BP人工神经网络在图像识别中的应用研究

　　摘要：图像识别过程包括了图像预处理、特征提取、图像理解与分析。其中BP人工神经网络在图像分割中运用较好；在特征提取阶段BP神经网络也很好的得到了运用，并且得到了较好的特征提取结果；在图像理解与分析阶段运用神经网络进行分类器的设计，可以得到精确的分类结果。
　　关键词：BP神经网络、图像分割、特征提取
　　1. 引言
　　BP人工神经网络算法是现今应用较为广泛的多层前向反馈式神经网络算法，BP人工神经网络有较好的容错能力、鲁棒性、并行协同处理能力和自适应能力，受到了国内外众多领域学者的关注。由于神经网络高效率的集体计算能力和较强的鲁棒性，它在图像分割方面的应用已经很广泛，Jain和Karu采用了多通道滤波与前向神经网络相结合的方法实现图像纹理分割算法。神经网络算法在特征提取阶段，压缩特征数量，以提高分类速度和精度。在图像识别领域中神经网络作为分类器的研究也得到了很大的进展，尤其是其学习能力和容错性对于模式识别是非常有利的，在一定程度上提高了训练速度和识别率。LeCun等人提出了多层特征选择(MultilayerSelectionProcedure)方法用于字符识别，每一层神经网络处理较低层次的特征，获取该层特征信息并传给上一层。
　　2. BP神经网络的基本原理
　　人工神经网络的研究起源于对生物神经系统的研究，它将若干处理单元（即神经元）通过一定的互连模型连结成一个网络，这个网络通过一定的机制可以模仿人的神经系统的动作过程，以达到识别分类的目的。人工神经网络区别于其他识别方法的最大特点是它对待识别的对象不要求有太多的分析与了解，具有一定的智能化处理的特点。神经网络的学习过程实际上就是不断地调整权值和阈值的过程。根据有无训练样本的指导可以将神经网络的学习方式分为两种：监督学习方式和非监督学习方式，也称为有导师指导学习方式和无导师指导学习方式。监督学习方式，是在给定固定的输入输出样本集的情况下，由网络根据一定的学习规则进行训练学习，每一次学习完成后，通过对比实际的输出和期望的输出，以此决定网络是否需要再学习，如果还没有达到期望的误差，则将实际误差反馈到网络，进行权值和阈值的调整，使实际的误差随着学习的反复进行而逐步减小，直至达到所要求的性能指标为止。非监督学习方式，是在没有外界的指导下进行的学习方式，在学习过程中，调整网络的权重不受外来教师的影响，但在网络内部会对其性能进行自适应调节。
　　3. BP神经网络分类器的设计
　　BP神经网络是基于误差反向传播算法(BackPropagationAlgorithm，BPA)的多层前向神经网络，由输入层、输出层、一个或多个隐含层所组成。BP神经网络结构确定之后，通过对输出和输入样本集进行训练，反复修正网络的权值和阈值，达到学习训练的期望误差，以使网络能够实现给定的输入输出映射关系。BP人工神经网络的学习过程分为两个阶段，第一阶段是输入己知的学习样本数据，给定网络的结构和初始连接权值和阈值，从输入层逐层向后计算各神经元的输出；第二阶段是对权值和阈值进行修改，即根据网络误差从最后一层向前反馈计算各层权值和阈值的增减量，来逐层修正各层权值和阈值。以上正反两个阶段反复交替，直到网络收敛。具体实现步骤如下：
　　(1)网络的初始化：首先对输入的学习训练样本进行归一化处理，对权值矩阵W和阈值向量赋初值，将网络计数器和训练次数计数器置为1，网络误差置为0。
　　(2)输入训练样本，计算输入层，隐含层以及输出层的实际输出。
　　(3)计算网络输出误差。将实际的输出和期望的输出值进行对比，采用均方根误差指标作为网络的误差性能函数。
　　(4)若误差还没达到期望标准，则根据误差信号，逐层调整权值矩阵和阈值向量。
　　(5)若最终调整之后的网络输出达到了误差范围之内，则进行下一组训练样本继续训练网络。
　　(6)若全部的训练样本训练完毕，并且达到了期望的误差，则训练结束，输出最终的网络联接权值和阈值。
　　BP神经网络可以逼近任意连续函数，具有很强的非线性映射能力，而且BP神经网络中间层数、各层神经元数及网络学习速率等参数均可以根据具体情况设定，灵活性较强，所以BP神经网络在许多领域中广泛应用。一般来说，神经网络方法应同传统的人工智能方法相联系的。神经网络本身结构及性能上的特点使其对问题的处理更富有弹性，更加稳健。神经网络的基本特点是采用自下而上的设计思路，使其容易确定具体的目标分割或识别算法，在增加了不确定因素的同时也产生了网络最优化的问题，这就是所谓的伪状态(pseudo-trap)。尽管在实践中并非所有的伪状态对应完全失败的结果，但是毕竟这不符合对之完美的或者说合理的期望。人工智能则一般采用自上而下的方法，偏重于逻辑推理建立系统模型。因此将神经网络同人工智能结合起来，相当于赋予神经网络高层指导的知识及逻辑推理的能力，具有潜在的优势。
　　输入层中间层输出层
　　图1BP人工神经网络结构
　　4. BP神经网络的训练
　　4.1BP神经网络的设计
　　BP神经网络的设计主要包括两方面内容：一是神经网络结构的确定，特别是隐含层层数及隐含层单元数目的确定；二是高精度收敛问题，隐含层和隐含层单元数过多，将导致训练时间过长并出现过度拟和的问题，隐含层单元数过少又导致网络收敛速度慢甚至不收敛，达不到误差精度要求。在确定隐含层层数以及隐含层单元数目时，没有一个严格的理论依据指导，需要根据特定的问题，结合经验公式确定大致范围来进行逐步试算比较得到。
　　4.2数据预处理
　　为了加快网络的训练速度，通常在网络训练前进行神经网络输入和输出数据预处理，即将每组数据都归一化变为[-1,1]之间的数值的处理过程。
　　4.3神经网络的训练
　　%当前输入层权值和阈值
　　inputWeights=net.IW{1,1}
　　inputbias=net.b{1}
　　%当前网络层权值和阈值
　　layerWeights=net.LW{2,1}
　　layerbias=net.b{2}
　　%设置训练参数
　　net.trainParam.show=1000;%限时训练迭代过程
　　net.trainParam.lr=0.1;%学习率，缺省为0.01
　　net.trainParam.epochs=100000;%最大训练次数，缺省为100
　　net.trainParam.goal=0.001;%训练要求精度，缺省为0
　　[net,tr]=train(net,P,T);%调用TRAINGDM算法训练BP网络
　　A=sim(net,P)%对BP网络进行仿真
　　E=T-A;%计算仿真误差
　　MSE=mse(E)
　　5. 结束语
　　BP网络因为具有较强的学习性、自适应型和容错性，在很多领域均已经大量运用。本文将BP人工神经网络运用于图像的识别，探索人工神经网络在图像识别领域中的重要的现实意义。研究表明，BP人工神经网络应用于图像识别在一定程度上提高了识别的效率和准确率。但是，BP神经网络算法还存在以下几点不足之处：（1）权的调整方法存在局限性，容易陷入局部最优；（2）网络的结构需要提前指定或者在训练过程中不断的修正；（3）过分依赖学习样本，由于学习样本是有限的或者学习样本质量不高，那么会导致训练达不到效果；（4）对于规模较大的模式映射问题，存在收敛速度慢、容易陷入局部极小点、判断不准确等缺陷。总之，如何解决以上问题，如何进一步提高识别精度，扩大识别范围，使之更具有更好的工程实用性，是有待进一步研究的内容。
　　参考文献：
　　[4]边肇其，张学工．模式识别（第二版）[M]．清华大学出版社，北京．1999，12．
　　[5]陈书海，傅录祥．实用数字图像处理[M]．科学出版社，北京．2005．
　　[6]万来毅，陈建勋．基于BP神经网络的图像识别研究[J]．武汉科技大学学报（自然科学版）．2006，6．
　　[7]丛爽．面向MATLAB工具箱的神经网络理论与应用（第2版）[M]．北京：中国科学技术出版社，2003．
　　[8]王娟，慈林林等．特征方法综述[J]．计算机工程与科学．2005．27（12）．68-71．
　　[9]贾花萍．基于神经网络的特征选择与提取方法研究[J]．网络安全．2008，7．33-35．
　　[10]龚声荣，刘纯平等编著．数字图像处理与分析[M]．清华大学出版社，北京．2006．7．
　　[11]欧彦江，袁中凡．神经网络在二维图像识别中的应用[J]．中国测试技术．2006．32（1）．111-113．