數(shù)字圖像處理-圖像分割-課件

1、圖像輸入光電變換數(shù)字化圖像增強圖像恢復預處理閾值分割邊緣檢測圖像分割圖像識別圖像分析理解描述解釋特征提取一般的圖像處理過程圖像處理有兩大類目的： 1改善像質(zhì)（增強、恢復） 2圖像分析：對圖像內(nèi)容作出描述圖像的分割圖像輸入光電變換數(shù)字化圖像增強預處理閾值分割圖像分割圖像識別圖像分析：（也叫景物分析或圖像理解） 可看作是一種描述過程，主要研究用自動或半自動裝置和系統(tǒng)，從圖像中提取有用測度，數(shù)據(jù)或信息生成非圖的描述或表示。圖像分割：將圖像中有意義的特征或需要應用的特征提取出來。（簡單而又難于實現(xiàn)的最基礎的識別工作。人的視覺系統(tǒng)對圖像分割是十分復雜的，也是相當有效的。但分割原理和模型都未搞清楚。）第五

2、章 圖像的分割與描述圖像分析：（也叫景物分析或圖像理解）第五章 圖像的分割與描5.1 閾值分割5.2 邊緣檢測5.3 區(qū)域分割5.4 Hough變換5.5 近鄰法分割5.6 基于動態(tài)聚類的分割5.7 基于神經(jīng)網(wǎng)絡的分割5.8 其它分割方法第五章 圖像的分割5.1 閾值分割第五章 圖像的分割非理想情況，各段的分界不明顯，3種誤差 a）增加了新的區(qū)域，b）失去了原有的區(qū)域， c）區(qū)域分割邊界定位不準確動態(tài)門限：把圖像分成子圖像，子圖像做直方圖，再定不 同的門限5.1 閾值分割 1 閾值分割原理非理想情況，各段的分界不明顯，5.1 閾值分割 1 閾值分Tq(z)p(z)zpo 假設圖像中目標及背景的

3、灰度為正態(tài)分布，其灰度分布概率密度函數(shù)分別p(z), q(z).設對象物占整體圖像的比例為t，此時整體圖像的灰度概率密度由下式?jīng)Q定現(xiàn)在用閾值T分開：當zT 時為背景，反之則是對象物。目標和背景概率密度分布 2 閾值的選取最小誤差閾值選取法Tq(z)p(z)zpo 假設圖像中目標及背景的灰度為求上式最小值時的T，便是閾值.即對上式求微分 該方法必須用兩個已知正態(tài)分布的曲線合成來近似直方圖的分布，還要給定兩個正態(tài)分布合成的比例t, 實現(xiàn)起來比較復雜把背景誤認為對象物的概率:把對象物誤認為背景的概率:錯誤區(qū)分的概率:根據(jù)假設，當t, p(z), q(z) 已知時，可求解閾值T.最小誤差閾值選取法求上

4、式最小值時的T，便是閾值.即對上式求微分 該 也叫大津閾值,把直方圖在某一閾值處分割成兩組，當被分成的兩組間方差為最大時，決定閾值。設一幅圖像的灰度值為1m級，灰度值i的像素數(shù)為ni，則像素總數(shù)為 ，各值的概率 ，用T將其分成兩組C0=1T和C1=T+1m，各組產(chǎn)生的概率如下：最大方差閾值選取法C0產(chǎn)生的概率為：C1產(chǎn)生的概率為： 也叫大津閾值,把直方圖在某一閾值處分割成兩組，當被分兩組間的方差：從1m之間改變T，求上式為最大值時的T，既是最大方差閾值最大方差閾值選取法C0的平均值：C1的平均值：是整體圖像的灰度平均值其中,兩組間的方差：從1m之間改變T，求上式為最大值時的T，既是實現(xiàn)過程:

5、從T從1m逐一改變,每變一次,對應一個 ， 具有最大 的T即是最佳閾值.討論： * 此方法可操作性強； * 無論圖像有無雙峰都可得到較滿意結(jié)果； * 局部圖像二值化效果更好 * 可推廣到雙閾值圖像分割最大方差閾值選取法實現(xiàn)過程: 從T從1m逐一改變,每變一次,對應一個 可以將最大方差閾值推廣到雙閾值分割,根據(jù)上面的公式推廣為:最大方差閾值選取法 可以將最大方差閾值推廣到雙閾值分割,根據(jù)上面的公式推 如:目標占整幅圖像面積百分比概率統(tǒng)計的閾值選取法 如:目標占整幅圖像面積百分比概率統(tǒng)計的閾值選取法簡單情況下取直方圖谷值點作分割閾值。圖像中有噪聲干擾，先平滑處理，后取門限光照不均勻： 先修正光照不

6、均勻，再取門限。 b 分區(qū)分割以減少光照不均勻而影響的分割效果亮暗暗暗暗3 影響因素噪音、照度不均勻，結(jié)構特征等。簡單情況下取直方圖谷值點作分割閾值。亮暗暗暗暗3 影響因素多波段： R、G、B多幅直方圖同時出現(xiàn)谷值。取局部特征：如紋理粗糙度此結(jié)構特征優(yōu)于灰度特征，與結(jié)構有關，若取局部特征，并對局部特征圖平滑之后，再取閾值，則效果更好。3 影響因素多波段：3 影響因素多特征閾值分割a 灰度及平均灰度(33區(qū))二維直方圖若集中于對角線區(qū)則表示灰度均勻區(qū)。若遠離對角線者（灰度與平均灰度不同）是區(qū)域邊界。（近對角線構成直方圖有明顯峰值及閾值，遠離對角線者可用灰度平均值作為閾值，用于區(qū)分兩個區(qū)）。3 影

7、響因素平均灰度邊界邊界目標灰度背景多特征閾值分割3 影響因素平均灰度邊界邊界目標灰度背景b 灰度與灰度梯度圖梯度灰度邊界目標背景c 多波段： R、G、B可分別組成R-B, G-B, R-B兩維直方圖，圖上強的地方反映一個區(qū)。多特征閾值分割3 影響因素b 灰度與灰度梯度圖梯度灰度邊界目標背景c 多波段：多特征(a) 一幅縱向邊緣的圖像000(b) 每行像素的 灰度剖面圖(c) 一階導數(shù)(d) 二階導數(shù) 從數(shù)學上看，圖像的模糊相當于圖像被平均或積分，為實現(xiàn)圖象的銳化，必需用它的反運算“微分”加強高頻分量作用，使輪廓清晰。5.2 邊緣檢測1 邊緣檢測原理其導數(shù)在邊緣方向取得極值(a) 一幅縱向邊緣的

8、圖像0(b) 每行像素的 梯度對應一階導數(shù)，對于一個連續(xù)圖像函數(shù)f(x,y):梯度的幅度:梯度矢量定義:梯度的方向:1 邊緣檢測原理梯度對應一階導數(shù)，對于一個連續(xù)圖像函數(shù)f(x,y):梯度的幅 離散域上微分改成差分,而且由水平和垂直兩個方向模板組成一階: x f(i,j) = f(i,j) - f(i,j-1) y f(i,j) = f(i,j) - f(i-1,j)二階：x2 f(i,j) = x f(i,j+1) - x f(i,j) = f(i,j+1) - f(i,j) ( f(i,j) - f(i,j-1) y2f(i,j) = f(i+1,j) + f(i-1,j) - 2f(i,

9、j)1 邊緣檢測原理 離散域上微分改成差分,而且由水平和垂直兩個方a) Roberts算子近似式：100-101-10Roberts算子2 典型算子a) Roberts算子近似式：100-101-10Robeb) Sobel算子-101-202-101121000-1-2-1c) Prewitt算子-101-101-101111000-1-1-12 典型算子b) Sobel算子-101-202-101121000-1 d) Kirsch算子2 典型算子 由K0K7八個方向模板組成，將K0K7的模板算法分別與圖像中的33區(qū)域乘，選最大一個值，作為中央像素的邊緣強度其中：若 最大，說明 處有 方向

10、的邊緣通過 d) Kirsch算子2 典型算子 由K0K7555-30-3-3-3-3-355-305-3-3-3-3-35-305-3-35-3-3-3-305-355-3-3-3-30-3555-3-3-350-355-35-3-350-35-3-355-350-3-3-3-3k0k1k2k3k4k5k6k7 d) Kirsch算子2 典型算子555-30-3-3-3-3-355-305-3-3-3-3 e) 定向濾波： 沿特定方向增強，有朔像效果 -1-c-11c1-1-cc1-11c11-1-1-c-111c-c-1注意：邊緣檢測對噪聲敏感，常在作邊緣檢測前對圖像進行某些預處理，如平滑

11、處理等。2 典型算子 e) 定向濾波：-1-c-11c1-1-cc1-11c11f) 二階微分算子- laplace算子-1-14-1-1特點:對噪聲敏感, 常產(chǎn)生雙像素寬的邊緣，無方向性2 典型算子f) 二階微分算子- laplace算子-1-14-1-g) Canny算子2 典型算子一個邊緣算子必須滿足三個準則：1） 低錯誤率：邊緣算子應該只對邊緣響應，并能找到所有的邊，而對于非邊緣應能舍棄。2） 定位精度：被邊緣算子找到的邊緣象素與真正的邊緣象素間的距離應盡可能的小。3） 單邊響應：在單邊存在的地方，檢測結(jié)果不應出現(xiàn)多邊。g) Canny算子2 典型算子一個邊緣算子必須滿足三個準則區(qū)域分

12、割：利用的是圖像的空間性質(zhì)，認為分割出來的屬于同一區(qū)域的像素應具有相似的性質(zhì).1 區(qū)域生長法： T=3時的生長結(jié)果5.3 區(qū)域分割區(qū)域分割：利用的是圖像的空間性質(zhì)，認為分割出來的屬于同一區(qū)域算法描述 先對每個需要分割的區(qū)域找一個種子像素作為生長的起點，然后將種子像素周圍鄰域中與種子像素有相似性質(zhì)的像素合并到種子像素所在的區(qū)域中。將這些新像素當作新的種子像素繼續(xù)進行上面的過程，直到再沒有滿足條件的像素可被包括進來。5.3 區(qū)域分割1 區(qū)域生長法算法描述5.3 區(qū)域分割1 區(qū)域生長法關鍵問題 a) 選擇或確定一組能正確代表所需區(qū)域的種子像素 人機交互 通過直方圖峰值 b) 確定在生長過程中能將相鄰

13、像素包括進來的準則 基于區(qū)域灰度差 基于區(qū)域內(nèi)灰度分布統(tǒng)計性質(zhì)5.3 區(qū)域分割1 區(qū)域生長法關鍵問題5.3 區(qū)域分割1 區(qū)域生長法區(qū)域生長法生長準則 基于區(qū)域灰度差方法5.3 區(qū)域分割1 區(qū)域生長法Step1：對像素進行掃描，找出尚沒有歸屬的像素；Step2：以該像素為中心檢查它的鄰域像素，即將鄰域中的像素逐個 與它比較，如果灰度差小于預先確定的閾值T，將它們合并；Step3：以新合并的像素為中心，返回到步驟2，檢查新像素的鄰 域，直到區(qū)域不能進一步擴張；Step4：返回到步驟1，繼續(xù)掃描直到所有像素都有歸屬，則結(jié)束整 個生長過程。區(qū)域生長法生長準則5.3 區(qū)域分割1 區(qū)域生長法Step1：區(qū)

14、域生長法生長準則 基于區(qū)域灰度差方法5.3 區(qū)域分割1 區(qū)域生長法討論：生長準則與欠分割或過分割現(xiàn)象T=1T=6區(qū)域生長法生長準則5.3 區(qū)域分割1 區(qū)域生長法討論：生長準區(qū)域生長法生長準則 基于區(qū)域內(nèi)灰度分布統(tǒng)計性質(zhì)5.3 區(qū)域分割1 區(qū)域生長法 考慮以灰度分布相似性作為生長準則來決定區(qū)域的合并，具體步驟為： 把像素分成互不重疊的小區(qū)域； 比較鄰接區(qū)域的累積灰度直方圖，根據(jù)灰度分布的相似性進行區(qū)域合并；區(qū)域生長法生長準則5.3 區(qū)域分割1 區(qū)域生長法 考慮區(qū)域生長法生長準則 基于區(qū)域內(nèi)灰度分布統(tǒng)計性質(zhì)5.3 區(qū)域分割1 區(qū)域生長法 Kolmogorov-Smirnov檢測: Smoothed

15、-Difference 檢測:如果檢測結(jié)果小于給定的閾值，就把兩個區(qū)域合并。 灰度直方圖h(x)的累積灰度直方圖被定義為： 區(qū)域生長法生長準則5.3 區(qū)域分割1 區(qū)域生長法 Kolm 實際中常先把圖像分成任意大小且不重疊的區(qū)域，然后再合并或分裂這些區(qū)域以滿足分割的要求,即分裂合并法.一致性測度可以選擇基于灰度統(tǒng)計特征(如同質(zhì)區(qū)域中的方差),假設閾值為T ,則算法步驟為: 對于任一Ri，如果 ，則將其分裂成互不重疊的四 等分； 對相鄰區(qū)域Ri和Rj，如果 ，則將二者合并； 如果進一步的分裂或合并都不可能了，則終止算法。5.3 區(qū)域分割2 分裂合并法 實際中常先把圖像分成任意大小且不重疊的區(qū)域，然

16、后再合R1R2R3R41R42R43R44RR4R3R2R1R44R43R42R41分裂合并法分割圖像示例簡單的區(qū)域分裂過程 5.3 區(qū)域分割2 分裂合并法R1R2R3R41R42R43R44RR4R3R2R1R445.4 Hough變換 Hough變換是一種檢測、定位直線和解析曲線的有效方法。它是把二值圖變換到Hough參數(shù)空間，在參數(shù)空間用極值點的檢測來完成目標的檢測。下面以直線檢測為例，說明Hough變換的原理。 5.4 Hough變換 Hough變換是一種檢測、定位5.4 Hough變換YXXY極坐標表示的點線對偶性(xi, yi)(xj, yj)XoYy=px+qPoQq = -px

17、j+yjq = -pxi+yiqp圖像空間和參數(shù)空間中點和線的對偶性5.4 Hough變換YXXY極坐標表示的點線對偶性(xi,5.4 Hough變換 圖像的Hough變換如下圖,pmin,pmax,qmin,qmax可以根據(jù)先驗知識設定,累加數(shù)組的大小由檢測分辨率以及pmin, pmax, qmin和qmax來決定。pminqminpmaxqmax00A(p,q)XY(0,0)圖像參數(shù)空間累加數(shù)組5.4 Hough變換 圖像的Hough變換如下圖,5.4 Hough變換 隨著檢測分辨率的提高, 時間以及空間花費越來越大，可以采用分級變換加以解決開始結(jié)束達到分辨率要求？Hough變換參數(shù)分析，

18、重新設定參數(shù)范圍初始值設定 分級Hough變換流程圖5.4 Hough變換 隨著檢測分辨率的提高, 時間以 Hough變換的優(yōu)點是抗噪聲能力強，能夠在信噪比較低的條件下，檢測出直線或解析曲線。缺點是需要首先做二值化以及邊緣檢測等圖像預處理工作，損失掉原始圖像中的許多信息。Hough變換檢測二次曲線-以圓為例圓的方程:5.4 Hough變換 Hough變換的優(yōu)點是抗噪聲能力強，能夠在信噪比較低5.4 Hough變換Hough變換的改進: 分塊處理 隨機hough變換Hough變換的應用： 銀行票據(jù)糾偏5.4 Hough變換Hough變換的改進:5.5 近鄰法分割1、最近鄰法假定有個類別的待分類別

19、，每類有標明類別的樣本 個。我們可以規(guī)定 類的判別函數(shù)為其中的角標表示類，表示類個樣本中的第個。按上式?jīng)Q策規(guī)則可以寫為若則決策其直觀解釋是相當簡單的，對于未知樣本，只要比較其與個已知類別樣本之間的歐氏距離，決策與離它最近的樣本同類。關鍵點：初始樣本點如何標明類別，距離函數(shù)的制定5.5 近鄰法分割1、最近鄰法關鍵點：初始樣本點如何標明類別5.5 近鄰法分割2、K-近鄰法 取未知樣本x的k個近鄰，看這k個近鄰中多數(shù)屬于哪一類，就把x歸為哪一類。具體說就是在N個已知樣本中，找出x的k個近鄰。設這N個樣本中，來自 類的樣本有 個，來自 類的有 個，來自 類的有 個，若 分別是k個近鄰中屬于 類的樣本數(shù)

20、，則我們可以定義判別函數(shù)為決策規(guī)則為：若 則決策 。 關鍵點：初始樣本點如何標明類別，距離函數(shù)的制定5.5 近鄰法分割2、K-近鄰法 取未知樣本x的k個1 k-均值聚類 又稱“C-均值算法”，算法的基礎是誤差平方和準則。若 是第聚類中的樣本數(shù)目，是這些樣本的均值，即5.6 動態(tài)聚類分割 把中的各樣本與均值 間的誤差平方和對所有類相加后為1 k-均值聚類5.6 動態(tài)聚類分割 把中的各樣本1 k-均值聚類 是誤差平方和聚類準則， 度量用了個聚類中心 代表個樣本子集 時所產(chǎn)生的總的誤差平方。對于不同的聚類，使 極小的聚類是誤差平方和準則下的最優(yōu)結(jié)果。1 k-均值聚類 是誤差平方和聚類準則， 度量用了

21、1 k-均值聚類分析，把樣本y從 類移入 類對誤差平方和的影響： 設從 中移出 后的集合為 ,它相應的均值是 式中的 和 是 的樣本均值和樣本數(shù). 設 接受 后的集合為 ,它相應的均值是式中的 和 是 的樣本均值和樣本數(shù).1 k-均值聚類分析，把樣本y從 類移入 類對誤差平方1 k-均值聚類分析，把樣本y從 類移入 類對誤差平方和的影響： 的移動只影響 和 兩類,對其他類無任何影響,因此只需要計算這兩類的新的誤差平方和 和如果則把樣本 從 移入到 就會使誤差平方和減少.只有當 離 的距離比離 的距離更近時才滿足上述不等式.1 k-均值聚類分析，把樣本y從 類移入 類對誤差平方1 k-均值聚類k

22、-均值算法流程Step1:確定C個初始聚類群，計算相應的聚類中心Step2:選擇一個備選樣本 ，設 現(xiàn)在在 中Step3:若 ,則轉(zhuǎn)2,否則繼續(xù)假設聚c類，則：1 k-均值聚類k-均值算法流程Step1:確定C個初始聚類1 k-均值聚類k-均值算法流程 Step5:對于所有的 ,若 ,則把 從 移到 中 Step6:重新計算 和 的值,并修改 Step7:若連續(xù)疊代N次 不改變,則停止,否則轉(zhuǎn)到步驟2Step4:計算1 k-均值聚類k-均值算法流程 Step5:對于所有的 1 k-均值聚類Step1:確定C個初始聚類群，并計算相應的聚類中心。Step2:對于每個待聚類樣本，計算其與C個聚類中心

23、的距離，把 待聚類樣本歸到離其最近的一個聚類群中。Step3:當每個待分樣本都被分到C個聚類中后，重新計算聚類中 心。Step:重復、步，直到C個聚類中心不變?yōu)橹?。k-均值簡化算法1 k-均值聚類Step1:確定C個初始聚類群，并計算相應的關鍵問題第一步: 代表點的選擇 憑經(jīng)驗選擇代表點 將全部數(shù)據(jù)隨機地分成C類，計算每類重心 用前C個樣本點作為代表點第二步: 確定代表點后進行初始分類 其余的點離哪個代表點最近就歸入哪一類 每個代表點自成一類，將樣本依順序歸入與其最近 的代表點那一類，并立即重新計算該類的重心以代替原來的代表點。然后再計算下一個樣本的歸類直至所有的樣本都歸到相應的類為止1 k-

24、均值聚類 樣本集初始劃分關鍵問題第一步: 代表點的選擇1 k-均值聚類 樣本集初始關鍵問題 距離測度的選擇影響分類的結(jié)果，常見用空間、顏色特征產(chǎn)生距離函數(shù)，或者同時考慮對兩種特征加權。1 k-均值聚類 距離測度的選擇 類別數(shù)的確定根據(jù)經(jīng)驗人為確定類別數(shù)通過算法自動產(chǎn)生Je-c曲線聚類有效性評價函數(shù)關鍵問題 距離測度的選擇影響分類的結(jié)果，常見用空間、顏色特 類別數(shù)的確定Je-c曲線1 k-均值聚類1 2 3 4 5 C 類別數(shù)的確定Je-c曲線1 k-均值聚類1 2類別數(shù)的確定聚類有效性評價函數(shù)1 k-均值聚類 聚類有效性評價包括聚類質(zhì)量的度量、聚類算法適合某種特殊數(shù)據(jù)集的程度，以及某種劃分的最

25、佳聚類數(shù)目。到目前為止，已提出了多種聚類有效性標準，其共同目標是使分類結(jié)果達到類內(nèi)緊密、類間遠離。 類別數(shù)的確定聚類有效性評價函數(shù)1 k-均值聚類 類別數(shù)的確定聚類有效性評價函數(shù)1 k-均值聚類聚類平均散布性：聚類總體分離性：其中：則SD聚類有效性函數(shù)：以SD有效性函數(shù)為例， 代表方差， 代表均值，則：具有最小SD值所對應的c即是最佳的類別數(shù) 類別數(shù)的確定聚類有效性評價函數(shù)1 k-均值聚類聚類平 類別數(shù)的確定1 k-均值聚類 類別數(shù)的確定問題是k均值目前仍然無法完美解決的問題，一般需要具體問題具體分析。 類別數(shù)的確定1 k-均值聚類 類別數(shù)的確定問題是k2 模糊c均值聚類 K-均值算法是誤差平

26、方和準則下的聚類算法，它把每個樣本嚴格地劃分到某一類，屬于硬劃分的范疇。實際上，樣本并沒有嚴格的屬性，它們在性態(tài)和類屬方面存在著中介性，為了解決這一類問題，研究者們將模糊理論引入K-均值算法（C-均值），由此，K-均值由硬聚類被推廣為模糊聚類，即模糊C均值算法(Fuzzy C-Means，簡稱FCM )。 2 模糊c均值聚類 K-均值算法是誤差平方和準則下的聚2 模糊c均值聚類 是有n個樣本的集合，c為預定的類別數(shù)目， 為每個聚類的中心， 是第i個樣本對于第j類的隸屬度函數(shù)。用隸屬度函數(shù)定義的聚類損失函數(shù)可以寫為： 其中， 是一個可以控制聚類結(jié)果的隸屬程度的常數(shù)。 在不同的隸屬度定義方法下最小

27、化該損失函數(shù)，就得到不同的模糊聚類方法。 2 模糊c均值聚類 2 模糊c均值聚類FCM算法的步驟：Step1：設定聚類數(shù)目c和參數(shù)b；Step2：初始化各個聚類中心Step3：重復下面的運算，直到各個樣本的隸屬度值穩(wěn)定： 用當前的聚類中心計算隸屬度函數(shù)； 用當前的隸屬度函數(shù)更新個類聚類中心。 當算法收斂時，即可根據(jù)各類的聚類中心和各個樣本對于各類的隸屬度值完成模糊聚類劃分。如果需要，還可以將模糊聚類結(jié)果進行去模糊化，把模糊聚類劃分轉(zhuǎn)化為確定性分類。2 模糊c均值聚類FCM算法的步驟： 當算法收斂時，即2 模糊c均值聚類關鍵問題： 隸屬度函數(shù)的選取 類別數(shù)的確定 距離函數(shù)的選取2 模糊c均值聚類

28、關鍵問題： 兩個聚類 和 之間相似性度量 的計算方法是分級聚類算法的基礎。最常見的相似性度量有以下幾種：3 分級聚類方法（3）均值距離其中 可以是任何一種距離度量（1）最近距離（2）最遠距離 兩個聚類 和 之間相似性度量 初始時設置 ,N是樣本數(shù)，即初始時設每一個樣本為一類。（1）在集合 中找到一對滿足條件 的聚類集合 和 。（2）把集合 并入集合 ，并去掉 。（3）把 從指標集 中除掉，若 的基數(shù)僅等于2時， 則終止計算；否則轉(zhuǎn)向13 分級聚類方法初始時設置 ,5.7 基于神經(jīng)網(wǎng)絡的分割 神經(jīng)網(wǎng)絡由于其在聚類方面的優(yōu)越性，非常擅長于解決模式識別領域中的模式分類問題，并且因其具有較強的適應性、

29、靈活性和普遍的非線性輸入輸出能力等突出優(yōu)點，在圖像分割領域得到很好的應用。 5.7 基于神經(jīng)網(wǎng)絡的分割 神經(jīng)網(wǎng)絡由于其在聚類1、基于自組織神經(jīng)網(wǎng)絡(SOM)的聚類分割 SOM網(wǎng)絡是由輸入層和競爭層兩層節(jié)點組成的前向網(wǎng)絡，網(wǎng)絡的輸入層節(jié)點構成一維陣列，其節(jié)點數(shù)為輸入模式樣本的特征個數(shù)，網(wǎng)絡的競爭層節(jié)點構成二維平面陣列。SOM網(wǎng)絡結(jié)構1、基于自組織神經(jīng)網(wǎng)絡(SOM)的聚類分割 SOM網(wǎng)絡1、基于自組織神經(jīng)網(wǎng)絡的聚類分割網(wǎng)絡的基本原理 當輸入某模式后，通常只有一個或局部區(qū)域的競爭層神經(jīng)元對該模式有積極響應，這時與競爭層相應節(jié)點連接的權值向量就向輸入模式的方向修正。這樣，網(wǎng)絡通過對輸入模式的反復學習，

30、可使連接權矢量空間分布密度與輸入模式的概率分布趨于一致，即連接權空間分布可反映輸入模式的統(tǒng)計特征。1、基于自組織神經(jīng)網(wǎng)絡的聚類分割網(wǎng)絡的基本原理1、基于自組織神經(jīng)網(wǎng)絡的聚類分割SOM網(wǎng)絡的算法步驟 對所有輸入節(jié)點到輸出節(jié)點的連接權值 初始化，可以隨機地取一些較小的值; 將每一像素點的顏色和位置信息結(jié)合起來，即給每個像素點賦予1個具有5個特征值的特征向量，作為自組織神經(jīng)網(wǎng)絡的輸入信號;1、基于自組織神經(jīng)網(wǎng)絡的聚類分割SOM網(wǎng)絡的算法步驟 對所1、基于自組織神經(jīng)網(wǎng)絡的聚類分割SOM網(wǎng)絡的算法步驟 選出競爭層中最匹配的神經(jīng)元，匹配函數(shù)采用歐氏距離法來度量，設輸入向量為 ，而神經(jīng)元的權值向量為 ，則有

31、: 位于區(qū)域Nc內(nèi)的神經(jīng)元權值將得到修改，其中區(qū)域Nc是以神經(jīng)元c為中心的、半徑為R范圍內(nèi)的全部神經(jīng)元集合.權值的修改公式:其中a(t)為一取值在0,1區(qū)間內(nèi)、隨時間衰減的函數(shù).1、基于自組織神經(jīng)網(wǎng)絡的聚類分割SOM網(wǎng)絡的算法步驟 選出1、基于自組織神經(jīng)網(wǎng)絡的聚類分割SOM網(wǎng)絡的算法步驟 判斷所有像素點是否已輸入完畢，否則轉(zhuǎn)第2步; 修改學習參數(shù)a(t)和Nc(t)，調(diào)整輸入向量的次序，反復 學習，直到達到預定學習次數(shù)，各像素點逐漸在輸出層中形成固定的映射關系.1、基于自組織神經(jīng)網(wǎng)絡的聚類分割SOM網(wǎng)絡的算法步驟 判斷1、基于自組織神經(jīng)網(wǎng)絡的聚類分割SOM聚類的后處理一般SOM聚類后還需要做合

32、并處理。1、基于自組織神經(jīng)網(wǎng)絡的聚類分割SOM聚類的后處理一般SOM2、自生成神經(jīng)網(wǎng)絡分割 自生成神經(jīng)網(wǎng)絡SGNN(Self-Generating Neural Network,SGNN)不需要指定網(wǎng)絡結(jié)構與網(wǎng)絡參數(shù),而且也不需要迭代學習，正是由于其簡單的網(wǎng)絡設計而倍受關注。 SGNN是利用競爭學習機制的一種非監(jiān)督學習神經(jīng)網(wǎng)絡，它以一種樹結(jié)構來實現(xiàn),其中整個結(jié)構包括神經(jīng)元、神經(jīng)元之間的聯(lián)系和權值,都是在學習中采用非監(jiān)督學習方法自動生成。2、自生成神經(jīng)網(wǎng)絡分割 自生成神經(jīng)網(wǎng)絡SGNN(Sel2、自生成神經(jīng)網(wǎng)絡分割SGNN算法描述輸入節(jié)點：2 4 5 13242553.724.5414531.54.51224根節(jié)點節(jié)點神經(jīng)元葉節(jié)點神經(jīng)元一棵神經(jīng)樹自生成神經(jīng)樹的生成過程(SGNT：Self-Generating Neural Tree)2、自生成神經(jīng)網(wǎng)絡分割SGNN算法描述輸入節(jié)點：2 4 2、自生成神經(jīng)網(wǎng)絡分割SGNN算法描述1)給定樣本集ei(i =1,2,L),距離公式,誤差閾值.2)生成一個新節(jié)點nj,用輸入數(shù)據(jù)ei的屬性值作為新節(jié)點nj的權 值Wj.如果