基于人工神经网络的图像分割技术

20世纪80年代后期，在图像处理、模式识别和计算机视觉等领域，受到人工智能发展的影响，出现了将更高层次的推理机制用于识别系统的做法，于是出现了基于人工神经网络模型（Artificial Neural Networks，ANN）的图像分割方法。

人工神经网络是由大规模神经元互联组成的高度非线性动力系统，是在认识、理解人脑组织结构和运行机制的基础上，模拟其结构和智能行为的一种工程系统。换句话说，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入-输出数据，分析两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。(www.xing528.com)

基于ANN的图像分割方法的基本思想是：通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。按照处理数据的类型，此类分割方法可以分为基于像素数据的神经网络算法和基于特征数据的神经网络算法（即特征空间的聚类分割方法）。前者用高维的原始图像数据作为神经网络训练样本，与基于特征数据的算法相比，能够提供更多的图像信息，但是对各个像素的处理是独立进行的，缺乏一定的拓扑结构，而且数据量大，计算速度慢，不适合实时数据处理。此类算法包括Hopfield神经网络、细胞神经网络、概率自适应神经网络等。近年来，第三代脉冲耦合网络PCNN的研究，为图像分割提供了新的处理模式，它能克服图像中物体灰度范围值有较大重叠的不利影响，达到较好的分割效果。