《電子技術應用》
您所在的位置:首頁 > 通信與網絡 > 設計應用 > 基于非參數化特征提取的神經網絡識別
基于非參數化特征提取的神經網絡識別
曾 坤 桑 農
摘要: 本文采用非參數化的特征提取技術提取樣本的特征,再用模塊化的神經網絡的方法進行訓練識別,取得了較好的實驗效果。
Abstract:
Key words :

  摘  要: 本文采用非參數化的特征提取技術提取樣本的特征,再用模塊化的神經網絡的方法進行訓練識別,取得了較好的實驗效果。
  關鍵詞: 特征提取  神經網絡  目標識別

   傳統的特征提取方法建立在目標分割的基礎上,通過分割獲得目標的形狀信息,并與已知的待識別目標的形狀特征進行比較,實現目標分類。目標的形狀特征通常由一組參數來描述,如不變矩、Fourier描繪子、各線特征的起點和終點、各點特征(角點、形殊點)的位置等。故傳統的特征提取方法可視作參數化方法。但由于目標分割問題自身的內在復雜性,目前還不存在通用的、理想的目標分割方法。近年來,人們的注意力較多地集中于所謂的無分割(Segmentation Free)目標識別,即利用目標的灰度信息提取某些統計特征(如全局的或局部的灰度均值、灰度標準差等),構成目標的特征,并將其作為神經網絡的輸入,對神經網絡進行訓練。訓練完成后的神經網絡即可用于目標識別,這是一類非參數化的特征提取技術。具體實現時,可供采用的特征提取方法很多,簡單的如進行方向投影或提取方向邊緣特征等,復雜的如采用各種局部或全局變換等。本文重點研究了一種非參數化的特征提取方法——感興趣算子圖像特征提取方法。
1  感興趣算子特征提取方法
  感興趣算子(Interest Operator)提取的是圖像在其水平、垂直和二個對角線方向上的灰度方差。圖1為感興趣算子特征提取示意圖。

 


  例如對一幅大小為50×60象素的圖像采用上面的方法進行特征提取,則選取的圖像子塊像素大小為5×5。因此可以將原圖像劃分成無重疊的120個子塊,然后針對每個圖像子塊提取圖像的感興趣特征向量。
2  模塊化的神經網絡
  模塊化神經網絡由若干獨立訓練的子網絡組成,每一子網絡分別針對訓練樣本集的某一子集進行分類識別,通過組合各子網絡的分類決策確定最終的識別結果。訓練樣本集各子集的劃分采用了數據分組技術,即將樣本根據一定的相似性準則劃分為多組。如此分組后,各網絡僅需解決一個更為簡單的分類問題,因此可提高分類識別概率。
2.1 基于特征分解的模塊化神經網絡
  基于特征分解的模塊化神經網絡按照某種規則將圖像特征分成幾個不同的特征組。每個特征組都用一個獨立的神經網絡來訓練識別,然后由一個融合網絡將各獨立神經網絡的輸出結果綜合得到最后的識別結果。這種算法的優點是:通過分組,每個用于識別的神經網絡只需要處理某一部分特征而不是全部,從而減少了單個網絡的自由參數,降低了問題的復雜度。
2.2 基于圖像子塊的特征分組神經網絡
  基于圖像子塊的特征分組神經網絡算法的結構框圖如圖2所示。

  該算法的實現包括以下幾個步驟:
  (1)將原始圖像按照某種規則分成若干圖像子塊,各個圖像子塊間可以有交叉也可以無交叉。圖3和圖4分別為有交叉和無交叉圖像分塊的示意圖。

  (2)對每一個圖像子塊進行特征提取,得到其相應的圖像特征。本文選用了感興趣算子的特征提取方法。
  (3)對步驟(2)經過特征提取所得到的圖像特征向量進行特征選擇,以去除特征向量間的冗余特征和選出具有更強分類識別能力的特征,從而降低特征維數,減小識別算法中神經網絡的網絡規模。
  (4)對每幅子圖分別用一個單獨的BP網絡對其進行訓練或識別。
  (5)將各個獨立BP網絡的輸出結果送到一個融合網絡中進行融合從而得到最終判識結果。
  基于圖像子塊的特征分組神經網絡除了可以降低問題的復雜性外,還具有一定的抗局部遮擋能力。由于一些人為的或非人為的因素,目標圖像可能會受到局部遮擋的影響。由于局部遮擋本身的復雜性和其對目標遮擋部位的不可預測性,使得抗遮擋成為一個相對困難的課題?;趫D像子塊的特征分組策略具有一定的抗局部遮擋能力。
  設原圖像在長度和寬度方向分別被等分為X和Y份,于是可以得到X×Y個子塊圖像。若局部遮擋處于第(i,j)個子塊上,則只有該子塊受到影響并導致與它對應的神經網絡進行錯誤判識的可能性增大。但是由于其他子塊及對應神經網絡的判識并未受到遮擋影響,因此至少可以得到X×Y-1個網絡的正確輸出。經過融合網絡,最終可以消除對第(i,j)個子塊圖像的錯誤判識的影響而得到正確的識別結果,達到抗遮擋的效果。當然,實際應用中局部遮擋可能會存在于不止一個子塊圖像中,但只要這些子塊圖像的數量占總子塊圖像數的比重相對較小,這種特征分組神經網絡識別策略就可以表現出很好的抗局部遮擋性能。
3  實驗結果及其分析
  實驗中訓練樣本取kh-11、kh-12、lacrosses三類衛星的三個譜段(CCD:可見光,MIDDLE:中波,LONG:長波)圖像作為試驗用的樣本。
  (1)訓練樣本:取每類不同譜段的圖像001、005、009、L、057共15幅圖像。如果三個譜段的圖像一起訓練,則訓練樣本個數為15×9=135;如果只有單譜段圖像參加訓練,則訓練樣本個數為:15×3=45。
  (2)識別樣本:取每類不同譜段的圖像003、007、0011、L、059以及060、061、L、072總共30幅圖像。如果三個譜段的圖像一起識別,則識別樣本個數為30×9=270;如果只有單譜段圖像參加識別,則識別樣本個數為30×3=90。
  表1給出了不同分辨率情況下的正確識別率。其中,All組實驗表示對每類三個譜段的衛星圖像進行實驗,CCD、MIDDLE和LONG組實驗分別表示對可見光譜段、中波紅外圖像和長波紅外圖像進行實驗。CCD為可見光圖像,MIDDLE為中波圖像,LONG為長波圖像。

 


  研究中還用最小距離分類器對提取的不同目標的參數化特征進行了實驗,以便觀察其與神經網絡方法的性能差異。在實驗中,三類目標的圖片各為3×72=216幅,用奇數圖作為訓練樣本,對偶數圖進行識別。表2顯示了在三組不同分辨率下選擇不同特征集得到的識別結果。


  從實驗中可以發現,常規分類方法性能不穩定,而且其識別率與神經網絡方法相比要低很多。
參考文獻
1   Choi S M.A segmentation-free recognition of two touching
     numerals using neural network.In:Proceedings of the Fifth
     International Conference on Document Analysis and
     Recognition,1999
2   Ozdil M A,Vural F T Y.Optical character recognition
     without segmentation.In:Proceedings of the Fourth Inter-
     national Conference on Document Analysis and Recogni-
     tion,1997
3   Rocha J,Pavlidis T.Character recognition without segmen-
     tation.IEEE Transactions on,Pattern Analysis and
     Machine Intelligence,1995;17:903
4   Cai C,Shi Z.A modular neural network architecture with
     approximation capability and its applications. The Second
     IEEE International Conference on Cognitive Informatics,
     2003
5   Wang L C,Der S Z,Nasrabadi N M.Automatic target
     recognition using a feature-decomposition and data-
     decomposition modular neural network.IEEE Transactions
     on Image Processing,1998;7:1113
 

此內容為AET網站原創,未經授權禁止轉載。
热re99久久精品国产66热_欧美小视频在线观看_日韩成人激情影院_庆余年2免费日韩剧观看大牛_91久久久久久国产精品_国产原创欧美精品_美女999久久久精品视频_欧美大成色www永久网站婷_国产色婷婷国产综合在线理论片a_国产精品电影在线观看_日韩精品视频在线观看网址_97在线观看免费_性欧美亚洲xxxx乳在线观看_久久精品美女视频网站_777国产偷窥盗摄精品视频_在线日韩第一页
  • <strike id="ygamy"></strike>
  • 
    
      • <del id="ygamy"></del>
        <tfoot id="ygamy"></tfoot>
          <strike id="ygamy"></strike>
          欧美专区中文字幕| 国产精品久久久久91| 亚洲第一狼人社区| 亚洲欧洲综合另类在线| 国产视频亚洲| 久久影院午夜论| 欧美日韩在线不卡一区| 久久精品国产一区二区电影| 国产精品国色综合久久| 国产精品爽爽ⅴa在线观看| 欧美极品影院| 久久精品国产免费观看| 亚洲成人在线视频播放| 精品不卡视频| 欧美日韩国产综合一区二区| 激情亚洲一区二区三区四区| 亚洲精品国久久99热| 欧美日韩dvd在线观看| 久久深夜福利免费观看| 欧美日韩在线观看一区二区三区| 久久看片网站| 久久婷婷色综合| 91久久精品国产91性色| 免费成人av| 国产精品一卡二| 日韩视频在线播放| 久久久久久久久久久久久9999| 国产一区二区三区最好精华液| 99视频在线精品国自产拍免费观看| 久久精品三级| 国内精品久久久久国产盗摄免费观看完整版| 欧美一区二区三区日韩| 在线精品国产成人综合| 老牛影视一区二区三区| 亚洲精品一区二区网址| 亚洲人成艺术| 欧美精品日日鲁夜夜添| 国产精品卡一卡二卡三| 国产视频精品va久久久久久| 久久久国产精品一区二区中文| 亚洲大胆视频| 欧美伦理在线观看| 国产精品免费视频观看| 欧美久久99| 国产精品视频内| 欧美在线日韩| 欧美日韩在线观看视频| 91久久香蕉国产日韩欧美9色| 欧美日韩中国免费专区在线看| 性高湖久久久久久久久| 日韩小视频在线观看专区| 欧美va日韩va| 亚洲永久免费视频| 国产欧美日韩视频在线观看| 欧美成人第一页| 国产精品成人一区二区网站软件| 欧美性大战xxxxx久久久| 久久久久久电影| 中文久久精品| 亚洲精品影视| 欧美福利一区二区| 国产精品一区毛片| 欧美sm极限捆绑bd| 久久久久免费观看| 欧美成人免费va影院高清| 亚洲一区二区三区高清不卡| 久久精品中文| 国产九九精品| 亚洲精品资源| 男人的天堂亚洲在线| 精品99视频| 亚洲图片你懂的| 国产一本一道久久香蕉| 亚洲制服欧美中文字幕中文字幕| 亚洲午夜三级在线| 99这里有精品| 国产精品久在线观看| 亚洲激情黄色| 国产欧美激情| 91久久午夜| 香蕉视频成人在线观看| 午夜精品久久一牛影视| 欧美日韩国产亚洲一区| 久久综合九色99| 国产精品伦子伦免费视频| 欧美成人tv| 国产在线拍揄自揄视频不卡99| 久久精品99国产精品日本| 国产综合香蕉五月婷在线| 在线视频成人| 欧美视频观看一区| 欧美韩日一区| 久久国内精品视频| 欧美日韩一视频区二区| 午夜在线视频一区二区区别| 国产在线观看91精品一区| 一区二区在线视频观看| 国语自产精品视频在线看一大j8| 国产伪娘ts一区| 伊人男人综合视频网| 日韩午夜免费视频| 欧美国产日韩免费| 久久av老司机精品网站导航| 久久久亚洲欧洲日产国码αv| 99视频日韩| 午夜老司机精品| 国产主播在线一区| 揄拍成人国产精品视频| 亚洲电影天堂av| 欧美伊人久久| 中日韩高清电影网| 欧美三区在线| 亚洲高清视频在线| 欧美在线免费一级片| 久久天天躁夜夜躁狠狠躁2022| 国产精品国产三级国产专播品爱网| 好看的av在线不卡观看| 夜夜嗨av一区二区三区网站四季av| 蜜臀久久99精品久久久画质超高清| 欧美日韩精品一区二区三区| 日韩视频第一页| 女同性一区二区三区人了人一| 亚洲全部视频| 亚洲国产美国国产综合一区二区| 日韩天堂av| 欧美日韩一区二区在线视频| 久久成人精品| 久久青青草综合| 国产欧美日本一区二区三区| 亚洲精品在线观看免费| 亚洲人成毛片在线播放| 欧美三级第一页| 免费久久99精品国产| 亚洲激情婷婷| 久久免费视频这里只有精品| 久久人人97超碰国产公开结果| 欧美在线视频导航| 一区二区电影免费在线观看| 亚洲国产一区视频| 欧美日韩亚洲一区二区三区四区| 欧美aⅴ一区二区三区视频| 欧美一级视频精品观看| 国产日韩综合一区二区性色av| 亚洲调教视频在线观看| 久久久久久日产精品| 国产精品永久| 国产精品久久久久久久久借妻| 亚洲激情成人在线| 国产精品久久久久久久app| 狂野欧美激情性xxxx欧美| 黄色日韩网站视频| 亚洲欧美日韩国产综合精品二区| 欧美日韩在线大尺度| 亚洲国产精品久久久久久女王| 老司机免费视频一区二区| 国产精品腿扒开做爽爽爽挤奶网站| 狠狠色伊人亚洲综合网站色| 午夜精品久久久久影视| 国产精品xxx在线观看www| 欧美国产视频在线| 国产日韩在线不卡| 夜夜嗨av色一区二区不卡| 99国产精品私拍| 国产精品美女久久久免费| 久久久综合视频| 欧美/亚洲一区| 国产欧美日韩综合一区在线播放| 亚洲午夜一级| 久久蜜桃资源一区二区老牛| 亚洲国产精品传媒在线观看| 国产欧美韩国高清| 国产精品社区| 久久国产黑丝| 国产精品美女主播在线观看纯欲| 蜜臀99久久精品久久久久久软件| 国产乱码精品一区二区三区不卡| 午夜亚洲伦理| 黑人极品videos精品欧美裸| 亚洲一区观看| 午夜精彩国产免费不卡不顿大片| 欧美一区二区三区免费观看| 欧美大胆人体视频| 亚洲福利视频网站| 午夜精品成人在线| 麻豆九一精品爱看视频在线观看免费| 午夜欧美精品久久久久久久| 久久爱www久久做| 国产欧美日韩视频一区二区三区| 欧美午夜性色大片在线观看| 狠狠噜噜久久| 欧美理论在线| 欧美在线观看网站| 欧美中文在线免费| 国产精品一区二区在线观看网站| 欧美日韩一区三区| 亚洲一区美女视频在线观看免费| 国产精品你懂得| 精品福利免费观看| 在线看成人片| 久久黄金**| 久热精品在线视频| 久久精品一二三| 亚洲自拍啪啪| 欧美一区二区免费观在线| 国产一区二区三区久久| 欧美成人中文| 激情综合视频| 国产精品永久免费在线| 国产精品网站在线| 亚洲六月丁香色婷婷综合久久| 先锋影音一区二区三区| 国产精品一区视频网站| 亚洲综合日韩在线| 欧美国产极速在线| 欧美激情视频在线免费观看 欧美视频免费一| 亚洲国产色一区| 国产亚洲精品一区二区| 日韩午夜在线观看视频| 一本色道久久综合亚洲精品婷婷| 欧美成人激情在线| 亚洲精品老司机| 欧美日韩国产精品自在自线| 欧美成人性网| 国产精品亚洲а∨天堂免在线| 国产精品夜夜夜| 欧美激情精品久久久久久黑人| 激情六月综合| 一区二区高清| 欧美激情第10页| 欧美一区二区三区日韩| 欧美精品日韩三级| 欧美国产在线观看| 国产精品一二| 欧美日韩1区| 亚洲欧美中文日韩v在线观看| 国产一区视频在线观看免费| 亚洲一级片在线观看| 亚洲国产一区二区三区a毛片| 欧美日韩一区自拍| 国产性做久久久久久| 国产精品成人国产乱一区| 亚洲最新视频在线播放| 国产精品国产福利国产秒拍| 亚洲国产成人久久综合一区| 夜夜嗨av一区二区三区四季av| 欧美二区在线播放| 亚洲午夜精品福利| 影音先锋中文字幕一区二区| 国产婷婷一区二区| 久久青青草原一区二区| 国产精品尤物福利片在线观看| 亚洲欧美日韩人成在线播放| 日韩午夜在线视频| 国产欧美另类| 国产精品久久国产愉拍| 国产精品亚洲视频| 亚洲欧美福利一区二区| 国产精品成人午夜| 欧美日韩国产精品一区二区亚洲| 免费亚洲一区| 新片速递亚洲合集欧美合集| 欧美日韩黄色大片| 欧美一级大片在线观看| 亚洲综合导航| 国产精品久久久久国产a级| 欧美国产日本在线| 国产一区二区三区精品久久久| 国产精品午夜久久| 免费亚洲电影| 国产精品初高中精品久久| 篠田优中文在线播放第一区| 久久激情综合| 亚洲一级在线观看| 羞羞答答国产精品www一本| 亚洲免费网站| 久久影视三级福利片| 国产一区二区三区黄视频| 亚洲在线观看免费| 红桃视频国产精品| 久久精彩视频| 国产精品欧美久久久久无广告| 欧美激情中文字幕在线| 久久久高清一区二区三区| 一本一本大道香蕉久在线精品| 亚洲精品一区二区在线观看| 亚洲国产高清一区| 国产精品一区二区女厕厕| 欧美日韩亚洲视频| 欧美成人免费小视频| 狠狠色丁香婷婷综合| 欧美噜噜久久久xxx| 国产亚洲成av人片在线观看桃| 欧美精品福利视频| 国产精品成人aaaaa网站| 欧美一区二区三区电影在线观看| 亚洲看片一区| 欧美尤物巨大精品爽| 在线观看成人小视频| 久久精品一本| 伊人狠狠色j香婷婷综合| 国产日韩欧美麻豆| 影音先锋中文字幕一区二区| 国产一区二区三区观看| 日韩视频精品在线| 久久久91精品国产一区二区三区| 久久网站免费| 久久精品av麻豆的观看方式| 亚洲欧美另类久久久精品2019| 欧美一区二区三区四区在线| 狠狠入ady亚洲精品经典电影| 久久精品一区二区三区不卡牛牛| 尤物网精品视频| 欧美xxxx在线观看| 欧美一级片在线播放| 国产精品一级二级三级| 国产精品欧美日韩一区| 欧美视频一区在线观看| 亚洲天堂av电影| 欧美黄色精品| 亚洲国产精品久久久久婷婷884| 黑人一区二区| 午夜精品视频在线观看| 亚洲九九九在线观看| 久久九九久久九九| 亚洲精品自在在线观看| 亚洲福利电影| 亚洲国产美女精品久久久久∴| 亚洲精品自在久久|