姚磊[1]2006年在《基于Hough变换和不变矩的图像模式识别技术研究》文中研究表明随着计算机技术的飞速发展,基于模式识别的图像处理已经成为图像识别领域重要的研究和发展方向之一。本文的研究内容是Hough变换及不变矩理论在图像模式识别中的应用。文中以模式识别为基本理论平台,以图像处理技术为基本手段,结合新兴领域的理论工具(神经网络等),分别对图像分割,图像特征提取,图像分类识别叁个问题作了系统研究,并提出了有效的解决方法。论文主要内容安排如下:本文首先综述了模式识别在图像处理中的主要识别方法(统计决策法、句法识别、模糊识别、神经网络),讨论了模式识别的一般策略及关键技术,最后给出本文所采用的图像模式识别系统结构。神经网络对于解决模式识别问题来说,可以实现特征空间较复杂的划分,适合于高速并行处理系统来实现。因此,本文将神经网络技术同图像特征提取相结合,采用BP神经网络和RBF神经网络技术对图像进行识别,并进行了一些简单和复杂图像识别实验。本文对Hough变换及字符的自动识别技术进行了一些研究和探讨,给出了Hough变换的权值积累算法,提出了一种基于Hough变换和RBF神经网络的字符识别方法。该方法利用Hough变换的点——线对偶性,结合字符的结构特点,对识别字符进行Hough变换,将字符在参数空间中共线点的个数及其元素在图像映射空间中所对应的位置坐标,作为RBF神经网络识别系统的特征输入矢量,从而减少字符特征矢量的维数,全面反映字符点阵的总体分布情况及其形状的本质特点,并把Hough变换应用于RBF神经网络的参数确定中,实现RBF神经网络的隐层节点数和数据中心值的自动获取,提高RBF神经网络的泛化能力。矩技术因其具有数学上的简明性及多样性而得到了广泛应用,例如计算机视觉和模式识别等方面。本文在图像分割基本原理的基础上,提出了适合于本课题实际情况的区域分割和预处理算法。针对目标二维形状发生平移、旋转和尺度变换的情况,选取合适的矩不变量对不同目标进行识别,
许廷发[2]2003年在《GABOR小波神经网络算法及其在灰度图象目标识别中的应用研究》文中认为本文主要研究的是Gabor小波神经网络算法及其在灰度图像目标识别中的应用。研究涉及神经网络理论、小波分析理论和小波神经网络理论及其它们在目标识别中的应用技术。论文以基于多CPU神经网络目标识别系统的设计与实现为宗旨，在理论和实践两个方面研究和探讨了系统实现过程中所涉及的关键算法和关键技术。论文包括以下诸方面内容： 对目前国际、国内BP神经网络算法、小波变换理论、Gabor小波神经网络算法以及在目标识别中的应用现状进行了综述，对存在的问题进行了剖析。同时以灰度图像目标识别为主线，阐述与论文直接相关的基本理论和关键技术。 详细分析了多层前馈型神经网络描述及训练算法机理，从数学的角度推导了误差逆传播算法(BP算法)，同时指出了BP算法存在的问题。构建了一种用于多目标识别的改进的BP算法。 阐述了Gabor滤波器原理。给出了Gabor小波滤波器的表达式。根据理论分析和实际需要，设计了多通道Gabor滤波器，提取了灰度图像目标纹理特征。相应地给出了一个基于多通道Gabor滤波器特征神经网络识别算法。 给出了相位迭加不变量pc的定义。从理论上详细探讨了用Gabor小波求解相位迭加不变量PC的数学过程，给出了相应的PC不变量的公式。 详细分析了log gabor函数性能，给出了用log gabor求相位迭加(PC)不变量的修正公式。最后，设计了基于相位迭加(PC)不变量的神经网络目标识别新算法。 阐述了叁种不同的目标表示法，即基于特征的目标描述法、基于模板的目标描述法和基于Gabor小波神经网络目标描述法，同时分析了叁种表示法的优缺点。详细阐述了Gabor小波神经网络构建方法，重点构建了Gabor小波神经网络的训练算法，给出了理论分析和算法的具体步骤。 本文的主要研究思想就是：运用并行的Gabor小波神经网络算法对灰度图像目标进行实时识别。研究的思路：根据前馈神经网络模型(BP网络)和Gabor小波理论在目标特征提取和识别中的处理方法，有机地把二者结合起来。同时构建了用于灰度图像目标识别的Oabor小波神经网络模型，应用优化理论和自适应技术，使目标识别系统达到实时处理的目的。 本文研究的主要成果和创新点有： (1)提出了一种适于多CPU目标识别系统改进的BP神经网络训练算法。主要是用变步长方法及输入向量归一化方法，对所选激励函数在理论上做了调整，最后，在多CPU的目标识别的神经网络系统上实现了该算法。 (2)基于多分辨分析原理，设计一种新的基于Gabor小波的多通道滤波器。该滤波器能对低质量的灰度图象目标进行特征提取，并有很好的鲁棒性。滤波器的中心频率是一个从低到高的范围，滤波器采用6方向，4尺度，对灰度图象直接进行小波变换，用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的灰度图象目标的纹理特征，最后，把获得的小波特征输入到改进的BP神经网络分类器进行分类识别。 (3)提出了一种基于Log Gabor小波的低层次的图象分割、边缘特征中国科学院博士学位论文:Gabor小波神经网络及其在灰度图象目标识别中的应用研究提取的方法。主要是运用小波变换频域中的相位信息提取目标特征不变量，这种不变量对目标的亮度、光线变化具有不变性。运用PC特征不变量特征结合神经网络算法对灰度图象目标进行了识别，识别率明显的提高。 (4)提出了Gabor小波神经网络模型及其训练算法。主要从理论方面对Gabor小波神经网络进行了分析，同时运用BP算法原理构建了一种适合目标识别的Gabor小波神经网络训练算法。理论和仿真实验表明，Gabor小波神经网络的收敛性和鲁棒性均明显优于BP网络。该算法应用于目标识别时，不仅提高了识别的精度，而且克服了BP算法易陷入局部极小的缺陷。 (5)对多神经网络集成算法进行了初步的探讨研究，给出了一种用于自动目标识别(ArR)的神经网络集成算法，并结合算法设计了一个基于多CPU并行结构的多目标识别神经网络系统。该算法是运用不同规模和初始条件下形成的同种类型的神经网络分类器。主要运用的是改进的BP神经网络，并把每一个神经网络输出映射为后验概率，然后进行加权平均判决。最后利用设计的神经网络系统进行了实时识别。
黄伟强[3]2016年在《基于量子神经网络的肿瘤细胞图像识别研究》文中进行了进一步梳理胃粘膜肿瘤细胞图像(简称肿瘤细胞图像)属于一种医学图像也是自然图像,一方面,肿瘤细胞之间具有较大的复杂性和差异性并且组织器官的形状不是规则的;另一方面,肿瘤细胞图像数据具有高阶统计的特性,使其服从非高斯分布,这样就导致肿瘤细胞图像存在大量的冗余信息。因此常用的一些分类方法像支持向量机、贝叶斯等,在分类非线性、高维性的胃粘膜肿瘤细胞图像时,分类效果并不理想。由于量子神经网络具有很强的模式概括和泛化能力,在图像分类识别上具有优势,将其应用于经过基于正态逆高斯分布(normal inverse gaussian distribution,NIG)的非负稀疏编码(non-negative sparse coding,NNSC)神经网络提取肿瘤细胞的特征图像上,构建了一种基于量子神经网络的肿瘤细胞图像分类器,分类效果有所提高。基本研究思想如下:首先,量子神经网络是量子计算理论和人工神经网络的结合,使其具有很强的并行处理能力,在学习能力、记忆容量、有效性、回忆速度、信息处理速度和消除灾变性失忆能力等方面具有较强的优势。量子自组织特征映射神经网络(quantum self-organizing feature mapping neural network,QSOFM)具有量子计算的优点也有人工神经网络的优点,这些特点使其在医学图像的分类识别中具有天然的优势,本文就是利用QSOFM的优势和特点构建了基于QSOFM的肿瘤细胞图像分类器用于分类识别。其次,因为肿瘤细胞图像的复杂性、高维性和含有大量冗余信息等特点,把其直接作为QSOFM肿瘤细胞图像分类器的输入会导致分类器运行速度很慢和分类效果不理想。所以需要寻找一种降维方法来解决这个问题,在常用的数据降维方法中,主成分分析(Principal Component Analysis,PCA)具有理论完善和最优线性重构误差等特点,可以有效的提取图像的特征信息。因此,把PCA应用到肿瘤细胞图像的降维中。经过降维操作就得到了一个低维度包含图像有效信息的数据作为QSOFM的输入。最后,为了进一步提取肿瘤细胞图像的特征信息达到提高图像分类器的识别率,利用基于NIG的NNSC神经网络对肿瘤细胞图像进行特征提取来得到特征图像,把包含了图像本质信息的特征图像作为基于QSOFM的肿瘤细胞图像分类器的输入,比输入原始图像有更高的效率和更好的效果。所以本文融合基于NIG的NNSC的神经网络构建一个基于NIG的NNSC和QSOFM的肿瘤细胞图像分类模型。该模型是一个两层神经网络模型,第一层用于特征提取,第二层用于分类识别,实验证明,分类效果和速率均有所提高。
曲宏锋[4]2017年在《基于MapReduce并行框架的神经网络改进研究与应用》文中提出随着目前神经网络的应用日益广泛以及需要处理数据量的增加,对提升神经网络运算速度的研究受到了国内外学者的极大关注。本论文为改善神经网络在训练样本时收敛性普遍不强以及时间开销大的问题,针对加强BP网络、RBF网络以及CNN网络的收敛性,提升网络运算速度的研究方向,从利用MapReduce并行编程模型框架(用MR表示)和对神经网络自身进行改进这两方面入手。同时,改进后神经网络应用在图像识别中。本文主要研究内容如下:(1)基于自适应学习方法的基础上引入一个可随着网络不断迭代自主学习的自适应动量影响因子来改进BP网络。同时利用MR框架对BP网络进行并行化,得到了不错的加速效果。将优化好的BP网络应用到交通事故预测的实际问题上,与原始BP网络进行比较,分析了因子对网络收敛性的影响。(2)本文结合萤火虫算法(FA)对RBF神经网络进行改进,以便达到能够容易确定包括隐单元中心、宽度以及隐单元-输出单元间权值的网络隐单元各参数的要求。同样的,结合MR框架对网络进行并行化,然后让其用于预测高速公路车流量的应用上。分析了改进RBF网络的预测效果,同时与利用遗传算法(GA)和粒子群算法(PSO)优化了的RBF网络进行了实验比较,分析了是否FA算法优化的网络预测效果最接近真实。(3)利用MeansK-和改进网络激活函数同时对CNN进行双重改进,并且将其置于MR框架上。网络应用到基于叁种数据库的图像识别方向上,分析了改进的效果。不同的常用激活函数与改进激活函数间进行了相互比较和比较了两种改进的CNN网络结构,得到一个最优的改进CNN网络。(4)在识别交通指示标志图像应用中,进一步验证了结合MR框架的改进的叁种神经网络拥有更快的运算速度以及较高识别精度。
肖淑苹[5]2008年在《基于进化概率神经网络的纹理图像识别》文中研究指明随着计算机应用的不断深入,人们希望计算机能够模拟人类的各种活动,从而有效地协助人类的生产和生活。计算机视觉是完成这一目标的重要任务之一,它的目的是模仿人眼对外部世界进行感知和认知。由于纹理的普遍性,以及其在人类感知和认知外部世界过程中所起的重要作用,因此,对纹理的研究是计算机视觉里非常重要的一部分。为了提高纹理图像的正确识别率,本文在基本概率神经网络用于分类识别率较高的基础上,引入差异进化的方法来弥补基本概率神经网络的不足,从而提出了一种进化概率神经网络,并将其应用到纹理图像识别中。差异进化算法直接由实数分量构成参数矢量,采用统一的概率分布来随机选择初始种群,使得收敛速度大大加快;算法中的交叉操作范围很广(随机性的采用个体的多个分量),从而较易保持群体的多样性;选择操作具有针对性,这就保证了种群能够稳定的收敛到最优解。实验结果表明该方法具有较高的正确识别率,且收敛速度较快。通过分析纹理图像的特点,发现在实际的纹理识别中,某些类别的纹理特征较为明显,只需要较少参数即可识别,而某些类别的纹理,特征很不明显,需要较多的特征参数作为输入参数才能达到较高的识别率。针对该问题,本文在进化概率神经网络的基础上提出了一种双进化概率神经网络,并将其应用到纹理图像识别中。由于局域能量较大的像素代表了原始图像中的明显特征,本文根据此思想做了大量的实验,提出了一个能够有效衡量纹理图像特征明显与否的指标,从而确保了双进化概率神经网络的有效性。通过应用实例表明,采用双进化概率神经网络进行纹理图像识别,不仅正确识别率较高,而且识别速度更快。
王丹[6]2011年在《Fourier权函数神经网络研究及其在图像识别中的应用》文中研究指明经过多年的研究,人工神经网络的研究已经取得了丰硕的成果。然而传统神经网络(BP、RBF)的权值是常数,训练的权值难以反映样本的信息,而且传统神经网络的模型难以确定,隐层神经元个数需要进行反复试验。文献[1][2]提出了一种新型的神经网路训练算法——样条权函数神经网络训练算法,权函数神经网络模型拓扑结构简单,同时该算法还克服了传统神经网络容易陷入局部极小、收敛速度慢、难以求得全局最优解等缺陷,使得神经网络研究进入了新阶段。论文是在样条权函数神经网络训练算法的基础之上,研究了Fourier权函数神经网络,即Fourier级数作为权函数。在理论部分首先构造了Fourier权函数神经网络模型;其次给出了Fourier权函数的确定方法;再次结合Fourier权函数神经网络模型对网络误差进行分析,求出网络误差的表达式;最后通过仿真实验,验证了与传统神经网络相比,Fourier权函数神经网络具有逼近精度高、训练速度快、泛化能力强等优点。论文将Fourier权函数神经网络应用于纹理图像识别中。图像识别是典型的模式识别问题。论文通过对纹理图像灰度共生矩阵的分析,提取出图像的纹理特征参数,并将提取的特征参数作为Fourier权函数神经网络分类器的输入,对纹理图像进行分类识别。通过实验与基于BP、RBF神经网络的图像识别方法相比,验证了Fourier权函数神经网络具有较高的识别精度。
李俊峰[7]2009年在《灰色系统理论及其在铁谱磨粒图像处理中的应用研究》文中指出铁谱技术以磨损产生的微观颗粒为研究对象,通过分析机械设备中各种类型磨损颗粒的数量及趋势,监测机械设备所处的状态,进而预测机械设备可能发生的故障。在铁谱技术中,磨粒图像是反映机械设备内部零部件磨损状况的重要信息载体,磨粒特征分析是监测对象实际状态十分丰富而又有效的方法。磨粒识别是铁谱分析的核心环节,识别的正确与否,直接关系到磨损状态诊断的正确性。随着计算机技术的迅猛发展,将计算机视觉技术、专家系统、人工神经网络等引入铁谱分析技术中,实现磨粒识别的智能化已成为铁谱技术研究领域中的热点和难点问题。由于图像具有灰色特性,如图像像素的灰度值、图像的边缘、图像的噪声及图像分割阈值等等,近年来,灰色系统理论受到图像工程领域研究人员的广泛关注和重视,同时探讨它在图像工程中的可行性和有效性逐渐成为一个崭新的课题。本文以铁谱磨粒图像的处理、特征提取及识别为背景,在运用灰色系统理论对磨粒图像进行处理的基础上对以下五个问题进行了研究。1.提高灰色预测模型精度研究研究发现,影响灰色预测模型精度的主要因素有原始数据序列的光滑度、模型的背景值及模型的初值。基于此,分别就上述叁个影响因素对提高灰色预测模型精度进行了研究:(1)提出了基于函数x~(-a)(a＞0)变换和基于多重复合函数变换提高数据序列光滑度的方法,理论上证明了数据序列经过该变换后可以有效地提高其光滑度,且其光滑度优于现有的其它变换函数,进而,总结了提高数据序列光滑度的变换函数的性质;(2)基于数据序列的指数函数特性和积分定义,提出了两种模型背景值构造方法,并对这两种改进灰色模型的拟合和预测精度进行了分析,结果表明这两种改进灰色模型不仅可以用来进行短预测,还可以进行中、长期预测;(3)提出了修正初值和时变初值的模型初值构造方法,给出了利用自适应遗传算法求待辨识参数的方法。为了取得更高的建模和预测精度,可以从序列光滑度、模型背景值及模型初值叁个方面同时对灰色预测模型进行改进。2.灰色关联度研究研究发现:目前的灰色关联度模型存在一些缺陷,如灰色关联四公理和灰色关联度的计算方法之间存在着矛盾,序列不同无量纲化计算对关联度的计算结果也会产生影响等。基于此,对均值灰色关联度和T型灰色关联度进行了研究:(1)提出了改进的欧几里德灰色关联,改进的欧几里德灰色关联模型不仅考虑了各点关联系数对其平均值的波动,还考虑了正理想相关和负理想相关,具有平行性、规范性、整体性、偶对称性及接近性;(2)提出了改进的T型灰色关联度,改进的T型灰色关联度能够反映序列的正、负相关关系,具有对称性、唯一性、可比性、接近性及规范性,且对无量纲化处理具有保序性。3.基于灰色系统理论的图像处理算法研究(1)提出了基于绝对灰色关联度和LOG算子的边缘检测算法、基于相关性的图像边缘检测算法及基于级比的边缘检测算法,这些算法不仅具有较强的图像边缘检测能力,可以检测出图像不同方向的边缘,而且能够根据阈值调节检测的边缘细节,定位准确,连续性较好,易于软件编程并行实现,计算量小,其中前两种算法还具有一定的抑制噪声能力,特别对于Gaussian噪声、Speckle噪声及Poisson噪声;(2)提出了基于灰色关联系数的图像噪点检测算法,该算法根据含噪图像与对应均值图像在各像素点的灰色关联系数来识别噪点,利用了整幅图像的信息,特别是噪声的统计信息,可以有效的检测出图像噪点,避免误检;(3)提出了基于加权灰色关联度及基于灰色预测模型的噪点灰度处理算法,这两种算法以含噪图像对应的均值图像或中值图像为基础,分别采用灰色关联度和灰色预测模型来进行噪点处理,可以有效克服周围噪点的影响,更好地改善图像质量,同时图像的保真度较好;(4)提出了基于提升小波和灰色预测模型的图像压缩算法,该算法首先利用提升小波将压缩图像转换到频域,利用零树区分各波段中的重要系数与不重要系数,进而利用hilbert曲线将各波段扫描成一维,最后利用灰色预测模型进行预测编码。实验结果表明该算法有效地提高了图像的压缩率和压缩质量。4.图像保真度评价研究基于相关性指标的特点,提出了基于相关性和离散小波变换的图像保真度评价算法,该算法能够从图像概貌质量和细节质量两个方面对图像进行评价,可以比较准确地反映图像的质量,是一种有效的、具有多尺度分辨功能的、客观的且定量的图像评价方法,更加符合人类视觉系统的特点。5.磨粒图像预处理、特征提取及识别算法研究磨粒图像定性分析包含叁个基本问题:磨粒图像处理、特征提取和识别。在磨粒图像处理上,运用本文所提出的图像边缘检测、图像平滑等算法对磨粒图像进行预处理;在特征提取上,提取了正常磨粒等8种磨粒的尺寸参数、边界形状参数、结构特征参数、颜色特征参数及纹理特征参数,共计54个,使得对磨粒分析更加多样化;在磨粒识别上,根据灰色关联度对特征参数进行了精简和优化,确定出面积、周长、等效圆直径、圆形度、长短轴比、欧拉数、畸形度、梯度均值及灰度一梯度相关度9个特征参数来进行磨粒识别;提出了基于灰色关联神经网络的磨粒识别算法,以上述9个特征参数作为神经网络的输入,磨粒类型作为输出,利用灰色关联度来优化神经网络隐含层的神经元数目。该算法可以大大提高神经网络的学习效率,提高磨粒识别的分辨率和准确率,磨粒识别的准确率可达97.5%。
林泽文[8]2018年在《深度学习及其在图像分类识别中的运用探讨》文中研究说明随着信息技术的不断发展,深度学习逐渐成为促进社会各项技术发展的必然趋势,并且在社会各领域都得到有效的应用。基于此,笔者就深度学习及其在图像分类识别中的运用进行研究,首先就深度学习的起源和发展进行分析,然后阐述深度学习在图像分类识别中的应用,最后根据深度学习的发展现状,提出一些实际应用的途径,从而提升深度学习的应用水平。
彭皓[9]2009年在《局部不变特征提取算法的研究及其在图像识别中的应用》文中认为本课题作为教育部留学回国人员科研启动基金资助项目,在上海市出入境检验检疫局的实际需求下产生,研究重点是棉、麻等天然纤维素纤维和各种异形纤维的计算机显微图像识别。本纤维自动识别系统集图像采集、图像预处理、特征提取和模式识别为一体,以实现纤维的自动识别为目的。整个识别过程要求在无人干预的情况下自动进行。在各种复杂的环境下计算机能够实现自动识别。本文以通过硬件设备采集到的纤维图像为研究对象,研究方向为纤维图像的预处理、纤维的特征提取和特征识别,实现了一个新的基于SIFT特征提取算法及SVM分类算法相结合的异型纤维识别系统。本文的研究重点为纤维特征参数提取算法的实现,构造纤维识别模型。在图像预处理部分,本文首先介绍了小波变换的发展历史和基本理论,然后根据纤维大图的特点,分两方面介绍了小波变换在纤维图像预处理中的作用。在预处理中的边缘增强部分,提出了一组非线性处理公式,对图像的高频系数进行变换,成功的对纤维图像边缘对比度不均,边缘过弱等现象进行了改善,同时在本文后面部分通过实验结果验证了其有效性。文章首先分析总结纤维特征参数提取的研究现状,研究图像特征提取的相关理论及其经典算法,讨论其中的关键技术和难点并进行分析和比较,针对目前具体的纤维识别对象,指出目前纤维截面特征提取及纤维识别存在的缺陷和不足,确定出解决方案。特征提取是模式识别必要的前期准备,特征参数的有效性直接影响纤维的识别率。本文对局部不变特征提取算法进行了广泛的研究和对比,通过对近年流行的SIFT局部不变特征提取算法进行研究,分析其特点和优势,将其运用于异型纤维图像的特征提取,并与SVM分类算法相结合,取长补短,获得了较好的识别结果。支持向量机算法是一种专门研究有限样本预测的学习方法,能很好地解决有限数量样本的高维模型的构造问题。支持向量机基于结构风险最小化准则工作,能在训练误差和分类器容量之间达到一个较好的平衡。纤维识别系统要能自适应地从有限样本中学习并提炼出区分各种纤维种别的决策规则,因此本文创新性地将支持向量机算法应用于纤维识别,通过交叉验证法进行参数选择,开发了基于支持向量机的纤维识别模型,达到了满意的效果。文章最后对识别结果进行了分析,并对今后纤维自动识别的研究提出了几点建议。
王媛媛[10]2017年在《基于卷积神经网络的肺部肿瘤PET/CT计算机辅助诊断研究》文中研究指明研究背景深度学习被引入机器学习领域使其更接近于人类最初的目标—人工智能,卷积神经网络作为深度学习典型模型于计算机视觉领域取得显着成绩。随着肺癌严重威胁人类生命健康,基于数字影像的早诊断早治疗对于肺癌患者至关重要,将计算机辅助诊断系统作为医生的第二双眼睛可以提供精确的定量分析,弥补人眼惰性及对灰阶不敏感的缺陷,从而帮助医生快速诊疗,达到对于图像和疾病解释的一致性。研究目的以肺部肿瘤CT、PET和PET/CT融合图像叁模态图像作为研究对象,基于新型的深度学习算法—卷积神经网络对肺部肿瘤图像进行识别研究以实现肺部肿瘤计算机辅助诊断,帮助医生准确诊疗,提高阅片效率,降低劳动强度,从而推动计算机智能化进程,实现深度学习在医学领域的临床应用。研究方法在卷积神经网络模型结构的基础上,提出了集成卷积神经网络和深度卷积神经网络两种特殊的模型结构分别用于肺部肿瘤图像识别。在不同的肺部肿瘤PET/CT样本空间构建叁个单一卷积神经网络(CT-CNN、PET-CNN、PET/CT-CNN)的基础上,构建集成卷积神经网络基于局部特征进行肺部肿瘤识别研究;构建深度卷积神经网络基于CT全局特征用于肺部肿瘤的识别;采用识别率、运行时间、灵敏度、特异度、MCC、F1Score六个指标对不同卷积神经网络识别性能进行综合评价。研究结果针对集成卷积神经网络和局部特征的肺部肿瘤PET/CT识别研究,进行了叁方面实验,即:单个卷积神经网络的识别性能评价,不同模型参数对识别结果的影响,集成卷积神经网络与单个CNN及其他传统方法的比较实验。实验结果表明,卷积神经网络用于肺部肿瘤计算机辅助诊断是可行的,迭代次数和批次大小对于识别结果有一定影响,而集成卷积神经网络在识别率和运行时间方面明显优于单个CNN和传统识别方法,说明了该算法的优越性。针对深度卷积神经网络和全局特征的CT肺部肿瘤识别研究,进行了叁方面的实验,其一是基于相同模型结构不同模型参数的比较研究,其二是基于不同模型结构的探讨分析,其叁是基于不同优化方法的对比实验。实验结果表明深度卷积神经网络基于CT全局特征的肺部肿瘤识别是可行有效的,并且选择合适的模型参数和模型结构并采用弹性动量训练法可达到良好的识别效果。
参考文献：
[1]. 基于Hough变换和不变矩的图像模式识别技术研究[D]. 姚磊. 燕山大学. 2006
[2]. GABOR小波神经网络算法及其在灰度图象目标识别中的应用研究[D]. 许廷发. 中国科学院研究生院（长春光学精密机械与物理研究所）. 2003
[3]. 基于量子神经网络的肿瘤细胞图像识别研究[D]. 黄伟强. 华东交通大学. 2016
[4]. 基于MapReduce并行框架的神经网络改进研究与应用[D]. 曲宏锋. 广西师范学院. 2017
[5]. 基于进化概率神经网络的纹理图像识别[D]. 肖淑苹. 长沙理工大学. 2008
[6]. Fourier权函数神经网络研究及其在图像识别中的应用[D]. 王丹. 南京邮电大学. 2011
[7]. 灰色系统理论及其在铁谱磨粒图像处理中的应用研究[D]. 李俊峰. 东华大学. 2009
[8]. 深度学习及其在图像分类识别中的运用探讨[J]. 林泽文. 信息与电脑(理论版). 2018
[9]. 局部不变特征提取算法的研究及其在图像识别中的应用[D]. 彭皓. 东华大学. 2009
[10]. 基于卷积神经网络的肺部肿瘤PET/CT计算机辅助诊断研究[D]. 王媛媛. 宁夏医科大学. 2017
标签：计算机软件及计算机应用论文; 自动化技术论文; 图像识别论文; 机器学习论文; 神经网络算法论文; 特征提取论文; 深度学习论文; 卷积神经网络论文; 网络模型论文; 图像融合论文; 函数图像论文; 关联分析论文; 计算机视觉论文; 卷积论文; 图像处理论文; gabor论文;