神经网络的基本特征范文篇1

（江苏科技大学电子信息学院，江苏镇江212003）

摘要：在实际交通环境中，由于运动模糊、背景干扰、天气条件以及拍摄视角等因素，所采集的交通标志的图像质量往往不高，这就对交通标志自动识别的准确性、鲁棒性和实时性提出了很高的要求。针对这一情况，提出一种基于深层卷积神经网络的交通标志识别方法。该方法采用深层卷积神经网络的有监督学习模型，直接将采集的交通标志图像经二值化后作为输入，通过卷积和池采样的多层处理，来模拟人脑感知视觉信号的层次结构，自动地提取交通标志图像的特征，最后再利用一个全连接的网络实现交通标志的识别。实验结果表明，该方法利用卷积神经网络的深度学习能力，自动地提取交通标志的特征，避免了传统的人工特征提取，有效地提高了交通标志识别的效率，具有良好的泛化能力和适应范围。

关键词：交通标志；识别；卷积神经网络；深度学习

中图分类号：TN911.73?34；TP391.41文献标识码：A文章编号：1004?373X（2015）13?0101?06

收稿日期：2015?01?09

基金项目：国家自然科学基金面上项目（61371114）

0引言

随着智能汽车的发展，道路交通标志的自动识别[1?3]作为智能汽车的基本技术之一，受到人们的高度关注。道路交通标志识别主要包括两个基本环节：首先是交通标志的检测，包括交通标志的定位、提取及必要的预处理；其次是交通标志的识别，包括交通标志的特征提取和分类。

如今，交通标志的识别方法大多数都采用人工智能技术，主要有下述两类形式[4]。一种是采用“人工特征+机器学习”的识别方法，如基于浅层神经网络、支持向量机的特征识别等。在这种方法中，主要依靠先验知识，人工设计特征，机器学习模型仅负责特征的分类或识别，因此特征设计的好坏直接影响到整个系统性能的性能，而要发现一个好的特征，则依赖于研究人员对待解决的问题的深入理解。另一种形式是近几年发展起来的深度学习模型[5]，如基于限制波尔兹曼机和基于自编码器的深度学习模型以及卷积神经网络等。在这种方法中，无需构造任何的人工特征，而是直接将图像的像素作为输入，通过构建含有多个隐层的机器学习模型，模拟人脑认知的多层结构，逐层地进行信息特征抽取，最终形成更具推广性和表达力的特征，从而提升识别的准确性。

卷积神经网络作为深度学习模型之一，是一种多层的监督学习神经网络，它利用一系列的卷积层、池化层以及一个全连接输出层构建一个多层的网络，来模仿人脑感知视觉信号的逐层处理机制，以实现视觉特征信号的自动提取与识别。本文将深层卷积神经网络应用于道路交通标志的识别，通过构建一个由二维卷积和池化处理交替组成的6层网络来逐层地提取交通标志图像的特征，所形成的特征矢量由一个全连接输出层来实现特征的分类和识别。实验中将加入高斯噪声、经过位移、缩放和旋转处理的交通标志图像以及实际道路采集交通标志图像分别构成训练集和测试集，实验结果表明，本文所采用的方法具有良好的识别率和鲁棒性。

1卷积神经网络的基本结构及原理

1.1深度学习

神经科学研究表明，哺乳动物大脑皮层对信号的处理没有一个显示的过程[5]，而是通过信号在大脑皮层复杂的层次结构中的递进传播，逐层地对信号进行提取和表述，最终达到感知世界的目的。这些研究成果促进了深度学习这一新兴研究领域的迅速发展。

深度学习[4，6?7]的目的就是试图模仿人脑感知视觉信号的机制，通过构建含有多个隐层的多层网络来逐层地对信号特征进行新的提取和空间变换，以自动学习到更加有效的特征表述，最终实现视觉功能。目前深度学习已成功地应用到语音识别、图像识别和语言处理等领域。在不同学习框架下构建的深度学习结构是不同的，如卷积神经网络就是一种深度的监督学习下的机器学习模型。

1.2卷积神经网络的基本结构及原理

卷积神经网络受视觉系统的结构启发而产生，第一个卷积神经网络计算模型是在Fukushima的神经认知机中提出的[8]，基于神经元之间的局部连接和分层组织图像转换，将有相同参数的神经元应用于前一层神经网络的不同位置，得到一种平移不变神经网络结构形式。后来，LeCun等人在该思想的基础上，用误差梯度设计并训练卷积神经网络[9?10]，在一些模式识别任务上得到优越的性能。

卷积神经网络本质上是一种有监督的深度学习算法，无需事先知道输入与输出之间精确的数学表达式，只要用已知的模式对卷积神经网络加以训练，就可以学习到输入与输出之间的一种多层的非线性关系，这是非深度学习算法不能做到的。卷积神经网络的基本结构是由一系列的卷积和池化层以及一个全连接的输出层组成，可以采用梯度下降法极小化误差函数对网络中的权值和阈值参数逐层反向调节，以得到网络权值和阈值的最优解，并可以通过增加迭代次数来提高网络训练的精度。

1.2.1前向传播

在卷积神经网络的前向传播中，输入的原始图像经过逐层的卷积和池化处理后，提取出若干特征子图并转换成一维特征矢量，最后由全连接的输出层进行分类识别。

在卷积层中，每个卷积层都可以表示为对前一层输入图像的二维卷积和非线性激励函数，其表达式可用式（1）表示：

式中：Yj表示输出层中第j个输出；Yl+1i是前一层（l+1层）

的输出特征（全连接的特征向量）；n是输出特征向量的长度；Wij表示输出层的权值，连接输入i和输出j；bj表示输出层第j个输出的阈值；f(?)是输出层的非线性

1.2.2反向传播

在反向传播过程中，卷积神经网络的训练方法采用类似于BP神经网络的梯度最速下降法，即按极小化误差的方法反向传播调整权值和阈值。网络反向传播回来的误差是每个神经元的基的灵敏度[12]，也就是误差对基的变化率，即导数。下面将分别求出输出层、池采样层和卷积层的神经元的灵敏度。

（1）输出层的灵敏度

对于误差函数式（6）来说，输出层神经元的灵敏度可表示为：

在前向传播过程中，得到网络的实际输出，进而求出实际输出与目标输出之间的误差；在反向传播过程中，利用误差反向传播，采用式（17）~式（20）来调整网络的权值和阈值，极小化误差；这样，前向传播和反向传播两个过程反复交替，直到达到收敛的要求为止。

2深层卷积神经网络的交通标志识别方法

2.1应用原理

交通标志是一种人为设计的具有特殊颜色（如红、黄、白、蓝、黑等）和特殊形状或图形的公共标志。我国的交通标志主要有警告、禁令、指示和指路等类型，一般采用颜色来区分不同的类型，用形状或图形来标示具体的信息。从交通标志设计的角度来看，属于不同类型（不同颜色）的交通标志在形状或图形上有较大的差异；属于相同类型（相同颜色）的标志中同类的指示信息标志在形状或图形上比较接近，如警告标志中的平面交叉路口标志等。因此，从机器视觉的角度来分析，同类型中同类指示信息的标志之间会比不同类型的标志之间更易引起识别错误。换句话说，相比于颜色，形状或图形是正确识别交通标志的关键因素。

因此，在应用卷积神经网络识别交通标志时，从提高算法效率和降低错误率综合考虑，将交通标志转换为灰度图像并作二值化处理后作为卷积神经网络的输入图像信息。图2给出了应用卷积神经网络识别交通标志的原理图。该网络采用了6层交替的卷积层和池采样层来逐层提取交通标志的特征，形成的特征矢量由一个全连接的输出层进行识别。图中：W1i（i=1，2，…，m1），W1（jj=1，2，…，m2），…，W1k（k=1，2，…，m（n?1））分别表示卷积层L1,L3,…,Ln-1的卷积核；Input表示输入的交通标志图像；

Pool表示每个池采样层的采样池；map表示逐层提取的特征子图；Y是最终的全连接输出。

交通标志识别的判别准则为：对于输入交通标志图像Input，网络的输出矢量Y=[y1,y2,…,yC]，有yj=Max{y1，y2,…,yC}，则Input∈j，即判定输入的交通标志图像Input为第j类交通标志。

2.2交通标志识别的基本步骤

深层神经网络识别交通标志主要包括交通标志的训练与识别，所以将交通标志识别归纳为以下4个步骤：（1）图像预处理：利用公式Gray=0.299R+0.587G+0.114B将彩色交通标志图像转换为灰度图像，再利用邻近插值法将交通标志图像规格化，最后利用最大类间方差将交通标志图像二值化。

（2）网络权值和阈值的初始化：利用随机分布函数将权值W初始化为-1~1之间的随机数；而将阈值b初始化为0。

（3）网络的训练：利用经过预处理的交通标志图像构成训练集，对卷积神经网络进行训练，通过网络前向传播和反向传播的反复交替处理，直到满足识别收敛条件或达到要求的训练次数为止。

（4）交通标志的识别：将实际采集的交通标志图像经过预处理后，送入训练好的卷积神经网络中进行交通标志特征的提取，然后通过一个全连接的网络进行特征分类与识别，得到识别结果。

3实验结果与分析

实验主要选取了我国道路交通标志的警告标志、指示标志和禁令标志三类中较常见的50幅图像。考虑到在实际道路中采集到的交通标志图像会含有噪声和出现几何失真以及背景干扰等现象，因此在构造网络训练集时，除了理想的交通标志以外，还增加了加入高斯噪声、经过位移、旋转和缩放处理和实际采集到的交通标志图像，因此最终的训练样本为72个。其中，加入的高斯噪声为均值为0，方差分别为0.1，0.2，0.3，图像的位移、旋转、缩放的参数分别随机的分布在±10，±5°，0.9~1.1的范围内。图3给出了训练集中的交通标志图像的示例。图4是在实际道路中采集的交通标志图像构成的测试集的示例。

在实验中构造了一个输入为48×48个神经元、输出为50个神经元的9层网络。网络的输入是像素为48×48的规格化的交通标志图像，输出对应于上述的50种交通标志的判别结果。网络的激活函数采用S型函数，如式（2）所示，其输出范围限制在0~1之间。

图6是交通标志的训练总误差EN曲线。在训练开始的1500次，误差能迅速地下降，在迭代2000次以后是一个平稳的收敛过程，当迭代到10万次时，总误差EN可以达到0.1882。

在交通标志的测试实验中，为了全面检验卷积神经网络的识别性能，分别针对理想的交通标志，加入高斯噪声、经过位移、旋转和比例缩放以及采集的交通标志图像进行实验，将以上测试样本分别送入到网络中识别，表2给出了测试实验结果。

综合分析上述实验结果，可以得到以下结论：（1）在卷积神经网络的训练学习过程中，整个网络的误差曲线快速平稳的下降，体现出卷积神经网络的训练学习具有良好的收敛性。

（2）经逐层卷积和池采样所提取的特征具有比例缩放和旋转不变性，因此对于旋转和比例缩放后的交通标志能达到100%的识别率。

（3）与传统的BP网络识别方法[11]相比较，卷积神经网络能够达到更深的学习深度，即在交通标志识别时能够得到更高的所属类别概率（更接近于1），识别效果更好。

（4）卷积神经网络对实际采集的交通标志图像的识别率尚不能达到令人满意的结果，主要原因是实际道路中采集的交通标志图像中存在着较严重的背景干扰，解决的办法是增加实际采集的交通标志训练样本数，通过网络的深度学习，提高网络的识别率和鲁棒性。

4结论

本文将深层卷积神经网络应用于道路交通标志的识别，利用卷积神经网络的深层结构来模仿人脑感知视觉信号的机制，自动地提取交通标志图像的视觉特征并进行分类识别。实验表明，应用深层卷积神经网络识别交通标志取得了良好的识别效果。

在具体实现中，从我国交通标志的设计特点考虑，本文将经过预处理二值化的图像作为网络的输入，主要是利用了交通标志的形状信息，而基本略去了颜色信息，其优点是在保证识别率的基础上，可以简化网络的结构，降低网络的计算量。在实际道路交通标志识别中，将形状信息和颜色信息相结合，以进一步提高识别率和对道路环境的鲁棒性，是值得进一步研究的内容。

此外，本文的研究没有涉及到道路交通标志的动态检测，这也是今后可以进一步研究的内容。

参考文献

[1]刘平华，李建民，胡晓林，等.动态场景下的交通标识检测与识别研究进展[J].中国图象图形学报，2013，18（5）：493?503.

[2]SAHASK，DULALCM，BHUIYANAA.Neuralnetworkbasedsignrecognition[J].InternationalJournalofComputerApplication，2012，50（10）：35?41.

[3]STALLKAMPJ，SCHLIOSINGM，SALMENAJ，etal.Manvs.computer：benchmarkingmachinelearningalgorithmsfortraf?ficsignrecognition[J].NeuralNetwork，2012，32（2）：323?332.

[4]中国计算机学会.深度学习：推进人工智能梦想[EB/OL].[2013?06?10].http：//ccg.org.cn.

[5]郑胤，陈权崎，章毓晋.深度学习及其在目标和行为识别中的新进展[J].中国图象图形学报，2014，19（2）：175?184.

[6]FUKUSHIMAK.Neocognition：aself?organizingneuralnet?workmodelforamechanismofpatternrecognitionunaffectedbyshiftinposition[J].BiologicalCybernetics，1980，36（4）：193?202.

[7]LECUNY，BOTTOUL，BENGIOY，etal.Gradient?basedlearningappliedtodocumentrecognition[J].IEEEJournalandMagazines，1989，86（11）：2278?2324.

[8]LECUNY，BOTTOUL，BENGIOY，etal.Backpropagationappliedtohandwrittenzipcoderecognition[J].NeuralCompu?tation，1989，1（4）：541?551.

[9]CIRESAND，MEIERU，MAsciJ，etal.Multi?columndeepneuralnetworkfortrafficsignclassification[J].NeuralNet?works，2012，32（2）：333?338.

[10]NAGIJ，DUCATELLEF，CAROD，etal.Max?poolingcon?volutionneuralnetworkforvision?basedhandgesturerecogni?tion[C]//2011IEEEInternationalConferenceonSignalandImageProcessingApplication.KualaLumpur：IEEE，2011，342?347.

[11]杨斐，王坤明，马欣，等.应用BP神经网络分类器识别交通标志[J].计算机工程，2003，29（10）：120?121.

[12]BUVRIEJ.Notesonconvolutionalneuralnetworks[EB/OL].[2006?11?12].http：//cogprints.org/5869/.

[13]周开利，康耀红.神经网络模型及其Matlab仿真设计[M].北京：清华大学出版社，2005.

[14]孙志军，薛磊，许阳明，等.深度学习研究综述[J].计算机应用研究，2012，29（8）：2806?2810.

[15]刘建伟，刘媛，罗雄麟.深度学习研究进展[J].计算机应用研究，2014（7）：1921?1930.

神经网络的基本特征范文篇2

关键词：树叶识别；支持向量机；卷积神经网络

中图分类号TP18文献标识码：A文章编号：1009-3044（2016）10-0194-03

Abstract：Inthispaper，theconvolutionneuralnetworkrecognitionintheleaves，andtheprocessbyconvolutionofimagevisualization.Experimentsshowthattheneuralnetworkapplicationidentificationconvolutionleavesa92%recognitionrate.Inaddition，thisneuralnetworkandsupportvectormachinecomparativestudycanbedrawnfromthestudy，convolutionalneuralnetworkineitherspeedoraccuracybetterthansupportvectormachines，visible，convolutionneuralnetworkintheleavesaspecthasgoodapplicationprospects.

Keywordsrecognitionleaves；SVM；convolutionalneuralnetwork

1概述

树叶识别与分类在对于区分树叶的种类，探索树叶的起源，对于人类自身发展、科普具有特别重要的意义。目前的树叶识别与分类主要由人完成，但，树叶种类成千上万种，面对如此庞大的树叶世界，任何一个植物学家都不可能知道所有，树叶的种类，这给进一步研究树叶带来了困难。为了解决这一问题，一些模式识别方法诸如支持向量机（SupportVectorMachine，SVM）[1]，K最近邻（k-NearestNeighbor，KNN）[2]等被引入，然而，随着大数据时代的到来，这些传统分类算法暴露出越来越多的不足，如训练时间过长、特征不易提取等不足。

上世纪60年代开始，学者们相继提出了各种人工神经网络[3]模型，其中卷积神经网络由于其对几何、形变、光照具有一定程度的不变形，因此被广泛应用于图像领域。其主要特点有：1）输入图像不需要预处理；2）特征提取和识别可以同时进行；3）权值共享，大大减少了需要训练的参数数目，是训练变得更快，适应性更强。

卷积神经网络在国内研究才刚刚起步。LeNet-5[4]就是一种卷积神经网络，最初用于手写数字识别，本文研究将卷积神经网络LeNet-5模型改进并应用于树叶识别中。本文首先介绍一下卷积神经网络和LeNet-5的结构，进而将其应用于树叶识别，设计了实验方案，用卷积神经网络与传统的模式识别算法支持向量机（SVM）进行比较，得出了相关结论，并对进一步研究工作进行了展望。

2人工神经网络

人工神经网络方面的研究很早就已开展，现在的人工神经网络已经发展成了多领域、多学科交叉的独立的研究领域。神经网络中最基本的单元是神经元模型。类比生物神经元，当它“兴奋”时，就会向相连的神经元发送化学物质，从而改变这些神经元的状态。人工神经元模型如图1所示：

上述就是一个简单的神经元模型。在这个模型中，神经元接收来自n个其他神经元传递过来的输入信号，这些信号通过带权重的w进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过“激活函数”来产生输出。

一般采用的激活函数是Sigmoid函数，如式1所示：

[σz=11+e-z]（1）

该函数图像图2所示：

2.1多层神经网络

将上述的神经元按一定的层次结构连接起来，就得到了如图3所示的多层神经网络：

多层神经网络具有输入层，隐藏层和输出层。由于每一层之间都是全连接，因此每一层的权重对整个网络的影响都是特别重要的。在这个网络中，采用的训练算法是随机梯度下降算法[5]，由于每一层之间都是全连接，当训练样本特别大的时候，训练需要的时间就会大大增加，由此提出了另一种神经网络―卷积神经网络。

2.2卷积神经网络

卷积神经网络（CNN）由于在图像分类任务上取得了非常好的表现而备受人们关注。发展到今天，CNN在深度学习领域已经成为了一种非常重要的人工神经网络。卷积神经网络的核心在于通过建立很多的特征提取层一层一层地从图片像素中找出关系并抽象出来，从而达到分类的目的，CNN方面比较成熟的是LeNet-5模型，如图4所示：

在该LeNet-5模型中，一共有6层。如上图所示，网络输入是一个28x28的图像，输出的是其识别的结果。卷积神经网络通过多个“卷积层”和“采样层”对输入信号进行处理，然后在连接层中实现与输出目标之间的映射，通过每一层卷积滤波器提取输入的特征。例如，LeNet-5中第一个卷积层由4个特征映射构成，每个特征映射是一个24x24的神经元阵列。采样层是基于对卷积后的“平面”进行采样，如图所示，在第一个采样层中又4的12x12的特征映射，其中每个神经元与上一层中对应的特征映射的2x2邻域相连接，并计算输出。可见，这种局部相关性的特征提取，由于都是连接着相同的连接权，从而大幅度减少了需要训练的参数数目[6]。

3实验研究

为了将LeNet-5卷积网络用于树叶识别并检验其性能，本文收集了8类树叶的图片，每一类有40张照片，如图5所示的一张树叶样本：

本文在此基础上改进了模型，使用了如图6卷积神经网络模型：

在此模型中，第一个卷积层是由6个特征映射构成，每个特征映射是一个28*28的神经元阵列，其中每个神经元负责从5*5的区域通过卷积滤波器提取局部特征，在这里我们进行了可视化分析，如图7所示：

从图中可以明显地看出，卷积网络可以很好地提取树叶的特征。为了验证卷积神经网络与传统分类算法之间的性能，本文基于Python语言，CUDA并行计算平台，训练同样大小8类，一共320张的一批训练样本，采用交叉验证的方法，得到了如表1所示的结论。

可见，无论是识别率上，还是训练时间上，卷积网络较传统的支持向量机算法体现出更好地分类性能。

4总结

本文从人工神经网络出发，重点介绍了卷积神经网络模型LeNet-5在树叶识别上的各种研究并提取了特征且进行了可视化，并与传统分类算法SVM进行比较。研究表明，该模型应用在树叶识别上较传统分类算法取得了较好的结果，对收集的树叶达到了92%的准确率，并大大减少了训练所需要的时间。由于卷积神经网络有如此的优点，因此在人脸识别、语音识别、医疗识别、犯罪识别方面具有很广泛的应用前景。

本文的研究可以归纳为探讨了卷积神经网络在树叶识别上的效果，并对比了传统经典图像分类算法，取得了较好的分类精度。

然而，本文进行实验的样本过少，当数据集过多的时候，这个卷积神经网络算法的可行性有待我们进一步的研究；另外，最近这几年，又有很多不同的卷积神经网络模型出现，我们会继续试验其他的神经网络模型，力求找到更好的分类算法来解决树叶识别的问题。

参考文献：

[1]BellA，SejnowskiT.AnInformation-MaximizationApproachtoBlindSeparationandBlindDeconvolution[J].NeuralComputation，1995，7（6）：1129-59.

[2]AltmanNS.AnIntroductiontoKernelandNearest-NeighborNonparametricRegression[J].AmericanStatistician，1992，46（3）：175-185.

[3]RipleyBD，HjortNL.PatternRecognitionandNeuralNetworks[M].Patternrecognitionandneuralnetworks.CambridgeUniversityPress，，1996：233-234.

[4]LécunY，BottouL，BengioY，etal.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE，1998，86（11）：2278-2324.

神经网络的基本特征范文篇3

纹理是图像分析中常用的概念，纹理是指在图像中反复出现的局部模式和它们的排列规则，图像的纹理描述可以提供区域的平滑、稀疏、规则性等特性。粗糙性和方向性是人们区分纹理时所用的两个最主要特征[1]。目前纹理特征的计算方法主要有基于图像结构模型(structuralmodel)的方法、基于图像统计模型(statisticmodel)的方法、基于滤波器模型(filtermodel)的方法、基于随机场模型（randomfieldmodel）的方法以及基于分形模型(fractalmodel)[2]的方法等。在传统的纹理识别方法中，例如共生矩阵法和行程长度法，其本质上仅是一种对图像纹理的全局统计表示，缺少局部和细节信息，所以识别效率低，而且易受噪声影响。

基于分形的纹理分类方法是把自然纹理粗糙度和分形维数相关联的一种纹理分类方法。其重要特点是：在一定范围内独立于分辨率，独立于视角而稳定存在的物质表示量。1997年，Gregory等利用了lineardiscriminantanalysis(线性判别分析)，采用二维图像的分形维数(由谱方法计算)、分形误差和传统的co-occurrencematrix(共存矩阵)纹理测度(例如矩特征、熵、对比度、相关性等)，结果表明分形维数和分形误差测度要优于基于共存矩阵的传统特征[3]。其原因在于分形布朗运动的长相关性和尺度不变特性。

1.1基于分形纹理特征提取

分形维数己经作为区分纹理粗糙度的有效特征而广泛应用于纹理分类领域。分形维数有多种不同的计算方法，不同的方法计算的分形维数可以用来进行纹理分类的特征提取方

法。因为仅仅利用分形维数不能完全分开所有的自然纹理，在分类中常常需要用到其它特征，例如空隙特征(lacunatityfeature)、分形签名特征(signatures)、维数升降因子slope[4]、分形方向特征[5]、局部分形维数、扩展分形特征[6]、多重分形(multi-fractal)、多尺度分形维数(multi-scalefractaldimension)、分形模型拟合误差ER等。

考虑到图像的熵特征满足，平移、旋转不变性，把熵特征作为纹理分类的一个有效特征来使用。使用了分形维数特征、空隙特征和熵特征来进行自然纹理的分类。在分形维数特征中，采用功率谱方法、计盒维数法、毯子覆盖法三种方法进行计算。相应计算得到的分形维数称为功率谱分维、盒子维数、毯子维数。

1.2基于分形的图像分割方法

图像分割是图像处理领域的经典问题，章毓晋对图像分割方法有过详细论述[7]。图像分割常用的理论上具有数学形态学、统计模式识别、神经网络、信息论、模糊理论、小波分析、遗传算法、分形理论等。在ATR系统中，进行有效的图像分割可以为后续的图像识别提供有效依据。对于纹理图像，可以在进行特征提取的基础上，利用多种方法实现图像分割。

基于分形的图像分割方法基本上是首先计算图像的局部分形维数(或其它分形特征)，然后采用有监督分类或无监督分类的方法达到图像分割的目的。对于有监督分类，利用神经网络通过网络训练和网络测试验证的分类性能，在图像分割的应用中，可以采用交互方法完成神经网络的训练，然后利用整个图像的每个像素领域进行分形特征的计算，利用训练好的网络进行分类，最终达到分割的目的。对于无监督分类，常用的方法是阈值分割和聚类分割。

2自然纹理图像自动分类的BP网络设计

BP网络是采用Widrow-Hoff学习算法和非线性可微转移函数的多层网络。一个典型的BP网络采用的是梯度下降算法，也就是Widrow-Hoff算法所规定的。以三层BP网络为例，BP网络的结构如图1所示，分为输入层、中间层、输出层三个部分。

利用BP网络来实现自然纹理图像的分类问题，主要目的在于测试纹理特征在分类中的性能。下面介绍网络设计过程。

（1）输入输出向量：输入向量山特征选择而定，若选择特征的个数为N，则输入向量为N维。输出向量分别为：[10000]、[01000]、[00100]、[00010]、[00001]分别表示对应的sand,water,brick,grass,straw图像。

（2）网络结构：根据分类的需要，设计了一个有三层结构的log-sigmoid/log-sigmoid网络。对于N维输入向量，网络输入层有N个神经元。识别5类不同的纹理，输出有5个神经元。根据经验，网络的隐含层设计了10个神经元。

（3）网络训练：首先建立5类图像的训练图像库，把每类图像按照角度为10-180度、步长为10度进行旋转，各自得到18个不同旋转角度的图像。在每幅图像上计算N个特征。这样，输入样本个数为18×N输出向量如前所述为含有5个元素的列向量。网络训练采用MATLAB上具函数来实现，使用trainbpx函数进行快速训练，当训练超过3000个时间单位或者网络平方和误差小于0.1时停止.网络的训练。

（4）网络测试:对于训练完成的网络，可以利用训练样本集进行测试，来验证网络对于训练样本的分类能力。也可以采用不同的测试样本进行测试，验证网络的泛化能力。文中采用的测试样本图像库为:把每类图像按照角度为15-3550、步长为20°进行旋转，各自得到18个不同旋转角度的图像。

分别利用空隙特征LA、盒维数特征CD、功率谱分维FD、毯子维数BD和熵特征EN其中的一个特征进行神经网络设计，识别5类不同纹理。实验结果如表1所示。

采用四个特征相结合进行分类实验，比较四个特征组合后的分类性能，实验结果如表2所示。

可见不同特征的组合方式对于分类器有较大影响：适当选取不同的纹理特征互相组合，可以提高分类器的性能。

3结论

通过研究基于图像处理技术的植物病害图像实时采集分类并进行危害程度自动测定的系统，可以做到有目的地科学进行病害图像分割处理，既可提高病害识别的准确性又可以缩短植物病害防治实施周期，同时能降低防治使用成本，利于实现我国植物病害防治方法的自动化和现代化，并将有助于创立我国自主的植物病害防治的新方法。

参考文献：

[1]李厚强.基于分形和神经网络的纹理分析.中国科学技术大学博士学位论文[D].2000:1-2

[2]孙即祥等著.模式识别中的特征提取与计算机视觉不变量[M].北京:国防工业出版社2001:182-209

[3]G.McGarry,M.Deriche.ModellingMammographicImagesUsingFractionalBrownianMotion[J].ProceedingsoftheIEEERegionTenConference,DigitalSignalProcessingApplications.Brisbane,Australia.1997:299-302.

[4]刘文萍，吴立德.纹理特征提取及分割[J].计算机应用与软件.2001,18(11):44-49

[5]S.Mukhopadhyay,B.Chanda.MultiscaleMorphologicalSegmentationImages[J].IEEETrans.OnImageProcessing.2003,12(5):533-548

[6]L.M.Kaplan,ExtendedFractalAnalysisforTextureClassificationandSegmentation.IEEETrans[J].ImageProcessing.1999,8:1572-1585

[7]章毓晋.图像分割[M].北京:科学出版社.2001:169-174