42、弹药筒图像特征提取与分类及图像多阈值分割算法研究

弹药筒图像特征提取与分类及图像多阈值分割算法研究

1. 弹药筒图像特征提取与分类

在弹药筒图像的特征提取与分类研究中，主要涉及到多种算法的应用和实验验证。

1.1 算法介绍

• 启发式技术 ：包括改变学习率、隐藏神经元数量以及引入动量等方法。
• 标准数值优化技术 ：如共轭梯度算法。

在基本的BP神经网络（BP NN）算法中，学习率在整个训练过程中保持不变。然而，算法性能对学习率的设置非常敏感。若学习率过高，算法会出现振荡且不稳定；若学习率过小，算法收敛时间会过长，且在训练前很难确定最优值。实际上，在误差平面较平坦时增大学习率，斜率增大时减小学习率，可加快收敛速度。

动量类似于低通滤波器，能减少轨迹中的振荡或使振荡平滑，不仅能维持算法稳定性，还能加速收敛，因为轨迹会朝着一致的方向移动。基本的反向传播算法沿最陡下降方向（梯度的负方向）调整权重，但这可能并非最快的收敛方式，而共轭梯度算法通过沿共轭方向搜索，通常能比最陡下降法更快收敛。

1.2 实验过程

• 样本选择 ：由西澳大利亚警方提供样本弹药筒，选取了八种不同类型的五十个弹药筒进行实验，所有弹药筒图像均使用单波长环形光拍摄。
• 特征生成 ：将纹理特征和圆矩不变量相结合，生成新的特征集，用于训练、验证和测试神经网络。
• 交叉验证 ：使用“留一法”交叉验证（LOO