遗传优化的SOFM神经网络在图像分割中的应用

论文摘要

如何合理高效地组织图像数据、结合图像特征,将人工智能及知识发现等技术合理地运用于图像分类中,是当今计算机视觉研究领域的一个热点问题。自组织特征映射神经网络（SOFM, Self-organization Feature Map）是一种重要的自组织竞争学习模式的神经网络模型。SOFM神经网络是将多维数据映射到低维规则网格中,可以有效的进行大规模的数据挖掘和聚类。但是SOFM神经网络的竞争自学习过程中对权值的更新缺乏全局最优性,而传统GA优化方法进化速度慢和产生“早熟”现象。本文所研究的基于拉马克学习遗传算法（LGA, Lamarckian Genetic Algorithm）的神经网络学习策略,利用遗传算法对SOFM的优化来解决神经网络的缺陷,并将文中的方法应用于图像分割,包括纹理和SAR图像分割。本文的主要内容：采用LGA对SOFM网络的参数权值更新优化。其中主要包括网络权值的更新过程的改进,在采用LGA的过程中,本文使用到了结合量化误差和皮尔森相关系数的函数来作为遗传操作的适应度函数,同时在遗传操作过程中引入拉马克学习机制。经过优化后的SOFM网络在纹理图像分割应用中的分割结果明显高于传统的自组织特征映射神经网络。实现了一种基于分水岭算法和LGA-SOFM神经网络结合的SAR图像分割。由于神经网络本身对数据聚类有着较高的计算复杂度,直接利用LGA-SOFM网络进行大量的数据分割会耗费过多的时间和资源。利用分水岭算法首先对图像进行初始分割,然后再利用LGA-SOFM网络对样本数据聚类以达到SAR图像分割的目的。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 人工神经网络简介
• 1.3 图像分割现状及存在问题
• 1.4 主要内容及结构安排
• 第二章 自组织神经网络及遗传进化基础
• 2.1 Kohenen SOFM基础
• 2.1.1 SOFM的思想来源
• 2.1.2 SOFM的网络结构
• 2.1.3 Kohonen SOFM算法规则
• 2.2 遗传算法
• 2.2.1 遗传算法的基本原理
• 2.2.2 遗传算法要素简述
• 第三章 基于LGA优化的SOFM网络的纹理图像分割
• 3.1 图像特征提取
• 3.1.1 基于Contourlet变换的图像特征提取
• 3.2 基于拉马克学习的遗传算法
• 3.2.1 拉马克学习
• 3.2.2 拉马克遗传的收敛性
• 3.3 基于LGA遗传优化SOFM网络的纹理图像分割算法
• 3.3.1 LGA优化SOFM网络的适应度函数选择
• 3.3.2 基于LGA优化SOFM网络的权值输出
• 3.4 实验结果与分析
• 3.5 小结
• 第四章 基于分水岭和LGA-SOFM的SAR图像分割
• 4.1 SAR图像
• 4.2 分水岭算法
• 4.2.1 分水岭算法原理
• 4.2.2 分水岭算法数学描述
• 4.2.3 分水岭算法的特性
• 4.2.4 标记分水岭算法
• 4.3 基于分水岭和LGA优化SOFM的SAR图像分割
• 4.4 实验结果与分析
• 4.5 小结
• 第五章 总结与展望
• 致谢
• 参考文献