⛄一、简介
0 引言
边缘提取是模式识别中物体特征抽取的重要环节之一, 基于梯度的传统边缘检测方法对图像的边缘检测研究已经取得了一些成果, 但目前在实际检测中得到的边缘结果并不令人满意;并且随着计算机速度和存储的飞速发展, 图像量化像素点宽度将越来越小, 即使在边缘处, 相邻像素灰度值的差异将越来越小, 从而制约了建立在以梯度为原则的边缘检测算子的发展, 并且由于通常要作分析及处理的原始图像往往含有噪声, 而边缘和噪声在空间域表现为灰度有比较大的起落, 在频率域则反映为同是高频分量;同时, 为了避免给图像带来新的误差或掩盖真实信息, 不能对其作滤波、增强等处理。因此, 寻找新的边缘检测方法是必要的。
1 基于神经网络的边缘检测算法
大家知道, 如果一个过程的描述和理解都十分清楚, 该过程的处理能用最佳方法设计, 那就不必要考虑用神经网络去做;要做, 其结果未必更好。然而, 神经网络却适合于难于模型化的问题。神经网络是从样本中学习, 从而从网络本身形成所求解问题的模型。对于数字图像的边缘检测来说, 图像中局部变化与场景的对应关系可以通过样本集对网络的训练来求解。神经网络能够很好地完成N维空间 (输入结点个数N) 到M维空间 (输出结点个数M) 的复杂的非线性映射。故它具备进行图像边缘检测的能力, 所以我们可以用神经网络进行数字图像的边缘检测。
1.1 训练集的选取
在BP神经网络的学习训练过程中, 训练集样本的选取是一件非常重要的事情。训练集的选取
图1 训练图
将直接影响网络学习训练的