人工神经网络在图像处理与识别中的应用(翻译的IEEE英文原版论文)

发布时间 : 星期一 文章人工神经网络在图像处理与识别中的应用(翻译的IEEE英文原版论文)更新完毕开始阅读

开始输入原始图像输入图像加入椒盐噪声采用AMF滤除原始图像的椒盐噪声基于原始输入图像计算出过滤图像的平均误差原始无噪声图像转换成二进制数据矩阵测试图像加入椒盐噪声采用AMF滤除测试图像椒盐噪声测试图像转换为测试数据矩阵基于原始数据矩阵计算出测试矩阵的平均误差采用ANN对测试数据矩阵进行训练产生新数据矩阵 基于原始数据矩阵计算新数据矩阵的平均误差 图1 流程图 第三章 实现 A.原始图像的处理

步骤一:

我们选取最初的最佳的图像如图2,我们把它作为原始图像。为简单起见,取原始图像的第一个10x10矩阵元素如下: 表1 输入数据矩阵

步骤二:

输入图像加入椒盐噪声,计算出加入椒盐噪声后的平均误差是25.67%。为简单起见,加入噪声的原始图像的第一个10x10矩阵元素如下:

表2 带有噪声的输入数据矩阵

B.含噪声图像的处理

步骤三:

将自适应中值滤波器应用于含噪声的图像,从而将噪声滤除,输出的图像将被视为过滤图像。

步骤四:

参考原始数据矩阵的值,估计误差和平均误差的值被计算出来存储在过滤图像矩阵中。平均误差的值为5.397%。这显示出了噪声滤除的结果。

步骤五:

去除噪声得到原始图像被转化成包含像素值的数据矩阵,如表3所示。为简单起见,取第一个10x10矩阵元素值如下:

表3 噪声滤除后的输入数据矩阵

步骤六:

为简化计算,四个像素被合在一起,并明智的逐行取出,并转化成单个二进制数。

步骤七:

四个像素的二进制值并排在一起,已经结合形成32位二进制

数。

步骤八:

现在将这32位二进制数转换成一个十进制数。

步骤九:

在步骤五中生成的十进制数,被放进了原始数据矩阵,把这个矩阵命名为ORMAT[][],如表4所示:

表4 原始数据矩阵ORMAT[][]

步骤十:

本说明书所提供的步骤六到步骤九,重复操作直到完成滤除噪声后的原始图像的如表3所示的全部像素值,因此,产生了一个矩阵,数据存储在命名的ORMAT[][]数据矩阵中,如表4所示。需要注意的是,取第一个10x10矩阵元素显示在表4中更容易介绍。

C.测试图像的处理

一张新的图像被取出,作为测试图像,现在最重要的是检查所取的图像是否可以被识别出来。测试图像如图5所示,为简单起见,测试图像的第一个10x10矩阵元素(测试数据矩阵)的值如下表5所示: 表5 测试数据矩阵

联系合同范文客服:xxxxx#qq.com(#替换为@)