CN107730504A - 基于改进bp神经网络的图像分割方法 - Google Patents

基于改进bp神经网络的图像分割方法 Download PDF

Info

Publication number
CN107730504A
CN107730504A CN201710965371.7A CN201710965371A CN107730504A CN 107730504 A CN107730504 A CN 107730504A CN 201710965371 A CN201710965371 A CN 201710965371A CN 107730504 A CN107730504 A CN 107730504A
Authority
CN
China
Prior art keywords
image
improved
segmentation
neural network
transfer functions
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710965371.7A
Other languages
English (en)
Inventor
李灯熬
赵菊敏
李延涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201710965371.7A priority Critical patent/CN107730504A/zh
Publication of CN107730504A publication Critical patent/CN107730504A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及了一种改进BP神经网络算法来提高图像分割性能的方法，具体为一种基于改进BP神经网络的图像分割方法，包括以下步骤：（1）在BP神经网络中应用AlexNet模型ReLu传输函数替代sigmoid传输函数，得到改进BP神经网络；（2）在BP神经网络中应用自适应学习率方法以加快收敛速度，得到改进BP神经网络；（3）用数学形态学算法对原始图像进行预处理，去除亮暗噪声；（4）对去除亮暗噪声后的图像进行初步分割，得到初步分割后的图像；（5）初步分割后的图像进行改进BP神经网络训练分割，即得到最终分割后的图像。本文采用自适应学习率方法以加快收敛速度，应用深度学习中AlexNet模型ReLu传输函数改变sigmoid传输函数的缺点，来提高图像分割性能。

Description

基于改进BP神经网络的图像分割方法
技术领域
本发明涉及了一种改进BP神经网络算法来提高图像分割性能的方法,广泛适用于图像分割领域，具体为一种基于改进BP神经网络的图像分割方法。
背景技术
图像分割是图像处理的重要组成部分和图像处理的最初阶段，其目的在于提取图像的特征以对图像进行分割。图像分割在图像解析领域同样有着重要的地位，同样是图像解析的一部分。图像分割的任务是把图像分成互相不交叠的有意义的区域，以便进一步地处理、分析和应用。图像分割的本质在于提取出感兴趣的区域同时去除掉不感兴趣的区域，能够有效的降低无用区域对图像的干扰。因此，图像的研究具有重大意义。
发明内容
本发明目的是提供一种基于改进BP神经网络的图像分割方法，用以提高图像分割性能。
本发明是采用如下的技术方案实现的：基于改进BP神经网络的图像分割方法，包括以下步骤：
（1）在BP神经网络中应用AlexNet模型ReLu传输函数替代sigmoid传输函数；
（2）在BP神经网络中应用自适应学习率方法变更步长，以加快收敛速度，得到改进BP神经网络；
（3）用数学形态学算法对原始图像进行预处理，去除亮暗噪声；
（4）对去除亮暗噪声后的图像使用模糊C—均值进行初步分割，得到初步分割后的图像；
（5）初步分割后的图像进行改进BP神经网络训练分割，即得到最终分割后的图像。
本文采用自适应学习率方法以加快收敛速度，应用深度学习中AlexNet模型ReLu传输函数改变sigmoid传输函数的缺点，来提高图像分割性能。
具体实施方式
基于改进BP神经网络的图像分割方法，包括以下步骤：
（1）在BP神经网络中应用AlexNet模型ReLu传输函数替代sigmoid传输函数；
（2）在BP神经网络中应用自适应学习率方法变更步长，以加快收敛速度，得到改进BP神经网络；
（3）用数学形态学算法对原始图像进行预处理，去除亮暗噪声；
（4）对去除亮暗噪声后的图像进行初步分割，得到初步分割后的图像；
（5）初步分割后的图像进行改进BP神经网络训练分割，即得到最终分割后的图像。

Claims (1)

1.基于改进BP神经网络的图像分割方法，其特征在于包括以下步骤：
（1）在BP神经网络中应用AlexNet模型ReLu传输函数替代sigmoid传输函数；
（2）在BP神经网络中应用自适应学习率方法变更步长，以加快收敛速度，得到改进BP神经网络；
（3）用数学形态学算法对原始图像进行预处理，去除亮暗噪声；
（4）对去除亮暗噪声后的图像进行初步分割，得到初步分割后的图像；
（5）初步分割后的图像进行改进BP神经网络训练分割，即得到最终分割后的图像。
CN201710965371.7A 2017-10-17 2017-10-17 基于改进bp神经网络的图像分割方法 Pending CN107730504A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710965371.7A CN107730504A (zh) 2017-10-17 2017-10-17 基于改进bp神经网络的图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710965371.7A CN107730504A (zh) 2017-10-17 2017-10-17 基于改进bp神经网络的图像分割方法

Publications (1)

Publication Number Publication Date
CN107730504A true CN107730504A (zh) 2018-02-23

Family

ID=61211791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710965371.7A Pending CN107730504A (zh) 2017-10-17 2017-10-17 基于改进bp神经网络的图像分割方法

Country Status (1)

Country Link
CN (1) CN107730504A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349139A (zh) * 2019-07-02 2019-10-18 芜湖启迪睿视信息技术有限公司 一种基于神经网络分割的包装杂项检测方法
CN113590855A (zh) * 2021-07-21 2021-11-02 肇庆医学高等专科学校 一种妆容自适应推荐方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101963785A (zh) * 2010-09-17 2011-02-02 南京工业大学 精对苯二甲酸生产中氧化母液过滤过程的在线控制方法
CN102789579A (zh) * 2012-07-26 2012-11-21 同济大学 基于计算机视觉技术的温室作物水肥胁迫状态识别方法
CN103914711A (zh) * 2014-03-26 2014-07-09 中国科学院计算技术研究所 一种改进的极速学习模型及其模式分类方法
CN106530284A (zh) * 2016-10-21 2017-03-22 广州视源电子科技股份有限公司 基于图像识别的焊点类型检测和装置
CN106875381A (zh) * 2017-01-17 2017-06-20 同济大学 一种基于深度学习的手机外壳缺陷检测方法
CN107203775A (zh) * 2016-03-18 2017-09-26 阿里巴巴集团控股有限公司 一种图像分类的方法、装置和设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101963785A (zh) * 2010-09-17 2011-02-02 南京工业大学 精对苯二甲酸生产中氧化母液过滤过程的在线控制方法
CN102789579A (zh) * 2012-07-26 2012-11-21 同济大学 基于计算机视觉技术的温室作物水肥胁迫状态识别方法
CN103914711A (zh) * 2014-03-26 2014-07-09 中国科学院计算技术研究所 一种改进的极速学习模型及其模式分类方法
CN107203775A (zh) * 2016-03-18 2017-09-26 阿里巴巴集团控股有限公司 一种图像分类的方法、装置和设备
CN106530284A (zh) * 2016-10-21 2017-03-22 广州视源电子科技股份有限公司 基于图像识别的焊点类型检测和装置
CN106875381A (zh) * 2017-01-17 2017-06-20 同济大学 一种基于深度学习的手机外壳缺陷检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349139A (zh) * 2019-07-02 2019-10-18 芜湖启迪睿视信息技术有限公司 一种基于神经网络分割的包装杂项检测方法
CN113590855A (zh) * 2021-07-21 2021-11-02 肇庆医学高等专科学校 一种妆容自适应推荐方法
CN113590855B (zh) * 2021-07-21 2024-01-30 肇庆医学高等专科学校 一种妆容自适应推荐方法

Similar Documents

Publication Publication Date Title
CN111539884B (zh) 一种基于多注意力机制融合的神经网络视频去模糊方法
EP3779774A4 (en) Training method for image semantic segmentation model and server
CN106845415B (zh) 一种基于深度学习的行人精细化识别方法及装置
CN110135386B (zh) 一种基于深度学习的人体动作识别方法和系统
EP3913542A3 (en) Method and apparatus of training model, device, medium, and program product
GB2543429A (en) Machine learning for visual processing
CN108122206A (zh) 一种低照度图像降噪方法及装置
CN103793693A (zh) 一种人脸转向的检测方法及其应用该方法的脸型优化方法
CN104881853A (zh) 一种基于色彩概念化的肤色矫正方法和系统
CN107730504A (zh) 基于改进bp神经网络的图像分割方法
CN101452575A (zh) 一种基于神经网络的图像自适应增强方法
WO2018191070A3 (en) Optical flow and sensor input based background subtraction in video content
CN107301376B (zh) 一种基于深度学习多层刺激的行人检测方法
CN110472566B (zh) 一种高精度的模糊人脸识别方法
CN104637037B (zh) 一种基于非本地分类稀疏表示的sar图像降噪方法
CN107516304A (zh) 一种图像去噪方法及装置
EP3872760A3 (en) Method and apparatus of training depth estimation network, and method and apparatus of estimating depth of image
Yan et al. Method to Enhance Degraded Image in Dust Environment.
WO2018000882A1 (zh) 基于监控视频的视频前景提取方法
CN110458797B (zh) 一种基于深度图过滤器的显著性物体检测方法
CN109269547A (zh) 基于线谱的水下目标舰船检测方法
CN110458784A (zh) 一种基于图像感知质量的去压缩噪声方法
MY182985A (en) Keyframe scheduling method and apparatus, electronic device, program and medium
Wu et al. Image denoising with rectified linear units
CN108647599A (zh) 结合3d跃层连接和循环神经网络的人体行为识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180223