基于BP神经网络的图像质量评价参数优化

合集下载

基于神经网络的图像处理算法优化研究

基于神经网络的图像处理算法优化研究随着科技的不断发展和进步，计算机视觉技术在图像识别、人脸识别、自然语言处理等领域都得到了广泛应用。

而在这些应用中，深度学习和神经网络技术无疑是最受欢迎和前沿的技术之一。

基于神经网络的图像处理算法也具有优异的性能，但同时也存在着一些缺陷和瓶颈。

本篇文章将主要探讨基于神经网络的图像处理算法的优化研究。

一、基于神经网络的图像处理算法介绍基于神经网络的图像处理算法是一类以深度学习为基础的图像处理技术。

其主要思想是通过构建神经网络，从大量的标注数据中学习出一种能够自动提取和分类图像特征的算法，从而达到图像分类、识别、检测等任务。

而这个神经网络就是由多层神经元节点互相连接而成的，每一层都会对上一层的输出进行加工和处理，最后输出一个特定的结果。

基于神经网络的图像处理算法有很多种，比如卷积神经网络(CNN)、循环神经网络(RNN)、生成对抗网络(GAN)等。

其中，卷积神经网络是目前最常用和成熟的一种神经网络，在图像处理领域中有卓越的表现。

二、神经网络的图像处理算法的缺陷尽管神经网络图像处理算法在图像分类、识别、检测等任务中已经有所突破，但它仍然存在着诸多缺陷和问题。

第一，神经网络处理大规模的图像需要耗费大量的时间和计算资源，导致其在实际应用中往往无法达到实时处理。

第二，神经网络处理图像的过程中，需要高质量的标注数据，而标注过程又需要耗费巨大的时间和精力，因此难以大规模应用。

第三，神经网络图像处理算法对输入的图像大小和分辨率有很大的限制，这就导致处理非常大的图像需要分割成小块进行处理，而这样做会破坏图像的完整性和连续性。

三、神经网络的图像处理算法的优化方案为了解决神经网络图像处理算法的缺陷和问题，我们可以从以下几个方面进行优化和改进。

第一，采用分布式训练的方式，把大型神经网络拆分成多个小型神经网络分别进行训练，最后再将结果汇总。

这样可以大大缩短训练时间，并且可以应用于大规模的数据集。

基于BP神经网络的图像质量评价参数优化

络能够比较准确地预测不同阈值参数下的相关系数。优化后，选取ｔｒｓｏｄ — １１ｔｒｓｏｄｈｅｈｌ１０，ｈｅｈｌ２
＝４Ｐａｓｎ相关系数达到了一０８５０Ｓｅｒｎ等级相关系数达到了一０９３６评价效果得，ｅｒｏ．９，ｐａｍａ．１，到提高，节省大量时间。且
ｉｇｓｎｏｄｒｔｅｐｉｌｈｅｈｌａａｔｒ，ｔｓｐｏｏｅｈｔａｉｇｅｐｒｎａｕｓａｍａｅ，ｉｒｅｇｔｏｔｏｍａｒｓｏｄｐｒｍｅｅｓｉｉｒｐｓｄｔａｋｎｘｅｉｔｔｍｅｔｌｅｓａｖ
关键词：图像质量评价；参数优化；Ｐ神经网络；测；Ｂ预泛化
中图分类号：ＴＮ２６ＴＰ９．０；３１４文献标志码：Ａｄｉ１．７８Ｊ２１３．６２０ｏ：０５６／ＡＯ０１２０００４
Ｏｐｉｉａｉｎｏｍａｅｑｕｌｔｓｅｓｅｒｍｅｅｓｔｍｚｔｏｆｉｇａｉｙａｓｓｍｎｔｐａａｔｒｂｓｄｏａｋｐｒｐａａｉｎｎｕａｔｒａｅｎｂｃ。ｏｇｔｏｅｒｌｎｅｗｏｋ
３．ＧｒｄａｅＵｎｖｒｉｙｏｉｅｅＡｃｄｍｙｏｃｅｃｓａｕｔｉｅｓｔｆＣｈｎｓａｅｆＳｉｎｅ，Ｂｅｉｇ１０３ｉｎ００９，Ｃｉａｊｈｎ）
Ａｂｔａｔｎｎｅｅｅｃｅｋｓｎｌｏｎｉａｉ（Ｓｓｒｃ：ＩＯｒｆｒｎｅｐａｉａｔｏｓｒｔＰＮＲ）ｉｇｕｌｙａｓｓｍｅｔｂｓｄｏｏｓｇｅｏｍａｅｑａｉｓｅｓｎａｅｎｎｉｔｙ

基于BP神经网络的图像识别研究_张海波

计算机与现代化　2008年第5期J I S U A N J IY U X I A N D A I H U A总第153期文章编号:1006-2475(2008)05-0017-03收稿日期:2007-05-18基金项目:国家985二期信息创新平台项目(0000-X 07204)作者简介:张海波(1983-),男,山东金乡人,厦门大学软件学院硕士研究生,研究方向:模式识别,图像处理;董槐林(1957-),男,福建龙岩人,教授,研究方向:数值分析,软件工程,图像处理;龙飞(1977-),男,讲师,博士,研究方向:生物特征识别技术,模式识别与机器学习,智能信息处理;郭世可(1983-),男,福建厦门人,硕士研究生,研究方向:图像处理,模式识别。

基于B P 神经网络的图像识别研究张海波,董槐林,龙　飞,郭世可(厦门大学软件学院,福建厦门361005)摘要:B P 神经网络具有较强的容错性和自适应学习能力,因而在数字图像识别领域有着广泛的应用。

本文在经典B P 神经网络的基本算法的基础上,对B P 算法的参数设置进行了优化,实现了一种基于分类的改进B P 神经网络算法。

通过探讨B P 神经网络在数字图像分类识别中的应用,详细考察了各种参数对识别效果的影响。

实验结果证明改进后的算法有很好的实用价值。

关键词:B P 神经网络;动量因子;图像识别中图分类号:T P 391.41 文献标识码:AR e s e a r c ho n I m a g e R e c o g n i t i o nB a s do n B PN e u r a l N e t w o r kZ H A N GH a i -b o ,D O N GH u a i -l i n ,L O N GF e i ,G U OS h i -k e(S o f t w a r e S c h o o l ,X i a m e nU n i v e r s i t y ,X i a m e n 361005,C h i n a )A b s t r a c t :B a c k -p r o p a g a t i o n n e u r a l n e t w o r k w i t h h i g h f a u l t -t o l e r a n c e a n d g o o d a d a p t i v e l e a r n i n g a b i l i t y ,i s f o u n d g r e a t a p p l i c a t i o n s i nd i g i t a l i m a g e r e c o g n i t i o n .T h i s p a p e r p r e s e n t s a n i m p r o v e d a l g o r i t h mt h r o u g h s e t t i n g n e wp a r a m e t e r s b a s e d o n t r a d i t i o n a l B P a l -g o r i t h m ,a p p l i e s i t t o d i g i t a l i m a g e r e c o g n i t i o n a n d a n a l y z e s t h e i n f l u e n c e p r o d u c e d b y i m p r o v e d p a r a m e t e r s .T h e e x p e r i m e n t a l r e -s u l t s h o w s t h a t t h e i m p r o v e da l g o r i t h mh a s a c e r t a i n p r a c t i c a l v a l u e .K e y w o r d s :B Pn e u r a l n e t w o r k s ;m o m e n t u mf a c t o r ;i m a g e r e c o g n i t i o n0　引　言数字图像识别前景广阔,广泛应用于交通、银行、教育和邮政等多个领域,在这些应用中通常的方法是把待识别的数字区域从原始的图像中提取出来,然后把其中的数字串分割成单个字符,再用分类器进行识别。

基于神经网络的图像识别算法优化

基于神经网络的图像识别算法优化一、引言随着人工智能技术的不断发展，图像识别技术在工业、医疗、金融等各个领域中得到了广泛的应用。

然而，在实际的应用中，由于数据量和模型复杂度的不断增加，传统的图像识别算法已经无法满足实际需求。

此时，基于神经网络的图像识别算法成为了一个热门话题。

本文将探讨如何通过优化神经网络算法来提高图像识别的准确率和效率，以及其在实际应用中的优势和局限性。

二、神经网络的基本原理神经网络是一种模仿人脑神经元之间联系的计算模型。

它由许多个体相连的神经元组成，每个神经元都与它周围的神经元相连。

神经网络的输入层将输入信号转化为内部信号，然后通过隐藏层进行处理，最后输出预测结果。

其中，每层都由多个神经元组成，每个神经元都依据输入和激活函数的作用来产生输出信号。

在图像识别中，神经网络算法通常分为三个步骤：预处理、特征提取和决策分类。

预处理是将原始数据转化为神经网络能够处理的格式，包括图片归一化、灰化、降噪、滤波等处理。

特征提取是通过卷积和池化等方式提取数据的特征。

决策分类是对特征进行分类，确定图像的分类或识别结果。

三、神经网络算法的优化方法神经网络在图像识别中的应用已经获得了巨大的成功。

然而，神经网络算法的计算量巨大，训练时间长，同时多层网络参数的初始化也很复杂，因此需要采取一系列的优化方法，以提高算法的效率和准确率。

1.卷积核的优化卷积核是神经网络中最关键的参数之一，它直接影响到卷积层的特征提取效果。

优化卷积核可以在不同的大小、滑动步长、层数以及卷积核尺寸上调整，通过对卷积核的设计，可以改善卷积层的特征提取效果，从而提高分类的准确率。

同时，在训练神经网络过程中，使用了已经训练好的卷积核来进行批量的优化，加快了神经网络的训练时间。

2.激活函数的选择激活函数是指输入值经过激活函数的处理后，输出神经元的一个非线性函数。

选择合适的激活函数，能够提高神经网络的非线性表达能力，从而更好地识别图像。

经常使用的激活函数包括sigmoid、ReLU、LeakyReLU、Softmax等。

毕业论文BP神经网络在图像深度预测中应用

毕业论文BP神经网络在图像深度预测中应用BP神经网络在图像深度预测中应用摘要：深度预测是计算机视觉领域的重要研究方向之一。

该文提出了一种采用BP神经网络方法进行图像深度预测的新方法。

该方法使用BP神经网络结合反向传播算法对图像进行训练，从而预测每个像素点的深度。

实验结果表明，该方法有效地提高了图像深度预测的精度和效率。

关键词：深度预测；神经网络；BP算法；图像处理1.引言深度预测是计算机视觉领域的重要研究方向之一。

在计算机视觉领域中，图像深度预测是一种重要的图像处理技术。

它的主要目的是预测图像中每个像素点的深度。

图像深度预测是一个复杂的问题。

传统的图像深度预测方法采用线性回归模型和决策树模型。

然而，这些方法的预测精度受限，且不能满足实际的应用需求。

随着神经网络和深度学习技术的发展，它们被广泛应用于图像深度预测领域。

2.BP神经网络BP神经网络是一种常用的神经网络模型，它可以在监督学习的情况下进行训练。

BP神经网络通过误差反向传播算法训练网络，不断优化网络的权值和偏置，从而提高预测结果的准确性。

BP神经网络具有很好的非线性拟合能力，并且可以处理大规模、高维度的数据。

3.图像深度预测方法图像深度预测主要包括两个步骤，即训练和预测。

3.1 训练训练过程中，需要将图像所有像素点的深度作为训练数据，输入BP神经网络中。

BP神经网络将深度值作为训练目标，对图像进行训练，不断优化网络的权值和偏置，从而提高预测结果的准确性。

3.2 预测预测过程中，需要将待预测图像输入BP神经网络中。

神经网络将对输入图像进行计算，从而预测每个像素点的深度值。

预测结果可以通过扫描每个像素点获得。

4.实验利用400张图片，采用传统算法和本文提出的算法进行图像深度预测。

实验结果表明，利用BP神经网络方法进行图像深度预测可以在保持高精度的同时提高预测效率。

本文提出的算法拥有更高的预测精度和更快的预测速度，可以有效地用于实际应用中。

5.结论本文提出了一种基于BP神经网络的图像深度预测方法，通过在训练过程中使用反向传播算法，可以提高预测结果的准确性。

遗传算法优化确定BP神经网络的遥感图像分类

遗传算法优化确定BP神经网络的遥感图像分类遥感图像分类是遥感技术应用的重要方向之一，其主要目的是根据遥感图像上包含的信息对不同类别的地物进行自动划分和分类。

由于遥感图像存在着复杂的光谱、空间和时间相关性，因此其分类任务具有一定的难度。

为了提高遥感图像分类的准确度和可靠性，近年来，研究者们开始尝试采用神经网络等方法进行分类优化。

其中BP神经网络是一种常用的方法，它具有学习能力强、处理能力高等优点，但是其性能往往会受到参数设置的影响，因此如何优化BP神经网络成为了一个热门的研究方向。

遗传算法是一种基于自然选择和遗传变异机制的优化算法，其优点是具有全局搜索能力、可以处理非线性优化问题、不易陷入局部最优等。

因此，采用遗传算法来优化BP神经网络在遥感图像分类中应用的可行性被越来越多地研究和验证。

1. 特征提取：对遥感图像进行初步处理，提取出有用的特征信息，包括光谱、空间和纹理等多个维度的特征。

2. 数据预处理：将提取出来的特征进行归一化处理，消除量纲差异和数据离散化等影响因素。

3. BP神经网络建模：根据预处理后的数据，采用BP神经网络作为分类模型，确定神经网络的结构和参数，包括隐含层神经元个数、学习速率、动量系数等。

4. 遗传算法优化：采用遗传算法来搜索最佳的BP神经网络参数组合，优化网络模型的性能。

具体来说，将BP神经网络的结构和参数进行编码，构建适应度函数，通过选择、交叉和变异等基本遗传算子进行群体演化，搜索适应度函数最大的BP神经网络参数组合，从而得到最终的优化结果。

5. 训练模型：根据优化后的BP神经网络参数组合，对遥感图像进行训练，不断调整网络权值和阈值，直至达到收敛条件。

6. 测试预测：将训练好的模型应用到新的未知遥感图像上，对其进行分类预测，在验证集和测试集上进行性能评估，并与其他分类方法进行比较。

总体来说，遗传算法优化BP神经网络的遥感图像分类方法具有较高的效率和准确率。

但是，由于其需要进行大量的参数调节和计算，因此需要充分考虑计算时间和资源的限制，从而使其成为一个更为普及和实用的优化方法。

基于BP神经网络的图像分类算法应用

基于BP神经网络的图像分类算法应用随着计算机视觉领域的不断发展和深度学习技术的日益成熟，图像分类成为了计算机视觉中一个极其重要的任务。

而基于BP神经网络的图像分类算法应用，正是在这个背景下应运而生的。

一、BP神经网络简介首先，我们需要了解一下什么是BP神经网络。

BP神经网络是一种前馈神经网络，它通过不断地调整神经元之间的连接权值，从而实现非线性映射的过程。

基于BP神经网络的模型可以通过反向传播算法来进行训练，这种算法可以有效地提高模型的准确性。

二、图像分类算法图像分类算法是计算机视觉中最具代表性的任务之一，目的是将一张图片划归到事先定义好的若干个类别中的某一个。

在这个过程中，我们需要根据图像的特征向量，将其映射到对应的类别。

而基于BP神经网络的图像分类算法，则是在这个基础上，通过神经网络模型来进行分类。

三、基于BP神经网络的图像分类算法应用在基于BP神经网络的图像分类算法中，我们需要首先对图像进行特征提取。

这个过程中，我们通常会使用一些常见的特征提取方法，如SIFT、HOG、LBP等。

然后，将这些特征向量输入到神经网络中进行分类。

在这个过程中，我们可以使用一些常见的网路结构，如LeNet、AlexNet、VGG、Inception等。

同时，我们也可以借助一些深度学习框架来实现图像分类算法的应用。

例如，TensorFlow和PyTorch等深度学习框架，都提供了丰富的API和训练工具，可以帮助我们更加高效地构建和训练基于BP神经网络的图像分类模型。

四、基于BP神经网络的图像分类算法应用优缺点基于BP神经网络的图像分类算法，具有较高的准确性和泛化能力。

同时，其模型结构也相对简单，并且可以通过反向传播算法来快速训练、调整模型参数。

但是，该算法也存在一些缺点，例如易发生过拟合、对噪声敏感等，需要在实际应用过程中加以注意。

五、结论以基于BP神经网络的图像分类算法应用为例，我们可以看到，随着计算机视觉和深度学习技术的不断进步，图像分类算法已经成为计算机视觉领域的一个重要研究方向。

基于改进BP神经网络的图像识别算法

中图分类号： TP317
文献标识码： A
DOI： 10. 13774 / j．cnki．kjtb 2018） 09－168－04
Image Ｒecognition Algorithm Based on Improved BP Neural Network
作为模式识别的重要组成部分，图像识别在计算机视觉等领域的作用十分显著。目前，图像识别技术在众多行业中的应用十分广泛，如：人脸识别和指纹识别等技术可用于平板电脑、智能手机等嵌入式系统；产品形态识别和表面缺陷检测等技术可用于工业自动检测；另外，还有自动跟踪、航空遥感、导
弹制导、无人驾驶等。由于人们生活要求和品质的不断提高，对智能仪器和设备的需求越来越大，所以图像特征的应用日益广泛。
本文以颜色特征和纹理特征为基础，结合遗传算法设计一种改进 BP 神经网络以实现图像识别，采用证据推理完成图像融合。通过仿真验证所述方法的识别率和收敛速度。
1 图像自动识别系统
范围广、灵活性高、方法成熟，所以可采用ＲGB 颜色空间提取图像特征。
Jin Hongjiao （ Information and Control Engineering College Jilin Institute of
Chemical Technology，Jilin Jilin 132022，China）
Abstract： In order to improve the accuracy and speed of image recognition， an improved image recognition algorithm is designed based on genetic algorithm and BP neural network as results of the traditional BP neural network has problems such as structural parameter uncertainty，low convergence rate and local minimum value． Firstly，the color and texture feature of the image are extracted． BP neural network structure parameters are optimized by using BP neural network based on the genetic algorithm． The image recognition process is presented and the image recognition result is integrated according to the evidence theory to obtain the complete image information． The simulation results show that the algorithm has high recognition rate and convergence speed． Under the condition of a small number of training samples，BP neural network still has better generalization ability． Keywords： image recognition； BP neural network； genetic algorithm； evidence theory

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

：ＡｂｓｔｒａｃｔＩｎｎｏｒｅｆｅｒｅｎｃｅｅａｋｓｉｎａｌｔｏｎｏｉｓｅｒａｔｉｏ（ＰＳＮＲ）ｉｍａｅｕａｌｉｔａｓｓｅｓｓｍｅｎｔｂａｓｅｄｏｎｎｏｉｓｐｇｇｑｙｙ，，ｉｍａｅｓｉｎｏｒｄｅｒｔｏｅｔｏｔｉｍａｌｔｈｒｅｓｈｏｌｄａｒａｍｅｔｅｒｓｉｔｉｓｒｏｏｓｅｄｔｈａｔｔａｋｉｎｅｘｅｒｉｍｅｎｔｖａｌｕｅｓａｓａｐｇｐｇｇｐｐｐ，］ｓａｍｌｅａ［２７２ｂａｃｋｒｏａａｔｉｏｎ（ＢＰ）ｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｉｓｅｓｔａｂｌｉｓｈｅｄｗｉｔｈｔｈｅｍｅａｎｓｕａｒｅ－ｐｐｐｇｑ（），ｅｒｒｏｒＭＳＥｔｈｒｅｓｈｏｌｄ１ｏｆｉｍａｅｂｌｏｃｋａｎｄｔｈｅｎｏｉｓｅｄｅｔｅｃｔｉｏｎｔｈｒｅｓｈｏｌｄ２ａｓｔｈｅｉｎｕｔｆａｃｔｏｒｓａｎｄｇｐｔｈｅＰｅｒｓｏｎａｎｄＳｅａｒｍａｎｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓａｓｔｈｅｏｕｔｕｔｆａｃｔｏｒｓ．Ｔｈｅｍｏｄｅｌｒｅａｌｉｚｅｓｔｈｅｒｅｄｉｃ－ｐｐｐｔｉｏｎｏｆｒｅｌｅｖａｎｔｂｉｔｓｃａａｂｉｌｉｔａｎｄｏｆｆｅｒｓａｔｈｅｏｒｅｔｉｃａｌｆｏｕｎｄａｔｉｏｎｆｏｒａｒａｍｅｔｅｒｓｅｎｅｒａｌｉｚａｔｉｏｎａ－ｙｐｙｐｇｐｒａｍｅｔｅｒｓｓｅｌｅｃｔｉｏｎ．Ｅｘｅｒｉｍｅｎｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｍｏｄｅｌｉｓｒｅｌｉａｂｌｅ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｌｉｔｔｌｅｒｅｄｉｃｔｉｏｎｐｐｄｉｆｆｅｒｅｎｃｅｆｒｏｍｔｈｅｅｘｅｒｉｍｅｎｔａｌｄａｔａ．ＴｈｅｔｒａｉｎｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｃａｎｔｈｅｒｅｌｅｒｅｃｉｓｅｌｒｅｄｉｃｔ－ｐｐｙｐ，，ｖａｎｔｏｔｉｍｉｚｉｎｔｈｒｅｓｈｏｌｄ１＝１０１ａｎｄｔｈｒｅｓｈｏｌｄ２＝４ａｒｅｓｅｌｅｃｔｅｄＰｅａｒｓｏｎＣｏｒｒｅｌａａｒａｍｅｔｅｒｓ．Ａｆｔｅｒ－ｐｇｐｔｉｏｎＣｏｅｆｆｉｃｉｅｎｔａｎｄＳｅａｒｍａｎＲａｎｋＯｒｄｅｒＣｏｒｒｅｌａｔｉｏｎＣｏｅｆｆｉｃｉｅｎｔｒｅａｃｈｅｓ－０．８９５０ａｎｄ－０．９１３６ｒｅ－ｐ，ｓｅｃｔｉｖｅｌ．Ｔｈｅａｓｓｅｓｓｍｅｎｔｒｅｓｕｌｔｉｍｒｏｖｅｓａｌｏｔａｎｄｍｕｃｈｔｉｍｅｉｓｓａｖｅｄ．ｐｙｐ：；ｐ；ｂ；ｕａｌｉｔａｒａｍｅｔｅｒｓｒｏａａｔｉｏｎＫｅｗｏｒｄｓｉｍａｅａｓｓｅｓｓｍｅｎｔｏｔｉｍｉｚａｔｉｏｎａｃｋｎｅｕｒａｌｎｅｔｗｏｒｋ－ｐｑｙｐｇｇｐｙ；ｅｎｅｒａｌｉｚａｔｉｏｎｆｏｒｅｃａｓｔｇ
，（）应用光学等：基于Ｂ２０１１３２６Ｐ神经网络的图像质量评价参数优化范媛媛，
·１１５１·
引言
电视测量是光电测量设备的主要探测手段之一，电视图像质量好坏是电视系统的一个重要战术技术指标。同时图像质量评价也是图像工程基础性
：／中图分类号：ＴＮ２０６；ＴＰ３９１．４文献标志码：Ａｄｏｉ１０．５７６８ＪＡＯ２０１１３２．０６０２００４
Ｏｔｉｍｉｚａｔｉｏｎｏｆｉｍａｅａｓｓｅｓｓｍｅｎｔｕａｌｉｔａｒａｍｅｔｅｒｓｐｇｑｙｐｂａｓｅｄｏｎｂａｃｋｒｏａａｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ－ｐｐｇ
］１。由于实际的的研究内容，具有非常重要的意义［
Ｍ
Ｎｉｊ
ＭＳＥ＝
ｉ＝１ｊ＝１
ｆ ∑∑（
ቤተ መጻሕፍቲ ባይዱ
－ｆ）
２
Ｍ ×Ｎ
（）１
式中ｆ为图像的均值。如果均方误差超过某一阈值，说明图像中存在的高频成分较多，则利ｔｈｒｅｓｈｏｌｄ１，用四叉树分解继续分块把图像分为大小不同的子分别代表图像的不同类型区域，细节变化剧烈的块，高频区域分块相对较小，变化缓慢的低频区域分块相对较大。（，，噪声检测中，对于块内的任一像素Ｉ定义ｋ）ｊ水平、该像素垂直、４５ °和１３５ °这４个方向的方向梯，度值。则块内的任一像素的梯度ｇ（ｋ）可定义为４ｊ个方向梯度中的最小值：，（，，，，（，，ｋ）＝ｍｉｎｈ（ｋ）ｖ（ｋ）４５ｋ）ｇ（ｊｊｊｇｊ（，）（）１３５ｋ）２ｇｊ，，如果ｇ（则ｋ）大于某一特定阈值ｔｈｒｅｓｈｏｌｄ２ｊ认为该点为噪声点。对图像块中的所有像素点进行分析，就可得到图像子块噪声点的分布：，）＝Ｇ（ｉｊ，）ｋ）ｈｒｅｓｈｏｌｄ２－ｔｇ（ｊ ∑（（）３
基于ＢＰ神经网络的图像质量评价参数优化
２，３，范媛媛１，桑英军１，沈湘衡２
（淮阴工学院，江苏淮安２中国科学院长春光学精密机械与物理研究所，吉林长春１１．２３００３；２．３００３３；）中国科学院研究生院，北京１３．０００３９
摘要：在基于噪声图像的无参考峰值信噪比质量评价方法中，为了得到最优的阈值参数，提出以图像块均方误差阈值ｔ噪声检测阈值ｔｈｒｅｓｈｏｌｄ１、ｈｒｅｓｈｏｌｄ２为输入因子，以Ｐｅａｒｓｏｎ相关系数］和Ｓ单隐层Ｂｅａｒｍａｎ等级相关系数为输出因子，以实验值为样本建立［２７２Ｐ神经网络模型，ｐ应用Ｂ为阈值参数的选择提供理论依Ｐ神经网络的泛化能力实现对相关阈值参数的预测优化，据。实验结果表明，所建立的数学模型可靠，预测结果与试验值的偏差小，训练好的ＢＰ神经网络能够比较准确地预测不同阈值参数下的相关系数。优化后，选取ｔｈｒｅｓｈｏｌｄ１＝１０１，ｔｈｒｅｓｈｏｌｄ２评价效果得＝４，Ｐｅａｒｓｏｎ相关系数达到了－０．８９５０，Ｓｅａｒｍａｎ等级相关系数达到了－０．９１３６，ｐ，。到提高且节省大量时间关键词：图像质量评价；参数优化；预测；泛化ＢＰ神经网络；
第３２卷第６期２０１１年１１月
应用光学ＪｏｕｒｎａｌｏｆＡｌｉｅｄＯｔｉｃｓｐｐｐ
Ｖｏｌ．３２Ｎｏ．６Ｎｏｖ．２０１１
（）文章编号：１００２２０８２２０１１０６１１５００６－－－
；收稿日期：２０１１０５１９２０１１０７０９－－修回日期：－－）基金项目：中国科学院创新基金资助项目（ＹＺ２００９０４，作者简介：范媛媛（女，山东邹城人，博士研究生，主要从事图像处理及图像质量评价方面的研究。１９７９－）：Ｅ－ｍａｉｌｆｕａｎｕａｎ１２３＠１６３．ｃｏｍｙｙ
１２３１２，，ＦＡＮＹｕａｎＳＡＮＧＹｉｎＳＨＥＮＸｉａｎｈｅｎｕａｎｕｎ－ｙ－－ｇｇｇｊ，，
（，Ｈ；１．ＨｕａｉｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｕａｉａｎ２２３００３，Ｃｈｉｎａｙｇｙ，，；２．ＣｈａｎｃｈｕｎＩｎｓｔｉｔｕｔｅｏｆＯｔｉｃｓＦｉｎｅＭｅｃｈａｎｉｃｓａｎｄＰｈｓｉｃｓＣＡＳ，Ｃｈａｎｃｈｕｎ１３００３３Ｃｈｉｎａｇｐｙｇ，）３．ＧｒａｄｕａｔｅＵｎｉｖｅｒｓｉｔｏｆＣｈｉｎｅｓｅＡｃａｄｅｍｏｆＳｃｉｅｎｃｅｓＢｅｉｉｎ１０００３９，Ｃｈｉｎａｙｙｊｇ