1701011430

1701011431

1701011432

1701011433 图10-4　数字图像处理系统

1701011434

1701011435 图像处理的诞生，使得人们生活发生重大改变，电子眼、视频监控和目标跟踪等一系列智能化产业链逐渐应用到日常生活中，给人们的生活带来便利。

1701011436

1701011437 一幅图像就是一个数组，这个数组存储着图像的像素值，最神奇的是不同的像素值对应不同的颜色，就拿我们常见的uint8类型图像数据而言，0表示黑色，255表示白色，0～255之间的数据反应不同的颜色，因此构成了我们所看到的不同的颜色图像。图像数据最重要的特点就是大数据量，采用我们的人眼来进行图像分辨，是远远不够的，采用计算机进行图像处理，让我们对外界环境认识更加全面。

1701011438

1701011439 既然图像是由很多不同的数据点构成的，采用我们的计算机进行查看，编写MATLAB程序如下：

1701011440

1701011441     clc,clear,close all         %清屏和清除变量    warning off                 %消除警告    ps=imread(‘ysw.jpg’);       %读原始图像    figure(1)                   %新建一个画图窗口    imshow(ps)                  %显示原始图像    r = ps(:,:,1);              %红色分量    g = ps(:,:,2);              %绿色分量    b = ps(:,:,3);              %蓝色分量    rgb = b-g/2-r/2;            %去除背景    imshow(rgb)                 %显示图像    bw = im2bw(rgb,0.2);        %二值化    bw = ~bw;                   %取反    bw2 = bwareaopen(bw,30);          %去除小块    imshow(bw2)                       %显示图像    %%剔除背景后的RGB图像    ps = rgb2gray(ps);                %灰度化    ps = immultiply(ps,bw2);          %去掉背景    figure(2)                         %新建一个画图窗口    imshow(ps);                       %显示图像    for i=1:size(ps,1)        for j=1:size(ps,2)            if ps(i,j)>0                ps(i,j)=ps(i,j)+20;    %区分背景，增大差值            end        end    end    imshow(ps)                                    %显示图像    background=imopen(ps,strel(‘disk’,4));        %形态学处理，开运算    figure(‘color’,[1,1,1])                       %设置图形背景为白色    surf(double(background(1:4:end,1:4:end))),zlim([0 256]);   %曲面设置    set(gca,‘Xdir’,‘reverse’);                             %设置x轴方向反向    set(gca,‘Ydir’,‘reverse’);                             %设置y轴方向反向    box on                                                 %设置边框    grid off                                               %不显示网格    set(gca,‘ZTick’,zeros(1,0),‘YTick’,zeros(1,0),‘XTick’,zeros(1,0))                                                             %不显示坐标轴刻度

1701011442

1701011443 运行程序得到的图像，如图10-5和图10-6所示。

1701011444

1701011445

1701011446

1701011447   图10-5　原始图像     图10-6　图像的三维视图   图10-6所示为图10-5的图像灰度值，图像就是由不同的灰度值排列组成，三维图形能够很清晰地反应实际图像。照相机就是由感光单元进行数据采集，按照一定的格式进行数据保存，从而形成我们看见的图像。图像处理是20世纪末，21世纪初的产物，它的诞生，使得我们的生活日益丰富，让事物本身变得更加可观，触手可得。

1701011448

1701011449

1701011450

1701011451

1701011452 我和数学有约：趣味数学及算法解析 [:1701004280]

1701011453 我和数学有约：趣味数学及算法解析 10.4　人工神经网络PK人脑

1701011454

1701011455 多少年以来，人们从医学、生物学、生理学、哲学、信息学、计算机科学、认知学和组织协同学等各个角度企图认识并解答“人脑是如何工作的？”、“人类能否制作模拟人脑的人工神经元？”。

1701011456

1701011457 在寻找这些问题答案的研究过程中，逐渐形成了一个新兴的多学科交叉技术领域，称之为“神经网络”。

1701011458

1701011459 1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析和总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。

1701011460

1701011461 【问题】什么是人工神经网络？

1701011462

1701011463 【分析】

1701011464

1701011465 人工神经网络（Artificial Neural Networks，ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

1701011466

1701011467 神经网络包括很多分支，具体有RBF、BP、Hopfield、NAR、感知器和自组织映射等，其中BP神经网络是最经典、也是应用最广泛的神经网络。

1701011468

1701011469 BP神经网络是一种常用的神经网络，是人工智能网络的一种形式，BP神经网络采用反向传播的方式，进行数据的训练仿真，BP神经网络模拟生物神经元结构模型，通过相连神经元之间交互信息，BP神经网络一般由输入层、隐藏层和输出层构成，BP神经网络对输入的信息具有自我学习的功能，通过隐藏层和相应的阈值和权值放大，得到相应的输出结果。

1701011470

1701011471 BP神经网络模型如图10-7所示。

1701011472

1701011473

1701011474

1701011475

1701011476 图10-7　BP神经网络拓扑结构图

1701011477

1701011478 从图10-7可看出，BP神经网络每一个输入量经过每一个隐藏层，在相应的权值和阈值的作用下放大，隐藏层经过一定的加权后给输出层；BP神经网络具有记忆和学习功能。

1701011479

[ 上一页 ]  [ :1.70101143e+09 ]  [ 下一页 ]