谈谈学习机极限学习机ELM在图像分割中运用网
最后更新时间：2024-03-11
作者：用户投稿
本站原创
点赞:29631
浏览:133887
本站原创
点赞:29631
浏览:133887
论文导读：
摘要：使用极限学习机（ELM）的方法进行图像分割问题研究。针对传统图像分割方法中存在着结构设计复杂、源于：大学生论文查重www.7ctime.com
所需时间较长、造成图像分割分辨率低，清晰度不高等问题，提出了一种基于极限学习机的图像分割算法。在确定了最优参数的基础上，建立了基于 ELM 的图像分割算法。最后仿真实验证明本文提出的算法能快速有效的分割图像，图像分割孤立点少，边缘明显，同时该算法大大的缩短了样本的训练时间。
关键词：图像分割；极限学习机；前馈神经网络
1007-9599 （2013） 02-0000-02
1 引言
图像分割是数字图像处理到图像分析过程中的最重要的步骤，是按照一定的相似性准则将图像中有意义的特征部分提取出来，为进一步图像分析和图像理解打下基础，因此在理论研究和实际应用中都得到了广泛重视。本文提出了一种基于极限学习机的图像分割算法，利用其学习速度快、泛化性能好、调节参数可以直接确定等优点，有效地避免神经网络冗余信息甚至错误信息的干扰，仿真实验结果表明，本算法在改善了图像分割效果的同时大大缩短网络训练时间。
2 极限学习机
单隐藏层前馈神经网络（SLFN）已经在模式识别、自动控制及数据挖掘等领域取得了广泛的应用，是因为它有很多优点：（1）具有很强的学习能力，能够逼近复杂非线性函数；（2）能够解决传统参数方法无法解决的问题。然而，基于梯度原理的训练算法的传统前馈神经网络存在诸多问题，成为制约其发展的主要瓶颈，如需要多次迭代、容易陷入局部极小、需要明确性能指标和学习率的确定等的问题。
极限学习机是一种新的单隐含层前馈神经网络。该神经网络随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。与传统的神经网络相比，该神经网络具有学习速度快、泛化性能好、鲁棒性好及可控性等优点。
3 极限学习机在图像分割中的应用
本文提出的基于极限学习机的图像分割算法，具体步骤如下：
（1）采用参考文献[10]中的方法进行样本提取，在原图像上选取特征明显、最具有代表性的区域生成训练样本，并对样本进行预处理。
（2）确定隐含层神经个数，随机设定输入层与隐含层间的连接权值 和隐含层神经元的偏置b。选择一个无限可微的函数作为隐含层神经元的激活函数，进而计算隐含层输出矩阵 ；并计算相应的模型泛化性能权值 。
（3）更新训练样本集，把输出层权值加入训练样本集，产生新的训练样本集。
（4）返回步骤（2）根据新的训练样本集预测下一组数据，如此循环直至把所有的预测数据预测完毕。
（5）直到使用本文方法进行图像分割的效果无法再获得较明显的提高，保存并将分类后的得到的结果还原成图像矩阵，便得到分割后的图像。
4 仿真实验及分析
为验证本文所提方法的正确性和有效性，在MATLAB7.0实验环境中进行实验，并分别与脉冲耦合神经网络算法、BP 神经网络算法，以及遗传神经网络算法的结果进行比较，如图2所示。在本实验中，激活函数为sig，隐含层神经元个数为60。实验中所有算法都运行20次，实验结果取平均值。在原图上加入均值为0、方差为 0.03的高斯白噪声，并将噪声图像划分成6×6的邻域窗口，图像的边缘用边界复制的方法补充。
图像分割质量的客观评价见表1，从表中可以看出采用本文的图像分割算法PSNR得到提高，均方误差（（Mean-Square Error）降低了。从主观上评价，本文提出的基于极限学习机的图像分割算法得到分割后的图像不仅较好的克服了噪声的影响，而且效果明显清晰，孤立点较少，边缘信息明显，突出了目标区域。
为训练本文的神经网络，图中的红色区域将作为训练样本，共计选择5500个点作为训练样本点。将本文算法与上述其他三种算法进行了实验比较，比较结论文导读：
果见表2。
从表3可以看出，BP神经网络的样本训练时间最长，而本文提出的算法不仅大大缩短了样本的训练时间，同时有较好的抗噪性，提高了精度。实验证明本文的算法为进行图像分割提供了一个新的思路，是一种比较有效的方法。
5 结论
本文针对传统图像分割方法中存在着结构设计复杂、所需时间较长等问题，提出了一种基于极限学习机算法的图像分割方法。极限学习机算法不但训练速度很快，而且具有最小的训练误差和最小的权值范数，并且可以对输入层权值和隐含层偏差随机赋值，所涉及的计算量很小，算法高效简便，得到的输出权值是全局最优的，实验证明该算法在图像分割中具有一定的实用价值。今后研究工作的重点是对于大型图像分割算法的优化。
参考文献：
Mingyu Yang，Jin Liu，Wensheng Zhang."Region～based Active Contour with Neighborhood Information for Image Segmentation"， JDCTA， Vol. 5， No. 10， pp. 322 ～ 329，2011.
摘要：使用极限学习机（ELM）的方法进行图像分割问题研究。针对传统图像分割方法中存在着结构设计复杂、源于：大学生论文查重www.7ctime.com
所需时间较长、造成图像分割分辨率低，清晰度不高等问题，提出了一种基于极限学习机的图像分割算法。在确定了最优参数的基础上，建立了基于 ELM 的图像分割算法。最后仿真实验证明本文提出的算法能快速有效的分割图像，图像分割孤立点少，边缘明显，同时该算法大大的缩短了样本的训练时间。
关键词：图像分割；极限学习机；前馈神经网络
1007-9599 （2013） 02-0000-02
1 引言
图像分割是数字图像处理到图像分析过程中的最重要的步骤，是按照一定的相似性准则将图像中有意义的特征部分提取出来，为进一步图像分析和图像理解打下基础，因此在理论研究和实际应用中都得到了广泛重视。本文提出了一种基于极限学习机的图像分割算法，利用其学习速度快、泛化性能好、调节参数可以直接确定等优点，有效地避免神经网络冗余信息甚至错误信息的干扰，仿真实验结果表明，本算法在改善了图像分割效果的同时大大缩短网络训练时间。
2 极限学习机
单隐藏层前馈神经网络（SLFN）已经在模式识别、自动控制及数据挖掘等领域取得了广泛的应用，是因为它有很多优点：（1）具有很强的学习能力，能够逼近复杂非线性函数；（2）能够解决传统参数方法无法解决的问题。然而，基于梯度原理的训练算法的传统前馈神经网络存在诸多问题，成为制约其发展的主要瓶颈，如需要多次迭代、容易陷入局部极小、需要明确性能指标和学习率的确定等的问题。
极限学习机是一种新的单隐含层前馈神经网络。该神经网络随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。与传统的神经网络相比，该神经网络具有学习速度快、泛化性能好、鲁棒性好及可控性等优点。
2.1 SLFN的统一模型
2.2 极限学习机
因此，当激活函数 无限可微时，SLFN的参数并不需要全部进行调整， 和b在训练前可以随机选择，且在训练过程中保持不变。而隐含层与输出层间的连接权值 可以通过求解以下议程组的最小二乘解获得： ，其解为 ，其特殊解具有最小范数：其中， 为隐含层输出矩阵 的Moore-Penrose广义逆。3 极限学习机在图像分割中的应用
本文提出的基于极限学习机的图像分割算法，具体步骤如下：
（1）采用参考文献[10]中的方法进行样本提取，在原图像上选取特征明显、最具有代表性的区域生成训练样本，并对样本进行预处理。
（2）确定隐含层神经个数，随机设定输入层与隐含层间的连接权值 和隐含层神经元的偏置b。选择一个无限可微的函数作为隐含层神经元的激活函数，进而计算隐含层输出矩阵 ；并计算相应的模型泛化性能权值 。
（3）更新训练样本集，把输出层权值加入训练样本集，产生新的训练样本集。
（4）返回步骤（2）根据新的训练样本集预测下一组数据，如此循环直至把所有的预测数据预测完毕。
（5）直到使用本文方法进行图像分割的效果无法再获得较明显的提高，保存并将分类后的得到的结果还原成图像矩阵，便得到分割后的图像。
4 仿真实验及分析
为验证本文所提方法的正确性和有效性，在MATLAB7.0实验环境中进行实验，并分别与脉冲耦合神经网络算法、BP 神经网络算法，以及遗传神经网络算法的结果进行比较，如图2所示。在本实验中，激活函数为sig，隐含层神经元个数为60。实验中所有算法都运行20次，实验结果取平均值。在原图上加入均值为0、方差为 0.03的高斯白噪声，并将噪声图像划分成6×6的邻域窗口，图像的边缘用边界复制的方法补充。
图像分割质量的客观评价见表1，从表中可以看出采用本文的图像分割算法PSNR得到提高，均方误差（（Mean-Square Error）降低了。从主观上评价，本文提出的基于极限学习机的图像分割算法得到分割后的图像不仅较好的克服了噪声的影响，而且效果明显清晰，孤立点较少，边缘信息明显，突出了目标区域。
为训练本文的神经网络，图中的红色区域将作为训练样本，共计选择5500个点作为训练样本点。将本文算法与上述其他三种算法进行了实验比较，比较结论文导读：
果见表2。
从表3可以看出，BP神经网络的样本训练时间最长，而本文提出的算法不仅大大缩短了样本的训练时间，同时有较好的抗噪性，提高了精度。实验证明本文的算法为进行图像分割提供了一个新的思路，是一种比较有效的方法。
5 结论
本文针对传统图像分割方法中存在着结构设计复杂、所需时间较长等问题，提出了一种基于极限学习机算法的图像分割方法。极限学习机算法不但训练速度很快，而且具有最小的训练误差和最小的权值范数，并且可以对输入层权值和隐含层偏差随机赋值，所涉及的计算量很小，算法高效简便，得到的输出权值是全局最优的，实验证明该算法在图像分割中具有一定的实用价值。今后研究工作的重点是对于大型图像分割算法的优化。
参考文献：
Mingyu Yang，Jin Liu，Wensheng Zhang."Region～based Active Contour with Neighborhood Information for Image Segmentation"， JDCTA， Vol. 5， No. 10， pp. 322 ～ 329，2011.