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)

表12 结果

原始图像 Srl No 含噪声的相对于原滤除噪声的滤除噪声后原始图像 始图像的原始图像 相对于原始平局误差 图像的平均误差 （3） 图3 图3 （4） 25.67% 26.42% （5） 图4 图4 （6） 5.39% 2.93% （1） 1 2 （2） 图2 图2 测试图像 含噪声的测试图像 相对于测试图像含噪声图像的平均误差 (9) 25.75% 滤除噪声后的测试图像 相对于测试图像的平均误差 （7） 图5 （8） 图6 (10) 图7 (11) 5.56% 图9 图10 27.39% 图11 7.8%

滤除噪声后相对于原始图像的平均误差 （12） 通过ANN训练后的测试图像 （13） 相对于原始图像的平均误差 （14） 结论 （15） 31% 图8 14.39 可识别 64% --------- -------- 不可识别 图2 输入原始图像 图3含噪声的原始图像 图4 滤除噪声的原始图像 图5 测试图像 图6 含噪声的测试图像 图7噪声滤除后的测试图像

图8 利用ANN训练后的图像 图9 测试图像

图10 含噪声的测试图像 图11噪声滤除后的测试图像

第五章 总结

已经观察到，如果平均误差小于45%，人工神经网络可以用于训练检测从而进行识别。因此，测试图像和原始图像是可识别和成功匹配的。同时也被察到，如果平均误差大于45%，那么图像被识别为不同的图像。在本文中，插入椒盐噪声主要是因为所有用来识别的图像都可能含有某

种噪声，这就需要去滤除噪声，从而进行正确的识别。本文还观察到，由于用来训练的矩阵行数只有原始图像列数的四分之一，用人工神经网络进行训练和测试需要更少的时间。