｅｌｄｓｏｆｉｍａｇｅｐｒｏｃｅｓｓａｎｄｃｏｍｐｕｔｅｒｖｉｓｉｏｎ ａｎｄｉｔ

ｉｓ

ａｌｓｏ

ｏｎｅ

ｏｆｂａｓｉｃｗｏｒｋｓｉｎｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎａｎｄｉｍａｇｅａｎａｌｙｓｉｓ．Ｓｕｃｃｅｓｓ

ｏｒ

ｎｏｔ

ｏｆｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｗｉｌｌａｆｆｅｃｔｔｈｅ

Ｓｕｃｃｅｓｓ

ｏｆｃｈａｒａｃｔｅｒａｂｓｔｒａｃｔｏｆｉｍａｇｅａｎｄｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎ．ＡｓｔｈｅＢＰＮｅｕｒａｌｎｅｔｗｏｒｋｓｃａＤ．ｔｈｅｏｒｅｔｉｃａｌｌｙ

ｍａｐ

ａｎｙ

ｎｏｎ－ｌｉｎｅａｒｒｅｌａｔｉｏｎ，ａｎｄｉｔｐｏｓｓｅｓｓｅｓｓｏｍｅｇｏｏｄｐｒｏｐｅｒｔｉｅｓｓｕｃｈ

ａｓ

ｓｅｌｆ－ｌｅａｒｎｉｎｇ，ｓｅｌｆ－ａｄａｐｔｉｎｇａｎｄｓｔｒｏｎｇｅｒｒｏｂｕｓｔｎｅｓｓ．

Ｉｔ

ｈａｓ

ｂｅｅｎ

ｗｉｄｅｌｙｕｓｅｄｉｎｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ，ｐａｔｔｅｒｎｃｌａｓｓｉｆｙｉｎｇａｎｄｆｕｚｚｙｃｏｎｔｒｏｌｌｉｎｇ．Ｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅｗｒｉｔｅｒａｐ—

ｐｌｉｅｓｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｏ

ｓｅｇｍｅｎｔｔｈｅｓｅａｌｉｍａｇｅａｎｄｖｅｈｉｃｌｅｌｉｃｅｎｓｅｐｌａｔｅ，ａｎｄａｃｈｉｅｖｅｄ

ｇｏｏｄ

ｉｍａｇｅ

ｓｅｇｍｅｎｔ

ｅｆｆｅｃｔ．

Ｋｅｙｗｏｒｄｓ

ＢＰｎｅｕｒａｌ

ｎｅｔｗｏｒｋｓ，Ｎｅｕｒａｌ

ｃｅｌｌ，Ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ，Ｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎ

多层前向反馈式神经网络是目前应用比较广泛的人工神义Ｌ２ｊ：

Ｐｒｏｐａｇａｔｉｏｎ

ｎｅｔｗｏｒｋ，简称ＢＰ网络）学

令集合Ｒ代表整个图像区域，对Ｒ的分割可看作将Ｒ分成Ｎ个满足下列５个条件的非空子集（子区域）Ｒ１，Ｒｚ，…，

ＲＮＩ

’

Ｎ

①ＵＲ—Ｒ；

然而，由于ＢＰ的训练是“导师监督”的学习，最终的输出②对所有的ｆ和．『，有ＲｎＲ＝彩（ｉ≠ｊｆ）；③对ｉ一１，２，…，Ｎ，有Ｐ（Ｒ１）＝ＴＲＵＥ；网络结构确定时，训练样本输入模式的相关性往往会导致网④对ｉＣｊ，有Ｐ（Ｒ。ＵＲＪ）＝ＦＡＫ、Ｅ｝⑤对；＝１，２，…，Ｎ，Ｒｌ是连通区域。

其中Ｐ（Ｒ）是对所有在集合Ｒ中元素的逻辑谓词，万代表空集。

传统的图像分割方法是基于Ｒ、Ｇ、Ｂ阈值法来判断该点是否为目标像素点。由于噪声和背景的干扰，往往不能取得质量良好的目标图像。

利用ＢＰ网络解决类似问题时，首先是对ＢＰ网络进行训练，然后将网络应用于图像分割。ＢＰ网络在分割图像时，本

质上是将待处理图像中的各点聚类为目标像素和非目标像

１

素。正确聚类后去除非目标像素，从而得到目标图像。

问题概述

ＢＰ网络的训练过程就是修正各层神经元间的连接权系

从具有复杂背景和强烈噪声的图像中提取具有某些特征

数的过程：输入模式由输入层节点直接传送到隐藏层各节点上。在隐藏层，经过各单元的特性为Ｓｉｇｍｏｉｄ型函数转换后，作为下一层的输入信息。该信息经过同样的转换，一直进行前传，直到从输出层输出响应信号。该过程可以描述如下［４］：

＊）重庆市科委自然科学基金资助项目（ＣＳＴＣ，２００５ＢＢ２０５０）；重庆市教委资助项目（ＫＪ０５１４０２）。杨治明讲师，硕士，研究方向：人工神经网络万方数据

２３４

经网络，其中ＢＰ（Ｂａｃｋ

习算法是最著名的多层前向反馈式神经网络训练算法之一。该算法在图像处理和图像识别领域已经取得令人瞩目的成就，其主要思想是利用已知确定结果的样本模式对网络进行训练，然后利用训练好的网络进行图像的处理或识别［１］。

结果往往与训练样本的特征、网络结构等因素密切相关。当络内某些神经元总是处于“获胜”状态，而其他神经元成为“死点巩¨，使得神经元网络的模式不能得到充分利用，从而导致图像分割的失败。分析其原因，首先是输入模式中，某些输入节点输入的数值远远大于其他节点的数值，导致“大数吃小数”问题的出现；其次是部分代表重要特征的学习样本数量不足，导致相关的神经元连接权得不到充分的调整。针对以上问题，作者根据ＢＰ网络的特性，采用了在输入层和隐藏层间增加归一化层，输出层后增加数值还原层的方法和采用针对性学习的方法，强化ＢＰ网络的训练，取得了满意的效果。的目标图像，是进行图像分割的基本任务。所谓图像分割是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。借助集合概念对图像分割可给出如下比较正式的定

理论与应用、数字图像处理；王晓蓉工程师；彭军副教授，博士；陈应祖工程师。