遺傳優(yōu)化的SOFM神經(jīng)網(wǎng)絡(luò)在圖像分割中的應(yīng)用.pdf

1、如何合理高效地組織圖像數(shù)據(jù)、結(jié)合圖像特征，將人工智能及知識發(fā)現(xiàn)等技術(shù)合理地運用于圖像分類中，是當今計算機視覺研究領(lǐng)域的一個熱點問題。自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOFM,Self-organization Feature Map）是一種重要的自組織競爭學(xué)習(xí)模式的神經(jīng)網(wǎng)絡(luò)模型。SOFM神經(jīng)網(wǎng)絡(luò)是將多維數(shù)據(jù)映射到低維規(guī)則網(wǎng)格中，可以有效的進行大規(guī)模的數(shù)據(jù)挖掘和聚類。但是SOFM神經(jīng)網(wǎng)絡(luò)的競爭自學(xué)習(xí)過程中對權(quán)值的更新缺乏全局最優(yōu)性，而傳統(tǒng)GA優(yōu)化

2、方法進化速度慢和產(chǎn)生“早熟”現(xiàn)象。本文所研究的基于拉馬克學(xué)習(xí)遺傳算法（LGA,Lamarckian Genetic Algorithm）的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)策略，利用遺傳算法對SOFM的優(yōu)化來解決神經(jīng)網(wǎng)絡(luò)的缺陷,并將文中的方法應(yīng)用于圖像分割，包括紋理和SAR圖像分割。本文的主要內(nèi)容：
　　采用LGA對SOFM網(wǎng)絡(luò)的參數(shù)權(quán)值更新優(yōu)化。其中主要包括網(wǎng)絡(luò)權(quán)值的更新過程的改進，在采用LGA的過程中，本文使用到了結(jié)合量化誤差和皮爾森相關(guān)系數(shù)的函數(shù)

3、來作為遺傳操作的適應(yīng)度函數(shù),同時在遺傳操作過程中引入拉馬克學(xué)習(xí)機制。經(jīng)過優(yōu)化后的SOFM網(wǎng)絡(luò)在紋理圖像分割應(yīng)用中的分割結(jié)果明顯高于傳統(tǒng)的自組織特征映射神經(jīng)網(wǎng)絡(luò)。
　　實現(xiàn)了一種基于分水嶺算法和LGA-SOFM神經(jīng)網(wǎng)絡(luò)結(jié)合的SAR圖像分割。由于神經(jīng)網(wǎng)絡(luò)本身對數(shù)據(jù)聚類有著較高的計算復(fù)雜度，直接利用LGA-SOFM網(wǎng)絡(luò)進行大量的數(shù)據(jù)分割會耗費過多的時間和資源。利用分水嶺算法首先對圖像進行初始分割，然后再利用LGA-SOFM網(wǎng)絡(luò)對樣本數(shù)據(jù)