![](https://static.zsdocx.com/FlexPaper/FileRoot/2019-3/16/16/71931b03-f295-48ce-bcb5-776c50b656ff/71931b03-f295-48ce-bcb5-776c50b656ffpic.jpg)
![基于遺傳神經網絡的深度圖像邊緣檢測算法研究.pdf_第1頁](https://static.zsdocx.com/FlexPaper/FileRoot/2019-3/16/16/71931b03-f295-48ce-bcb5-776c50b656ff/71931b03-f295-48ce-bcb5-776c50b656ff1.gif)
版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、隨著科學技術的不斷發(fā)展,在人類對世界的不斷認知中,傳統(tǒng)的計算機視覺已經不能滿足三維物體識別的需要。深度圖像能夠準確地表現(xiàn)物體目標表面的三維幾何信息,因此深度圖像越來越受到重視,并廣泛應用于計算機視覺、圖像分析等領域。 邊緣是圖像的基本特征,邊緣提取與檢測在圖像處理中占有很重要的地位,并在圖像識別、圖像剪切、圖像壓縮等領域起著重要作用。目前邊緣檢測的方法日趨多樣化,傳統(tǒng)的Roberts算子、Sobel算子等已經很少單獨使用,神經網
2、絡和遺傳算法等優(yōu)化算法在邊緣檢測中用的越來越多。 本論文主要圍繞神經網絡和遺傳算法在深度圖像邊緣檢測過程中的具體應用進行探討,主要研究內容包括: 1.總結了對深度圖像進行邊緣檢測的意義與研究現(xiàn)狀,詳細論述運用神經網絡和遺傳算法進行邊緣檢測的國內外研究動態(tài)。 2.針對神經網絡的缺陷,為了使其更好地應用于深度圖像的邊緣檢測,對神經網絡的訓練和學習方法作了改進。 3.詳細給出了遺傳算法的原理、特點及其基本策略,
3、嘗試將遺傳算法運用于圖像邊緣檢測應用中,并針對深度圖像數(shù)據(jù)量大的特點,對遺傳算法進行改進研究。 4.結合提出的方案,設計出一種BP神經網絡與遺傳算法相結合的檢測算法。文中利用神經網絡的自學習性,將用傳統(tǒng)算子檢測出的邊緣數(shù)據(jù)作為樣本對網絡進行訓練,并由中值特征向量來提取圖像的有效信息,以此作為神經網絡的輸入序列。由于神經網絡在計算過程中極易陷入極小值,同時收斂性較慢,所以首先用遺傳算法對神經網絡的初值進行選擇,這樣大大提高了運算速
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于改進遺傳神經網絡的深度圖像邊緣檢測研究.pdf
- 基于遺傳神經網絡的圖像邊緣檢測.pdf
- 基于BP神經網絡的數(shù)字圖像邊緣檢測算法的研究.pdf
- 基于LVQ神經網絡數(shù)字圖像邊緣檢測算法的研究.pdf
- 基于遺傳神經網絡的入侵檢測研究.pdf
- 基于深度神經網絡的鐵路異物檢測算法.pdf
- 基于深度神經網絡的ToF深度圖像去噪研究.pdf
- 基于遺傳神經網絡的入侵檢測模型研究.pdf
- 基于深度神經網絡的車載視頻行人檢測算法研究.pdf
- 基于遺傳神經網絡的管子托盤工時定額測算研究.pdf
- 基于特征向量和神經網絡的邊緣檢測算法研究.pdf
- 基于深度卷積神經網絡的人臉檢測算法研究.pdf
- 基于遺傳神經網絡的車型識別算法研究.pdf
- 基于遺傳神經網絡的入侵檢測系統(tǒng)的研究.pdf
- 基于遺傳神經網絡的入侵檢測模型的研究.pdf
- 基于遺傳神經網絡的入侵檢測系統(tǒng)研究.pdf
- 基于神經網絡的圖像邊緣檢測技術.pdf
- 基于細胞神經網絡的圖像邊緣檢測研究.pdf
- 基于遺傳蟻群算法的圖像邊緣檢測算法研究.pdf
- 基于深度網絡的圖像拷貝檢測算法.pdf
評論
0/150
提交評論