当前,神经网络的研究无论在理论上还是在应用上都取得了令人瞩目的成果,为模式识别和人工智能等研究开辟了新的途径,并提供了新的思路.而小波神经网络(wavelet neural network,WNN)的理论研究和实际应用得到学者们普遍的重视,已经成为神经网络领域中研究的热点之一.小波神经网络是基于小波分析理论建立起来的一种分层的、多分辨率的新型人工神经网络,有机地融合了小波分析的良好时-频域特性和神经网络的自组织、自学习优点,同时又避免了传统神经网络设计的盲目性和局部最优等非线性优化问题.近十多年来,小波神经网络广泛地应用于多个学科,但在图像处理领域中的理论与技术研究报道较少,尚处在初期发展阶段.该论文前三章为文献综述,概括阐述人工神经网络的基础理论、网络模型及其在图像处理中的应用.并着重阐明小波神经网络基本特征和进一步研究的必要性和重要性.第四章至第六章是该论文的算法研究和实验部分,研究、探讨基于小波神经网络图像表述、图像去噪和图像边缘检测理论和新型算法.该文研究建立的新算法和新方法有以下几个方面:(1)提出小波神经网络的图像表述(image representation)算法.解决了多个重要理论和算法问题:自适应地确定小波基个数;依据对WNN网络输出贡献大小,自适应地确定参数学习步长;针对性地初始化网络参数等.所建立的算法和技术方法显著地优化了小波神经网络的学习过程.(2)提出基于小波神经网络的图像去噪DW(denoising based on WNN)新算法.运用小波神经网络具有良好的局部化特性和自组织自学习能力,含噪特征图像径网络系统进行参数学习,并用(1)所建立的理论和算法,优化小波神经网络的学习过程.并提出了DW_MF(median filtering)算法和DW_NA(neighborhood averaging)算法的两种去噪方法.实验结果表明,该算法在去噪上优于传统的中值滤波等方法,具有较强的鲁棒性,同时能够最大限度地保持图像的细节信息和良好的保真度.并成功地应用于生物、医学图像的去噪研究.(3)提出小波神经网络的图像边缘检测EDW(edge detection based on WNN)算法.建立了基于图像边缘点及其8邻域的灰度分布特性的图像特征提取算法;图像特征经EDW网络参数学习和多种技术优化的学习过程后,显著地提高了生物、医学图像边缘检测质量,边缘提取效果优于其他图像边缘检测方法.测试数据和实验结果表明,该论文提出的基于小波神经网络的图像信息处理算法比传统算法优越,具有一定的普适性和鲁棒性,显示了良好的应用前景.
暂无评论