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(精)

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 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