基于BP神經網絡的圖像分割

宋俊芳

（西藏民族大學 信息工程學院，咸陽　712082）

1　遺傳算法

遺傳算法是一種隨機化尋優算法，不存在求導和函數連續性的限定，不易陷入局部最優。算法基本流程包含以下關鍵部分：

初始化：隨機生成N個體作為初始群體P(0)。定義進化代數計數器t，并設置最大進化代數T

個體評價：計算第t代群體P(t)的各個個體的適應度

選擇：把優化的個體直接遺傳到下一代或通過配對交叉產生新的個體，然后再遺傳到下一代

交叉：把兩個父代個體的部分結構加以替換重組而生成新個體

變異：修改個體的某些特征

經過以上各步，生成下一代群體P(t+1)

如果t=T，那么迭代結束，輸出最優解

2　BP網絡訓練

BP網絡的訓練過程就是對各層神經元權值的校正過程，首選輸入模式由輸入層節點直接傳送到隱藏層各節點上，然后隱藏層對各神經元作Sigmoid轉換后，輸入到下一層，以此類推循環進行，直到輸出層結束。該過程可以具體描述如下。

假設設有一個具有Q層的BP人工神經網絡，其第一層為輸入層，第Q層為輸出層，第層的節點數為nq，第q層的第i個神經元與第q-1層各神經元連接的各權值系數為wij，那么第q層節點i的輸入為：

權系數矩陣的修正是基于以下公式進行迭代的：

E為系統的相應誤差，η為系統的“學習效率”

3　圖像提取

采用BP網絡提取目標圖像首先要利用樣本值對網絡進行訓練，并使之收斂到最優解。然后再利用網絡提取目標圖像。因此可分3步進行：

特征值提取：確定前景色和背景色的范圍，并且保存前景色和背景色作為訓練樣本值。然后再計算相應的特征值，若為前景將其特征值設為1，若為背景，將其特征值設為0。

基于遺傳算法神經網絡的訓練：利用樣本值和特征值對網絡進行訓練，直到均方誤差收斂到指定值，或者達到最大迭代次數。可適當增加迭代次數，使之收斂到最優

圖像分割：實質上是圖像分類。每個像素作為一個樣本送入網絡，根據設置的門限值，可確定該像素的類型

4　仿真結果

首先生成樣本數據：generatesample('datasample.mat')

根據遺傳算法生成BP網絡權值和閾值的初始值，以初始化網：gabptrain(gaP,bpP,p,t)

Net = initnet(W1,B1,W2,B2,bpP)

根據樣本值和特征值，采用遺傳算法對BP網絡進行訓練，讀入準備好的圖像，如圖3(a)所示

采用已經收斂到最優的網絡對3(a)進行目標提取，提取后的圖像如圖3(b)所示, 提取出了圖案的清晰輪廓，并達到了理想的圖像分割效果。

圖3　圖像分割效果

5　結束語

圖像分割是進行圖像識別的基礎，將基于遺傳算法訓練的BP神經網絡用于各類目標圖像分割，效果都很好，所以基于BP網絡模型高度的非線性映射能力，可保證圖像提取的高質量，尤其用遺傳算法訓練BP網絡模型時，其內在的隱并行性和良好的全局尋優能力可用于自適應地調整搜索方向，在一定程度上可以降低網絡訓練的時間。

[1]邵虹, 崔文成. 基于BP神經網絡的人臉圖像識別方法的研究[J]. 沈陽工業大學學報, 2000,22(4):346-348.

[2]施少敏, 馬彥恒, 陳建泗. 基于BP神經網絡的數字識別方法[J]. 兵工自動化,2006, 25(10):40-41.

[3]胡方明, 簡琴, 張秀君. 基于BP神經網絡的車型分類器[J]. 西安電子科技大學學報(自然科學版), 2005, 32(3):439-442.

[4]程曦, 吳云志, 張友華,等. 基于深度卷積神經網絡的儲糧害蟲圖像識別[J].中國農學通報, 2018(1).

[5]葛蕓, 江順亮, 葉發茂,等. 基于ImageNet預訓練卷積神經網絡的遙感圖像檢索[J]. 武漢大學學報(信息科學版),2018(1).