基于BP网络的工业CT图像边缘检测.pdfVIP

基于BP 网络的工业CT 图像边缘检测 刘长江 四川理工学院数学系，四川自贡 (643033 ） E-mail ：longriverlcj@163.com 摘 要：采用改进的BP 算法，实现工业CT 图像的边缘检测。本文构造了学习样本，可以 在较短时间内训练得到权值矩阵，从而实现二值图像边缘检测。并在此基础上，综合灰度图 像各位面的边缘提取结果，实现对灰度图像的边缘检测。通过对气缸CT 图像的实验，证明 利用本文得到的权值矩阵用于边缘检测，泛化性较好，抗噪能力强，能得到较为连续精细的 边缘。 关键词：BP 算法，边缘检测，CT 中图分类号：TP183 1. 引 言 反向传播(Back-Propagation)算法，简称 BP 算法，其主要思想是从后向前（反向）逐层 传播输出层的误差，以间接算出隐层误差。算法分为两个阶段：第一阶段（正向过程）输入 信息从输入层经隐层逐层计算各单元的输出值；第二阶段（反向传播过程）输出误差逐层向 前算出隐层单元的误差，并用此误差修正前层权值。 边缘检测问题本质上是一种复杂的分类问题，即把输入图像划分为边缘点和非边缘点， 并且已经证明不超过三层的前馈网络能解决任何分类问题[1] 。神经网络允许样本有较大的缺 损和畸变，通过对训练样本的学习，建立起记忆，然后将未知的模式判断为其最接近的记忆 类别。由于神经网络方法具有较好的容错性和联想功能等特点，因此，采用神经网络方法进 行边缘检测是很值得研究的。如 Chao 提出用 Hopfield 网络来检测图像边缘[2]，以及 Chua 和 Yang 提出用细胞神经网络来检测图像边缘[3][4]，熊联欢等采用 BP 网络研究了彩色图像分 割和边缘检测的神经网络方法[5] 。本文在文献[5]的基础上进一步讨论BP 网络的边缘检测问 题。 2. 改进的 BP 算法 2.1 BP 网络结构 BP 网络各隐节点的激活函数使用 Sigmoid 函数，BP 网输出节点的激活函数根据应用的 不同而异。用于分类时，输出层节点一般用 Sigmoid 函数或者硬极限函数。假设隐节点和输 出节点都使用 Sigmoid 函数，输入层、多个隐含层、输出层，各层间实现全连接。以典型的 [6] 3 层前馈网络简述 BP 网 。 对 BP 网的计算节点，有 n u ∑w x −θ j i i j i 1 y j f (u j ) 1/(1=+exp(−λu j )) 假设 BP 网的输入矢量为x ∈R n ，其中x (x ,x ,L,x )T ；隐层有n 个神经元，它们 1 2 n 1 的输出为 ′ n1 ′ T m x ∈R ， x (x ,x ,L,x ) ；输出层有 m 个神经元，输出为 y ∈R ， 1 2 n 1 y (y ,y ,L,y m )T 。设输入层到隐层的权为w ，阈值为θ ，其中突触权值w 表示从神 1 2