基于遗传神经网络的图像分割
合集下载
遗传算法遗传算法
11
（5）遗传算法在解空间进行高效启发式搜索，而非盲 目地穷举或完全随机搜索；
（6）遗传算法对于待寻优的函数基本无限制，它既不 要求函数连续，也不要求函数可微，既可以是数学解 析式所表示的显函数，又可以是映射矩阵甚至是神经 网络的隐函数，因而应用范围较广；
（7）遗传算法具有并行计算的特点，因而可通过大规 模并行计算来提高计算速度，适合大规模复杂问题的 优化。
26
（4）基本遗传算法的运行参数 有下述4个运行参数需要提前设定：
M：群体大小，即群体中所含个体的数量，一般取为 20~100； G：遗传算法的终止进化代数，一般取为100~500； Pc：交叉概率，一般取为0.4~0.99；
Pm：变异概率，一般取为0.0001~0.1。
27
10.4.2 遗传算法的应用步骤
遗传算法简称GA（Genetic Algorithms）是1962年 由美国Michigan大学的Holland教授提出的模拟自然 界遗传机制和生物进化论而成的一种并行随机搜索最 优化方法。
遗传算法是以达尔文的自然选择学说为基础发展起 来的。自然选择学说包括以下三个方面：
1
（1）遗传：这是生物的普遍特征，亲代把生物信息交 给子代，子代总是和亲代具有相同或相似的性状。生 物有了这个特征，物种才能稳定存在。
18
（3）生产调度问题 在很多情况下，采用建立数学模型的方法难以对生
产调度问题进行精确求解。在现实生产中多采用一些 经验进行调度。遗传算法是解决复杂调度问题的有效 工具，在单件生产车间调度、流水线生产车间调度、 生产规划、任务分配等方面遗传算法都得到了有效的 应用。
19
（4）自动控制。 在自动控制领域中有很多与优化相关的问题需要求
10
（5）遗传算法在解空间进行高效启发式搜索，而非盲 目地穷举或完全随机搜索；
（6）遗传算法对于待寻优的函数基本无限制，它既不 要求函数连续，也不要求函数可微，既可以是数学解 析式所表示的显函数，又可以是映射矩阵甚至是神经 网络的隐函数，因而应用范围较广；
（7）遗传算法具有并行计算的特点，因而可通过大规 模并行计算来提高计算速度，适合大规模复杂问题的 优化。
26
（4）基本遗传算法的运行参数 有下述4个运行参数需要提前设定：
M：群体大小，即群体中所含个体的数量，一般取为 20~100； G：遗传算法的终止进化代数，一般取为100~500； Pc：交叉概率，一般取为0.4~0.99；
Pm：变异概率，一般取为0.0001~0.1。
27
10.4.2 遗传算法的应用步骤
遗传算法简称GA（Genetic Algorithms）是1962年 由美国Michigan大学的Holland教授提出的模拟自然 界遗传机制和生物进化论而成的一种并行随机搜索最 优化方法。
遗传算法是以达尔文的自然选择学说为基础发展起 来的。自然选择学说包括以下三个方面：
1
（1）遗传：这是生物的普遍特征，亲代把生物信息交 给子代，子代总是和亲代具有相同或相似的性状。生 物有了这个特征，物种才能稳定存在。
18
（3）生产调度问题 在很多情况下，采用建立数学模型的方法难以对生
产调度问题进行精确求解。在现实生产中多采用一些 经验进行调度。遗传算法是解决复杂调度问题的有效 工具，在单件生产车间调度、流水线生产车间调度、 生产规划、任务分配等方面遗传算法都得到了有效的 应用。
19
（4）自动控制。 在自动控制领域中有很多与优化相关的问题需要求
10
三维医学图像分割标注技术的回顾
本质 为三维 的处 理方 法的应 用 ，加 上三 维处理 的计 算 开 销远大 于二 维处 理 ，所 以前 两 种方法仍 然 有很 强的 实用性 。
Ｔ Ｎ ｕ Ｕ ＮＨ ｉ ｎ， Ａ ， Ａ ｕ１ ｇ ＯＤ ． 叵亘囤 ｏ
Ｈａ ｚ ｏ Ｐ． ． ｉ ａ ｎｇ ｈ ｕ， Ｒ Ｃｈ ｎ
Ｃｏｌｇ ｆ ｏ ｄｃｌ ｎ ｉｅ ｒｎ ｎ ｎ ｔｕ ｎａ ｉｎ Ｚｈ ｊ ｎ ｉｅｓｔ ， ｌ ｅｏ ｍｅ ｉ ｇｎ ｅ ｉｇａ ｄＩ ｓｒ ｍｅ ｔｔｏ ， ｅｉ ｇＵｎｖ ｒｉ ｅ Ｂｉ ａＥ ａ ｙ
中 国 压 疔 器 械 杂 志
２ ６卷第 ３ 期
９‘ ￣。 。。 。ｔ 。。。 ７。 。。 。）’ ０’ 。 。 。：’ ７ 。 。 。（ ０ ２ 。。 。‘。 。。 。。 ’。 。６ １ １。 。。 。 ３ １ ７ 。４。 。。 ０ ０ ２０ 。 。
。 。 。 。 。 。 。
Ｃｈｎ ｓ ｏ ｒ ａ ｏ ｄ ｃ ｌ ｎ ｔｕ ｎ ａ ｉｎ ｉ ｅ ｅＪ ｕ ｎ ｌ ｆ Ｍｅ ｉａ ｓｒ ｍｅ ｔｔｏ ｌ
成 的体 数据 的分 割和标 注 。最初 ，对 三维 医学 图像
的分割 是将其 分层 为二 维 图像 （ 或者 说不将二 维 图
在图 像指 导 手术 ，治疗 评价和 诊 断工具 等方 面
的许多 现存 问 题 的解决 依赖于 这样～ 个 问题 ：分 割
像 组台 成三 维 ） 各层 分 别处 理 ， ， 然后 将各层 的分割 结果连 接成 几何模 型 ；接着 发展 了利 用层 圆图像 的 相关性 的伪 三维 （ ． ） 理方式 ； ２ ５维 处 最后是 基于三 维 体数 据 的处 理 技术 。 受成 像 设 备 或 实 用 性 的影 响， 临床 数据 的层 间距一般 大 于层 内分辨 率 （ ＭＲ 如 图 像 ，层 内 分 辨 率 ～ 般 为 １ ｒｍ，层 同 距 ３ ～２ ａ ～ ５ ｍｍ）使 体数 据在 精度上 存 在各 向异性 。这限制 了 ，
Ｔ Ｎ ｕ Ｕ ＮＨ ｉ ｎ， Ａ ， Ａ ｕ１ ｇ ＯＤ ． 叵亘囤 ｏ
Ｈａ ｚ ｏ Ｐ． ． ｉ ａ ｎｇ ｈ ｕ， Ｒ Ｃｈ ｎ
Ｃｏｌｇ ｆ ｏ ｄｃｌ ｎ ｉｅ ｒｎ ｎ ｎ ｔｕ ｎａ ｉｎ Ｚｈ ｊ ｎ ｉｅｓｔ ， ｌ ｅｏ ｍｅ ｉ ｇｎ ｅ ｉｇａ ｄＩ ｓｒ ｍｅ ｔｔｏ ， ｅｉ ｇＵｎｖ ｒｉ ｅ Ｂｉ ａＥ ａ ｙ
中 国 压 疔 器 械 杂 志
２ ６卷第 ３ 期
９‘ ￣。 。。 。ｔ 。。。 ７。 。。 。）’ ０’ 。 。 。：’ ７ 。 。 。（ ０ ２ 。。 。‘。 。。 。。 ’。 。６ １ １。 。。 。 ３ １ ７ 。４。 。。 ０ ０ ２０ 。 。
。 。 。 。 。 。 。
Ｃｈｎ ｓ ｏ ｒ ａ ｏ ｄ ｃ ｌ ｎ ｔｕ ｎ ａ ｉｎ ｉ ｅ ｅＪ ｕ ｎ ｌ ｆ Ｍｅ ｉａ ｓｒ ｍｅ ｔｔｏ ｌ
成 的体 数据 的分 割和标 注 。最初 ，对 三维 医学 图像
的分割 是将其 分层 为二 维 图像 （ 或者 说不将二 维 图
在图 像指 导 手术 ，治疗 评价和 诊 断工具 等方 面
的许多 现存 问 题 的解决 依赖于 这样～ 个 问题 ：分 割
像 组台 成三 维 ） 各层 分 别处 理 ， ， 然后 将各层 的分割 结果连 接成 几何模 型 ；接着 发展 了利 用层 圆图像 的 相关性 的伪 三维 （ ． ） 理方式 ； ２ ５维 处 最后是 基于三 维 体数 据 的处 理 技术 。 受成 像 设 备 或 实 用 性 的影 响， 临床 数据 的层 间距一般 大 于层 内分辨 率 （ ＭＲ 如 图 像 ，层 内 分 辨 率 ～ 般 为 １ ｒｍ，层 同 距 ３ ～２ ａ ～ ５ ｍｍ）使 体数 据在 精度上 存 在各 向异性 。这限制 了 ，
基于UNet结构改进的医学影像分割技术综述
2、UNet模型改进的技术原理和 实现方法
2.1增加网络深度
增加网络深度是提高UNet模型性能的一种有效方法。通过增加编码器和解码 器的层数，可以使得模型具有更强的特征提取能力和更细致的空间信息捕捉能力。 然而，增加网络深度也会带来计算量和参数量增加的问题。一些研究通过使用轻 量级的网络结构（如MobileNetV2、ShuffleNetV2等）来平衡网络深度和计算效 率。
然而，UNet结构仍存在一些问题和不足，需要进一步改进和完善。因此，本 次演示将综述基于UNet结构改进的医学影像分割技术，以期为相关研究提供参考 和借鉴。
文献综述
UNet结构是一种全卷积网络架构，最早由Jens Petersen等人提出，并广泛 应用于医学影像分割任务。UNet结构由编码器和解码器两部分组成，通过跳跃连 接的方式将编码器中的低级特征图传递给解码器中的相应位置，从而保留更多的 空间信息。然而，传统的UNet结构仍存在一些问题和不足，如上下采样过程中的 信息丢失、梯度消失等问题。针对这些问题，研究者们提出了许多改进方法。
总之，U-Net是医学图像分割领域的一种强大工具，其表现出的特性和性能 在许多医学图像处理任务中取得了显著的成功。尽管仍存在一些挑战，如鲁棒性 和资源限制问题，但随着新技术的不断发展，我们有理由相信这些问题会被逐步 解决。未来对于U-Net及其变体的进一步研究，将为医学图像分割提供更准确、 更有效的方法。
U-Net在医学图像分割任务中表现出极佳的性能。例如，在分割CT图像中的 肺组织、MRI图像中的脑组织、X光图像中的骨骼等任务中，U-Net都能够取得超 越传统图像处理算法的性能。同时，通过引入不同的改进策略，如残差连接、注 意力机制、多尺度特征融合等，可以进一步增强U-Net的性能。
医学图像分割的意义、概念、分类和研究现状
第1章绪论1.1 引言当今社会，是知识经济的社会，高新科技飞速发展。
入们在迅速发展新科技的同时，也越来越关注自身的生活环境与医疗条件。
健康，越来越成为每一个入倾心关注和孜孜追求的意境。
然焉，群学技术是一把双刃剑，它带给人们得到的同时也在破坏着我们赖以生存的环境，从而严重威害人类的健康。
堪愧的环境，沉重的压力以及激烈的竞争，都侵入们的健康走入低餐，从而健康成为全人类共同关注的目标。
因此医学的发展面临严重的挑战，作为医生诊断和治疗重要手段的医学影像学也得到了相应的发展。
现今，医学图像在医疗诊断中起着不可低估的重要作用。
计算机断层扫描、核磁共振(Magnetic Resonance，MR)、超声(Ultras叫nd)以及其它成像技术等，都是无侵害性的器宫体外成像的有力手段。
但是，医学图像还有一个显著的特点，由于受成像设备的影响、局部体效应(同一个体素中包含多种组织)、患者的体位运动和检查床的匀速直线运动，使得医学图像不可避免地盘现噪声和伪影，边缘模糊和信号强度不均匀现缓，例如信号强度在同一种组织中会出现大幅度的变化或在同一个物体中也不均匀。
此外，在图像形成和传输的过程中，图像的像质也会受到一定的影响，这些都给医生下达准确的诊断造成了一定的障碍。
为了提高医学图像的可读性，使得医生可以对人体的解割结构以及病变部位进行更有效的观察和诊断，提离诊断的准确率，医学图像处理从而成为了一门应用性很强的学科而且得到了长足的发展。
1.2 医学图像分割的意义、分类及其研究现状1.2.1 医学图像分割的意义医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值，具体表现为以下几个方面：(1) 用于感兴趣区域提取，便于医学图像的分析和识别。
如不同形式或来源的医学图像配准与融合，解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等；(2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。
图像分割方法及性能评价综述
值 曲面实现 图像 分割 。 ２ ３基 于 区域 的分 割方 法 ．
基 于 区域 的图像分 割 考虑 了图像 的空 间 信息 ， 图像灰 度 、 如 纹理 、 色 和像 素统 计 特性 等 ， 颜 进而将 目 标 对象 划分 为 同一 区域 的分割 方 法 。常 见的 区域分 割方 法 主要 有 ： 区域 生 长法 、 裂合 并法 和 分水岭 分 分
第２ ３卷 第 ３期
２ １ 年 ９月 ０１
宁 波 工 程 学 院学 报
Ｊ ＯＵＲＮＡＬ ＯＦ ＮＩ ＮＧＢＯ ＵＮＩ ＶＥＲＳＴ ＯＦ ＴＥＣ Ｉ Ｙ ＨＮＯＬＯＧＹ
Ｖｏ ． ３ Ｎｏ ３ １２ ．
Ｓｐ．０ １ ｅ ｔ２ １
图像 分 割 方 法及 性 能 评 价 综 述
收 稿 日期 ：０ １ ０ ２ １ — ３—１ １ 作者简介 ： 瑞 ， ， 徐 男 宁波 大 学 科 技 学 院 。
徐瑞 ： 像分割方法及性能评价综述 图
７ ７
度 向量 的幅值 或二 阶导 数 过零 点 信息 作 为边缘 点 的判 断依据 。 除 了直接 利用 边缘 检 测算 子 提取 图像 边缘 外 ， 还有 一 些方 法 也 相 继 被 提 出 ， 边 缘 松 弛 法 、 界 跟 如 边 踪、 图像 滤波 、 尺度变 换 和 主动 轮 廓 （ ｃｉ ｃｎｏｒ 等 。 文献 ［ ］ 提 出 了 一种 基 于 变 分 的 图像 分 割 多 ａｔ ｅｏ ｔ ） ｖ ｕ ８还 算法 ， 该算法 以图像 的边 缘点 为插 值 点 ， 同时 采用一 种 全 局 收敛 的 松 弛算 法 ， 小化 能量 函数 产 生 的 阈 极
徐 瑞
（ 宁 波 大 学科 技 学 院 ， 江 宁波 ，１２ １ （ 浙 ３５１） 摘 要 ： 图像 分 割是 图像 处 理 与 计 算 机 视 觉 的基 本 问题 之 一 ， 完成 图像 识 别 、 是 目标 跟 踪 等 复 杂 处 理 任 务 的 关 键 法 ， 绍 了每 种 方 法 各 自的 特 点 及 在 分 割处 理 时 的 性 能 。 同 时 ， 对 图像 分 割 的 介 还 性 能 评价 方法 做 了简 要 介 绍 。
基 于 区域 的图像分 割 考虑 了图像 的空 间 信息 ， 图像灰 度 、 如 纹理 、 色 和像 素统 计 特性 等 ， 颜 进而将 目 标 对象 划分 为 同一 区域 的分割 方 法 。常 见的 区域分 割方 法 主要 有 ： 区域 生 长法 、 裂合 并法 和 分水岭 分 分
第２ ３卷 第 ３期
２ １ 年 ９月 ０１
宁 波 工 程 学 院学 报
Ｊ ＯＵＲＮＡＬ ＯＦ ＮＩ ＮＧＢＯ ＵＮＩ ＶＥＲＳＴ ＯＦ ＴＥＣ Ｉ Ｙ ＨＮＯＬＯＧＹ
Ｖｏ ． ３ Ｎｏ ３ １２ ．
Ｓｐ．０ １ ｅ ｔ２ １
图像 分 割 方 法及 性 能 评 价 综 述
收 稿 日期 ：０ １ ０ ２ １ — ３—１ １ 作者简介 ： 瑞 ， ， 徐 男 宁波 大 学 科 技 学 院 。
徐瑞 ： 像分割方法及性能评价综述 图
７ ７
度 向量 的幅值 或二 阶导 数 过零 点 信息 作 为边缘 点 的判 断依据 。 除 了直接 利用 边缘 检 测算 子 提取 图像 边缘 外 ， 还有 一 些方 法 也 相 继 被 提 出 ， 边 缘 松 弛 法 、 界 跟 如 边 踪、 图像 滤波 、 尺度变 换 和 主动 轮 廓 （ ｃｉ ｃｎｏｒ 等 。 文献 ［ ］ 提 出 了 一种 基 于 变 分 的 图像 分 割 多 ａｔ ｅｏ ｔ ） ｖ ｕ ８还 算法 ， 该算法 以图像 的边 缘点 为插 值 点 ， 同时 采用一 种 全 局 收敛 的 松 弛算 法 ， 小化 能量 函数 产 生 的 阈 极
徐 瑞
（ 宁 波 大 学科 技 学 院 ， 江 宁波 ，１２ １ （ 浙 ３５１） 摘 要 ： 图像 分 割是 图像 处 理 与 计 算 机 视 觉 的基 本 问题 之 一 ， 完成 图像 识 别 、 是 目标 跟 踪 等 复 杂 处 理 任 务 的 关 键 法 ， 绍 了每 种 方 法 各 自的 特 点 及 在 分 割处 理 时 的 性 能 。 同 时 ， 对 图像 分 割 的 介 还 性 能 评价 方法 做 了简 要 介 绍 。
医学图像分割方法综述
ｒａｎｄｏｍ
ｆｉｃＩｄ）．统计学
方法的实质是从统计学的角度出发对数字图像进行 建模，把图像中各个像素点的灰度值看作是具有一 定概率分布的随机变量．从观察到的图像中恢复实 际物体或正确分割观察到的图像从统计学的角度看 就是要找出最有可能，即以最大的概率得到该图像 的物体组合来．从贝叶斯定理的角度看，就是要求出 具有最大后验概率的分布 ＭＲＦ本身是一个条件概率模型，其中每个像素 的概率只与相邻点相关直观的理解是，在ＭＲＦ假 设下，大多数像素和其邻近的像素属于同一类以Ｌ ＝｛（ｉ，Ｊ）：１≤ｉ≤Ｎ】，１≤Ｊ≤Ｎ２｝表示一个Ｎｌ× Ｎ：的图像网络以Ｘ＝｛Ｘ。｝表示一个离散取值的 随机场，随机变量Ｘ。可取图像可能的灰度值集合Ｇ ＝Ｉｇｌ，９２，…，ｇＭ｝中的一个，以ｒ。表示ｘ。的一个
２基于区域的分割方法
图像分割通常会用到不同对象间特征的不连续 性和同一对象内部的特征相似性．基于区域的算法 侧重于利用区域内特征的相似性．
２
１阈值法 阈值分割是最常见的并行的直接检测区域的分
割方法ｂ１如果只需选取一个阈值称为单阈值分割， 它将图像分为目标和背景两大类；如果选取多个阈 值分割称为多阈值方法，图像将被分割为多个目标 区域和背景；为区分目标，还需要对各个区域进行标 记．阈值分割方法基于对灰度图像的一种假设：目标 或背景内的相邻像素间的灰度值是相似的，但不同 目标或背景的像素在灰度上有差异，反映在图像直 方图上，不同目标和背景则对应不同的峰．选取的阈 值应位于两个峰之间的谷，从而将各个峰分开． 阈值分割的优点是实现简单，对于不同类的物 体灰度值或其它特征值相差很大时，它能很有效地 对图像进行分割．阈值分割通常作为医学图像的预 处理，然后应用其它一系列分割方法进行后处理．它 也常被用于ＣＴ图像中皮肤、骨骼的分割． 阈值分割的缺点是不适用于多通道和特征值相 差不大的图像，对于图像中不存在明显灰度差异或 灰度值范围有较大重叠的图像分割问题难以得到准 确的结果．另外，由于它仅仅考虑了图像的灰度信息 而不考虑图像的空间信息，阚值分割对噪声和灰度 不均匀很敏感．针对阈值分割方法的缺点，不少学者 提出了许多改进方法，如基于过渡区的方法【６ Ｊ、利用 像素点空间位置信息的变化阈值法＂ｌ、结台连通信 息Ｌ８ ｏ的阈值方法． 对于多目标的图像来讲，如何选取合适的阈值 是基于阈值分割方法的困难所在．至今仍有不少学 者针对该问题进行深入的研究，提出了许多新方法． 在近年来的自动选取阈值方法中，基于最大熵原则
ｆｉｃＩｄ）．统计学
方法的实质是从统计学的角度出发对数字图像进行 建模，把图像中各个像素点的灰度值看作是具有一 定概率分布的随机变量．从观察到的图像中恢复实 际物体或正确分割观察到的图像从统计学的角度看 就是要找出最有可能，即以最大的概率得到该图像 的物体组合来．从贝叶斯定理的角度看，就是要求出 具有最大后验概率的分布 ＭＲＦ本身是一个条件概率模型，其中每个像素 的概率只与相邻点相关直观的理解是，在ＭＲＦ假 设下，大多数像素和其邻近的像素属于同一类以Ｌ ＝｛（ｉ，Ｊ）：１≤ｉ≤Ｎ】，１≤Ｊ≤Ｎ２｝表示一个Ｎｌ× Ｎ：的图像网络以Ｘ＝｛Ｘ。｝表示一个离散取值的 随机场，随机变量Ｘ。可取图像可能的灰度值集合Ｇ ＝Ｉｇｌ，９２，…，ｇＭ｝中的一个，以ｒ。表示ｘ。的一个
２基于区域的分割方法
图像分割通常会用到不同对象间特征的不连续 性和同一对象内部的特征相似性．基于区域的算法 侧重于利用区域内特征的相似性．
２
１阈值法 阈值分割是最常见的并行的直接检测区域的分
割方法ｂ１如果只需选取一个阈值称为单阈值分割， 它将图像分为目标和背景两大类；如果选取多个阈 值分割称为多阈值方法，图像将被分割为多个目标 区域和背景；为区分目标，还需要对各个区域进行标 记．阈值分割方法基于对灰度图像的一种假设：目标 或背景内的相邻像素间的灰度值是相似的，但不同 目标或背景的像素在灰度上有差异，反映在图像直 方图上，不同目标和背景则对应不同的峰．选取的阈 值应位于两个峰之间的谷，从而将各个峰分开． 阈值分割的优点是实现简单，对于不同类的物 体灰度值或其它特征值相差很大时，它能很有效地 对图像进行分割．阈值分割通常作为医学图像的预 处理，然后应用其它一系列分割方法进行后处理．它 也常被用于ＣＴ图像中皮肤、骨骼的分割． 阈值分割的缺点是不适用于多通道和特征值相 差不大的图像，对于图像中不存在明显灰度差异或 灰度值范围有较大重叠的图像分割问题难以得到准 确的结果．另外，由于它仅仅考虑了图像的灰度信息 而不考虑图像的空间信息，阚值分割对噪声和灰度 不均匀很敏感．针对阈值分割方法的缺点，不少学者 提出了许多改进方法，如基于过渡区的方法【６ Ｊ、利用 像素点空间位置信息的变化阈值法＂ｌ、结台连通信 息Ｌ８ ｏ的阈值方法． 对于多目标的图像来讲，如何选取合适的阈值 是基于阈值分割方法的困难所在．至今仍有不少学 者针对该问题进行深入的研究，提出了许多新方法． 在近年来的自动选取阈值方法中，基于最大熵原则
基于二维Tsallis熵的改进PCNN图像分割
Ｚｈ ｎ ｄ ｎ ａ ｇ Ｙｕ ｏ ｇ Ｗ ｕ Ｌｅ ａ ｎ ｎ
（ ｃｏ ｌ ｆ ｎｏｍａｏ ｃｅｃ ｎ ｎｉｅｒ ｇ ｏ ｔ ａｔＵ ｉｅｓｙ Ｓｈ ｏ ｆｒ ｔ ｎＳ ｉ ｅａｄＥ ｇｎｅｉ ，Ｓ ｕｈ ｓ ｎｖｒｉ ，Ｎａｊ ｇ２ ０ ９ ，Ｃ ｉａ ｏＩ ｉ ｎ ｎ ｅ ｔ ｎｉ １０ ６ ｈｎ ） ｎ Ａ ｂ ｔ ａ ｔ：Ｉ ｒ ｅ ｏ ａ ｅｉ ｒ ｔ ｒ ｄ ｔｏ ａ ｍ ａ ｅ ｓ ｇ ｅ ａ ｉ ｎ， ａ ｍｐ ｏ ｅ ｌｅ ｃ ｕ ｌ ｄ ｎ ｕ ａ ｓｒ ｃ ｎ ｏ ｄ ｒ ｔ ｍ ｌｏ ａｅ ｔａ ｉｉ ｎ ｌｉ ｇ ｅ ｍ ｎｔｔｏ ｎ ｉ ｒ ｖ ｄ ｐｕ ｓ ｏ ｐ ｅ ｅ ｒ ｌ
中图分 类号 ： Ｎ ｌ ． ３ Ｔ ９ １７ 文献标 识 码 ：Ａ 文章 编号 ：１０ ０ ０ （ ０ ８ ０ －５ ９０ ０ １— ５ ５ ２ ０ ） ４０ ７ －６
Ｉ ａ ｅ ｓ ｇ ｅ ｔ ｔ ｎ ｂ ｓ ｄ ｏ Ｄ ａ ｌｓ ｅ ｔ ｏ ｙ ｍ ｇ ｅ ｍ ｎ ａ ｉ ａ ｅ ｎ ２ Ｔｓ ｌ ｎ ｒ ｐ ｏ ｉ ｗｉｈ ｉ ｐ ｏ ｅ ｕ ｓ ｏ ｐ ｅ ｅ ａ ｅ ｗｏ ｋｓ ｔ ｍ ｒ ｖ ｄ ｐ ｌ ｅ ｃ ｕ ｌ ｄ ｎ ｕｒ ｌｎ ｔ ｒ
基 于 二 维 Ｔ ａｌ 熵 的 改 进 Ｐ Ｎ 图 像 分 割 ｓｌｓ ｉ Ｃ Ｎ
张 煜 东 吴 乐 南
（ 东南大学信息科学与工程学 院 ， 南京 ２０ ９ ） １０ ６
摘 要 ：为 了改善 图像 分 割 的性 能 ，采用 改进 的脉 冲耦 合 神 经 网络 （ Ｃ Ｎ） 行 分 割 ，通 过 对 其 ＰＮ 进 内部 活 动项进 行 空不 变 的单 阈值 化分 割，来 达到 对原 图像 空 变 阈值 化分 割效果 ．另 外 分 割准 则 也作 了修 正 ，通过 计 算 图像 二 维直 方 图的 Ｔ ａ ｉ 熵 ， 到 二 维 Ｔ ａ ｉ ，以此作 为 图像 分 割 准 ｓｌ ｌｓ 得 ｓｌｓ熵 ｌ
（ ｃｏ ｌ ｆ ｎｏｍａｏ ｃｅｃ ｎ ｎｉｅｒ ｇ ｏ ｔ ａｔＵ ｉｅｓｙ Ｓｈ ｏ ｆｒ ｔ ｎＳ ｉ ｅａｄＥ ｇｎｅｉ ，Ｓ ｕｈ ｓ ｎｖｒｉ ，Ｎａｊ ｇ２ ０ ９ ，Ｃ ｉａ ｏＩ ｉ ｎ ｎ ｅ ｔ ｎｉ １０ ６ ｈｎ ） ｎ Ａ ｂ ｔ ａ ｔ：Ｉ ｒ ｅ ｏ ａ ｅｉ ｒ ｔ ｒ ｄ ｔｏ ａ ｍ ａ ｅ ｓ ｇ ｅ ａ ｉ ｎ， ａ ｍｐ ｏ ｅ ｌｅ ｃ ｕ ｌ ｄ ｎ ｕ ａ ｓｒ ｃ ｎ ｏ ｄ ｒ ｔ ｍ ｌｏ ａｅ ｔａ ｉｉ ｎ ｌｉ ｇ ｅ ｍ ｎｔｔｏ ｎ ｉ ｒ ｖ ｄ ｐｕ ｓ ｏ ｐ ｅ ｅ ｒ ｌ
中图分 类号 ： Ｎ ｌ ． ３ Ｔ ９ １７ 文献标 识 码 ：Ａ 文章 编号 ：１０ ０ ０ （ ０ ８ ０ －５ ９０ ０ １— ５ ５ ２ ０ ） ４０ ７ －６
Ｉ ａ ｅ ｓ ｇ ｅ ｔ ｔ ｎ ｂ ｓ ｄ ｏ Ｄ ａ ｌｓ ｅ ｔ ｏ ｙ ｍ ｇ ｅ ｍ ｎ ａ ｉ ａ ｅ ｎ ２ Ｔｓ ｌ ｎ ｒ ｐ ｏ ｉ ｗｉｈ ｉ ｐ ｏ ｅ ｕ ｓ ｏ ｐ ｅ ｅ ａ ｅ ｗｏ ｋｓ ｔ ｍ ｒ ｖ ｄ ｐ ｌ ｅ ｃ ｕ ｌ ｄ ｎ ｕｒ ｌｎ ｔ ｒ
基 于 二 维 Ｔ ａｌ 熵 的 改 进 Ｐ Ｎ 图 像 分 割 ｓｌｓ ｉ Ｃ Ｎ
张 煜 东 吴 乐 南
（ 东南大学信息科学与工程学 院 ， 南京 ２０ ９ ） １０ ６
摘 要 ：为 了改善 图像 分 割 的性 能 ，采用 改进 的脉 冲耦 合 神 经 网络 （ Ｃ Ｎ） 行 分 割 ，通 过 对 其 ＰＮ 进 内部 活 动项进 行 空不 变 的单 阈值 化分 割，来 达到 对原 图像 空 变 阈值 化分 割效果 ．另 外 分 割准 则 也作 了修 正 ，通过 计 算 图像 二 维直 方 图的 Ｔ ａ ｉ 熵 ， 到 二 维 Ｔ ａ ｉ ，以此作 为 图像 分 割 准 ｓｌ ｌｓ 得 ｓｌｓ熵 ｌ
基于脉冲耦合神经网络的火焰图像分割技术研究
科技且基于脉冲耦合神经网络的火焰图像分割技术研究厉谨李力(西安工程大学电信学院，陕西西安710048)／一￡}商耍】。
火妥是我们日常生活最常见的一种灾害。
目前已经出现了许多火灾探测的技术，如测温、感烟、感光等。
传统的火灾报警系统并‘‘不检测火焰本身，所以存在误报率高、捡测时间较长等钝最。
／．暖嗣阙】火焰图像；区域周长；PCN N火灾是我们日常生活最常见的一种灾害。
目前已经出现了许多火灾探测的技术，如测温、感烟、感光等。
传统的火灾报警系统并不检测火焰本身，所以存在误报率高、检测时间较长等缺点。
数字图像处理技术是研究模拟人眼功能来完成人们某些工作的一门学科。
图像型火灾探测报警技术就是把数字图像技术和火灾相结合，对图像中可能存在的火焰依据特征来进行识别并实现自动报警的目的。
利用基于PC N N分割的火焰图像检测方法来实现火灾预报与传统的方澍目比可以有效地提高预报精度、缩短预报时间。
物质燃烧时同时也产生光辐射，火灾的各种热物理现象存在着大量的红外辐射，本文采用3．6—4．6u m波段的红外C C D摄像头进行火灾图像的摄取。
1火焰图像有效信息的获取对-T--利用摄像机所拍摄的视频一般来说摄得的图像大部分时间内背景应该是比较一致的，只需相看一下判断有无异常情况，在这我采用的方法是将两帧图像进行差值运算，再来观察图像灰度是否发生变化。
此算法的运算量不大，能满足系统实时性的要求。
A Pi(X，y)=P I仅，y)一P(×，Y)n)其中，P；(×，Y)为当前需处理的图像，P(×，Y)为基准图像。
当△P i=0时表示无异常；A Pj≠O时，表示可能存在异常，则需进行更深入的判断。
2基予PC N N的火焰图像的分割和提取经过差值处理后的图像可能有多个疑似火源的目标区域，区域分割即是找出火焰疑似区域并将有特征信息的区域从背景中分离出来。
在这里采用了脉冲耦合神经网络来进行分割。
‘脉冲耦合神经网络是在生物模型启发下产生的一种图像处理算法，该模型具有对图像二维空间相似、灰度相似的相素进行分组的特点，并能减少图像局部灰度差值，弥补图像局部微小间断，这是其他图像分割无法比拟的特点。
- 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)。
Ｃｏｍ ｐ ｅ ｔ ａｒ ｄ ｗｉｈ ＢＰ ｕ ａ ｔ ｏ ｋ ｔ ａｎｉ ｐ ｅ ｓ ｇ ｅ ｔｙ ｉ ｐｒ ｖｅ ｎｅ ｒ ｌｎｅ ｗ ｒ ｒ ｉ ｎｇ ｓ ｅ ｄ ｉ ｒ ａ ｌ ｍ ｏ ｄ． Ｋ ＥＹＷ Ｏ ＲＤＳ ｉ ａ ｅ ｓ ｇ ｅ ａ ｉ ｍ ｇ ｅ ｍ ｎｔ ｔｏｎ， ｎｅ ｒ ｌｎｅ ｗｏｒ ｕ ａ ｔ ｋ， ｇ ｎｅ ｉ ｌ ｏｒｔ ｅ ｔｃ ａ ｇ ｉｈｍ
ｗ ｅｇｈｔ ｎｄ ｔ ｅ ｈ ｄｓ ｏ ｉ ｓ ａ ｈｒ ｓ ｏｌ ｆＢＰ ｅ ａ ｔ ｎ ｕｒ ｌｎｅ ｗｏｒ ｒ ｅ ｌｚ ｄ ｂ ｅ ｔｃ ａ ｇ ｉｈｍ ， ａ ｋ ａ ｅ ｒ ａｉｅ ｙ ｇ ｎｅ ｉ ｌ ｏｒｔ ｎｄ ａ ＢＰ ｕ ａ ｅｔ ｎｅ ｒ ｌｎ ｗｏｒ ｉｈ ｍ ｉ ｍ ｕｍ ｒ ｏｒｉ ｋ ｗ ｔ ｎｉ ｅ ｒ ｓ
ｄ ｓｇ ｅ ｅ ｉ ｎ ｄ，ａ ｄ ｔ ｅ ｓ ｕ ａ ｎ ｔ ｒ ｔ ｒ ｔｖ ｌ ｏ ｉｈ ｔ ｈ ｌｉ ｔ ｅ ｌ ｅ ｉ ｇ ｅ ｍｅ ｔ ｔ ｎ ｎ ｈ ｎ ｕ ｅ Ｎｅ ｒ ｌ ｅ ｗｏ ｋ ｉ ａ ｉ ｅａ ｇ ｒｔ ｍ Ｏ ｔ ｅｕ ｔ ｅ ｍａ ｅ ｒ ａ ｉ ｚ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ．Ｔｈ ｅ ｕ ｔ ｆＥｘ ｅ ｉ ｎ ａ ｏ ｅ ｒ ｓ ｌｓｏ ｐ ｒｍｅ ｔ ｌ ｓ ｏ ｔ ａ ｈ ｌ ｏ ｉ ｍ ｅ ｒ ｌ ｎ ｔ ｒ ａ ｅ ｔ ｒ ａ ｈ ｅ ｅ ｔ ｅ ｉ ｇ ｅ ｍ ｅ ｔ ｔ ｎ ， ｃ ｍｐ ｒ ｄ ｗｉｈ ｔ ｅ ｔ ａ ｉｉ ｎ ｌ ｍｅ ｈ ｄ； ｈ ｗ ｈ ｔ ｔ ｅ ａｇ ｒｔ ｈ ｎ ｕ ａ ｅ ｗｏ ｋ ｃ ｎ ｂ ｔｅ ｃ ｉｖ ｈ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ｏ ｏ ａ ｅ ｔ ｈ ｒ ｄ ｔ ａ ｔ ｏ ｏ
图像 分割就 是将 图像 表示 为有具体物理 意义 的连 通 区域集 合 。通 过对 图像 的不 同特征如边 缘 、 纹理 、 颜 色、 灰度 等 的分析 达 到 图像分 割 的 目的 ，分 割得 到 的 图像 区域 在特征 描 述上具 有相似 性 ，图像分 割是进 一 步对 图像 进行 分 析、 识别 、 理解 的基础 ， 割的准确 性 分 直接 影 响后续 任务 的有效 性 ，因此在 图像处 理 中具 有 重要 意义 。 利用 人工神 经 网络 分割 图像 的基本思 想就是用 训 练样 本 集对 神经 网络进行 训 练 ， 以确定 节点 间 的连 接 和权 值 ， 再用训 练好 的神经 网络分割 新的 图像数据 ｎ 。 ］ Ｂ Ｐ学 习算 法是 最著 名 的多层 前 向反 馈式 神经 网 络训 练算 法 之 一 ， 主要 思想 是 利用 已知 确定 结果 的样 本 其
模 ， 加 一个 隐层 是必要 的 ， Ｂ 增 但 Ｐ网络 隐层 数一 般不 超过 两层 。一般 习惯将 单 隐层前 馈 网称 为三层前 馈 网 （ 图 １， 见 ） 所谓 三层 包括 了输入 层 、 隐层 、 出层 。 输 １ ２ 输入 层的 节点数 ． 输 入层 起缓 冲 存储 器 的作 用 ， 接 收外部 的输入 它 数据 ， 因此其节 点数取决 于输 入矢 量 的维 数 。
基 于遗 传 神 经 网络 的 图 像 分 割
文 罩 编 号 ： ０ ３ ５ ５ （ ０ １ ０ — ０ ６０ １ ０ — ８ ０ ２ １ ） ２０ １ — ３
基 于 遗 传 神 经 网络 的 图 像 分 割
Ｉ ａ ｅ Ｓ ｇ ｅ ａ ｉ ｎ ｂ ｓ ｄ ｏ ｎｅ ｉ ｕ ａ ｔ ｒ ｍ ｇ ｅ ｍ ｎｔ ｔｏ ａ ｅ ｎ Ｇｅ ｔｃ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ
二
１ ３ 输 出层 的节点 数 ．
Ｋ
图 １ 典 型 的三 层 Ｂ 神经 网络 结 构 图 Ｐ， Ｐ网
梯 度算 法 进行 稳定 学 习要求 的学 习率 较 小 ， 以通常 所 学 习过 程收敛 速度很 慢 ， 很容 易陷入局部 极小点 ， 无法 严 格保证 每 次训 练 的收敛性和全 局最优 性 。若利 用遗 传算 法 的全局 寻优 能力和 隐含 的并行性 ， 自动搜 索 Ｂ Ｐ 网络最 优 的权 值和 阈值 ， 设计最 佳 的网络 ， 网络 能够 使 拟合 预定 的 目标 ， 实现提高 图像分割 性能 的 目的 ｊ 。 输 出层 的节 点 数取 决 于两 个 方面 ， 出数 据 类 型 输 和表 示该 类型所 需要 的数据 大小 。当 Ｂ 网络用 语模 Ｐ 式分 类 时 ， 以二 进制形 式来 表示不 同模式 的输 出结果 ， 则 输 出层 的节点 数 可根据 待分类 模式来确 定 。若设待 分 类模 式 总数为 ， 则有 两种 方法确 定输 出的节点 数 。 ① 节 点 数 即 为待 分类 模 式 总 数 ， 时对 应 第 此
张 月琴 胡 斌
（ 太原理 工大 学计算机 科 学与技 术 学院 太原 ０ ０ ２ ） ３ ０ ４ 【 摘 要 】提 出一种 基于遗传 神经 网络 的 图像分 割方 法。该方 法利 用遗 传算 法对 Ｂ 神经 网络 的权值 和 阈值进 行 Ｐ 优 化 ，设计 出误差 最小 的神经 网络 ，然后用神 经 网络 算法迭 代 实现 图像 的分割 。通 过 实验证 明 ：该 方 法与传 统 的图像分 割方法相 比，具有更好 的图像 分割效果 ；与 Ｂ Ｐ神经 网络相 比，训练速 度得 到很 大的提 高。 【 关键 词】 图像 分割 ，神 经 网络 ，遗传算 法
中图 分 类 号 ：ＴＰ１ ３ ８ 文 献 标 识 码 ：Ａ
ＡＢ ＴＲＡＣ Ｓ Ｔ Ｔｈ ａ ｅ ｒ ｖ ｄ ｓ ｔ ｅ ｍｅ ｈ ｄ ｏ ｈ ｅ ｅ ｉ ｅ ｒ ｌ ｎ ｔ ｒ ｏ ｍａ ｅ ｓ ｇ ｎ ａ ｏ ｅ ｐ ｐ ｒ ｐ ｏ ｉ ｅ ｈ ｔ ｏ ｆ ｔ ｅ ｇ ｎ ｔｃ ｎ ｕ ａ ｅ ｗｏ ｋ ｆ ｒ ｉ ｇ ｅ ｍｅ ｔ ｔ ｎ． Ｔｈ ｐ ｉ ｚ ｔｏ ｆ ｔ ｅ ｉ ｅｏ ｔ ｍｉａ ｉｎ ｏ ｈ
ｗ ｅｇｈｔ ｎｄ ｔ ｅ ｈ ｄｓ ｏ ｉ ｓ ａ ｈｒ ｓ ｏｌ ｆＢＰ ｅ ａ ｔ ｎ ｕｒ ｌｎｅ ｗｏｒ ｒ ｅ ｌｚ ｄ ｂ ｅ ｔｃ ａ ｇ ｉｈｍ ， ａ ｋ ａ ｅ ｒ ａｉｅ ｙ ｇ ｎｅ ｉ ｌ ｏｒｔ ｎｄ ａ ＢＰ ｕ ａ ｅｔ ｎｅ ｒ ｌｎ ｗｏｒ ｉｈ ｍ ｉ ｍ ｕｍ ｒ ｏｒｉ ｋ ｗ ｔ ｎｉ ｅ ｒ ｓ
ｄ ｓｇ ｅ ｅ ｉ ｎ ｄ，ａ ｄ ｔ ｅ ｓ ｕ ａ ｎ ｔ ｒ ｔ ｒ ｔｖ ｌ ｏ ｉｈ ｔ ｈ ｌｉ ｔ ｅ ｌ ｅ ｉ ｇ ｅ ｍｅ ｔ ｔ ｎ ｎ ｈ ｎ ｕ ｅ Ｎｅ ｒ ｌ ｅ ｗｏ ｋ ｉ ａ ｉ ｅａ ｇ ｒｔ ｍ Ｏ ｔ ｅｕ ｔ ｅ ｍａ ｅ ｒ ａ ｉ ｚ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ．Ｔｈ ｅ ｕ ｔ ｆＥｘ ｅ ｉ ｎ ａ ｏ ｅ ｒ ｓ ｌｓｏ ｐ ｒｍｅ ｔ ｌ ｓ ｏ ｔ ａ ｈ ｌ ｏ ｉ ｍ ｅ ｒ ｌ ｎ ｔ ｒ ａ ｅ ｔ ｒ ａ ｈ ｅ ｅ ｔ ｅ ｉ ｇ ｅ ｍ ｅ ｔ ｔ ｎ ， ｃ ｍｐ ｒ ｄ ｗｉｈ ｔ ｅ ｔ ａ ｉｉ ｎ ｌ ｍｅ ｈ ｄ； ｈ ｗ ｈ ｔ ｔ ｅ ａｇ ｒｔ ｈ ｎ ｕ ａ ｅ ｗｏ ｋ ｃ ｎ ｂ ｔｅ ｃ ｉｖ ｈ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ｏ ｏ ａ ｅ ｔ ｈ ｒ ｄ ｔ ａ ｔ ｏ ｏ
图像 分割就 是将 图像 表示 为有具体物理 意义 的连 通 区域集 合 。通 过对 图像 的不 同特征如边 缘 、 纹理 、 颜 色、 灰度 等 的分析 达 到 图像分 割 的 目的 ，分 割得 到 的 图像 区域 在特征 描 述上具 有相似 性 ，图像分 割是进 一 步对 图像 进行 分 析、 识别 、 理解 的基础 ， 割的准确 性 分 直接 影 响后续 任务 的有效 性 ，因此在 图像处 理 中具 有 重要 意义 。 利用 人工神 经 网络 分割 图像 的基本思 想就是用 训 练样 本 集对 神经 网络进行 训 练 ， 以确定 节点 间 的连 接 和权 值 ， 再用训 练好 的神经 网络分割 新的 图像数据 ｎ 。 ］ Ｂ Ｐ学 习算 法是 最著 名 的多层 前 向反 馈式 神经 网 络训 练算 法 之 一 ， 主要 思想 是 利用 已知 确定 结果 的样 本 其
模 ， 加 一个 隐层 是必要 的 ， Ｂ 增 但 Ｐ网络 隐层 数一 般不 超过 两层 。一般 习惯将 单 隐层前 馈 网称 为三层前 馈 网 （ 图 １， 见 ） 所谓 三层 包括 了输入 层 、 隐层 、 出层 。 输 １ ２ 输入 层的 节点数 ． 输 入层 起缓 冲 存储 器 的作 用 ， 接 收外部 的输入 它 数据 ， 因此其节 点数取决 于输 入矢 量 的维 数 。
基 于遗 传 神 经 网络 的 图 像 分 割
文 罩 编 号 ： ０ ３ ５ ５ （ ０ １ ０ — ０ ６０ １ ０ — ８ ０ ２ １ ） ２０ １ — ３
基 于 遗 传 神 经 网络 的 图 像 分 割
Ｉ ａ ｅ Ｓ ｇ ｅ ａ ｉ ｎ ｂ ｓ ｄ ｏ ｎｅ ｉ ｕ ａ ｔ ｒ ｍ ｇ ｅ ｍ ｎｔ ｔｏ ａ ｅ ｎ Ｇｅ ｔｃ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ
二
１ ３ 输 出层 的节点 数 ．
Ｋ
图 １ 典 型 的三 层 Ｂ 神经 网络 结 构 图 Ｐ， Ｐ网
梯 度算 法 进行 稳定 学 习要求 的学 习率 较 小 ， 以通常 所 学 习过 程收敛 速度很 慢 ， 很容 易陷入局部 极小点 ， 无法 严 格保证 每 次训 练 的收敛性和全 局最优 性 。若利 用遗 传算 法 的全局 寻优 能力和 隐含 的并行性 ， 自动搜 索 Ｂ Ｐ 网络最 优 的权 值和 阈值 ， 设计最 佳 的网络 ， 网络 能够 使 拟合 预定 的 目标 ， 实现提高 图像分割 性能 的 目的 ｊ 。 输 出层 的节 点 数取 决 于两 个 方面 ， 出数 据 类 型 输 和表 示该 类型所 需要 的数据 大小 。当 Ｂ 网络用 语模 Ｐ 式分 类 时 ， 以二 进制形 式来 表示不 同模式 的输 出结果 ， 则 输 出层 的节点 数 可根据 待分类 模式来确 定 。若设待 分 类模 式 总数为 ， 则有 两种 方法确 定输 出的节点 数 。 ① 节 点 数 即 为待 分类 模 式 总 数 ， 时对 应 第 此
张 月琴 胡 斌
（ 太原理 工大 学计算机 科 学与技 术 学院 太原 ０ ０ ２ ） ３ ０ ４ 【 摘 要 】提 出一种 基于遗传 神经 网络 的 图像分 割方 法。该方 法利 用遗 传算 法对 Ｂ 神经 网络 的权值 和 阈值进 行 Ｐ 优 化 ，设计 出误差 最小 的神经 网络 ，然后用神 经 网络 算法迭 代 实现 图像 的分割 。通 过 实验证 明 ：该 方 法与传 统 的图像分 割方法相 比，具有更好 的图像 分割效果 ；与 Ｂ Ｐ神经 网络相 比，训练速 度得 到很 大的提 高。 【 关键 词】 图像 分割 ，神 经 网络 ，遗传算 法
中图 分 类 号 ：ＴＰ１ ３ ８ 文 献 标 识 码 ：Ａ
ＡＢ ＴＲＡＣ Ｓ Ｔ Ｔｈ ａ ｅ ｒ ｖ ｄ ｓ ｔ ｅ ｍｅ ｈ ｄ ｏ ｈ ｅ ｅ ｉ ｅ ｒ ｌ ｎ ｔ ｒ ｏ ｍａ ｅ ｓ ｇ ｎ ａ ｏ ｅ ｐ ｐ ｒ ｐ ｏ ｉ ｅ ｈ ｔ ｏ ｆ ｔ ｅ ｇ ｎ ｔｃ ｎ ｕ ａ ｅ ｗｏ ｋ ｆ ｒ ｉ ｇ ｅ ｍｅ ｔ ｔ ｎ． Ｔｈ ｐ ｉ ｚ ｔｏ ｆ ｔ ｅ ｉ ｅｏ ｔ ｍｉａ ｉｎ ｏ ｈ