43、神经网络在图像处理中的应用及案例分析

神经网络在图像处理中的应用及案例分析

1. 神经网络应用示例

1.1 相关特征选择

在特征选择方面，将变换径向基网络（TRBNN）与知名的浮动搜索法和遗传算法等方法，在最佳特征子集方面进行了性能比较。在搜索特征子集时，每个子集可编码为一个 d 元素的位串或二进制向量（d 为初始特征数量），用 (a = {x_1, \cdots, x_d}) 表示，其中 (x_i) 若第 (i) 个特征不在子集中则取值为 0，若存在则取值为 1。

特征选择方法在来自 30 维空间中两个正态分布类别的红外图像数据上进行了测试，且这两个类别具有相等的协方差矩阵。对于 TRBNN，设置 (\mu = 0.05) 和 (\eta = 0.9)，每个类别都有 60 个训练向量和 60 个测试向量。

TRBNN 在学习阶段会丢弃无关特征，同时不会降低识别率，具体识别率情况如下表所示：
| 迭代次数 | 丢弃特征数量 | 识别率 |
| — | — | — |
| 800 | – | 100% |
| 801 – 1200 | 13 | 92.6 – 97% |
| 1201 – 1500 | 17 | 93.5 – 99.5% |

不同特征选择方法的最佳子集和最小误差比较如下表：
| 特征选择方法 | 最小误差 | 最佳子集 |
| — | — | — |
| TRBNN | 0.07 | 110001110110001010110100001000 |
| 顺序向后选择 | 0.123 | 011001110010011010100000000110 |
| 遗传算