3615924+胡晓伟.docx

3615924+胡晓伟.docx

《3615924+胡晓伟.docx》由会员分享，可在线阅读，更多相关《3615924+胡晓伟.docx（35页珍藏版）》请在冰豆网上搜索。

3615924+胡晓伟

本科毕业设计

基于简化单层迭代神经网络的灰度图像签名技术研究

姓名

胡晓伟

学院

信息与电气工程学院

专业

电子信息工程

年级

2011

学号

20113615924

指导教师

寇光杰

2015年5月4日

独创声明

本人郑重声明：

所呈交的毕业论文（设计），是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议。

尽我所知，除文中已经注明引用的内容外，本论文（设计）不含任何其他个人或集体已经发表或撰写过的作品成果。

对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。

此声明的法律后果由本人承担。

作者签名：

年月日

毕业论文（设计）使用授权声明

本人完全了解鲁东大学关于收集、保存、使用毕业论文（设计）的规定。

本人愿意按照学校要求提交论文（设计）的印刷本和电子版，同意学校保存论文（设计）的印刷本和电子版，或采用影印、数字化或其它复制手段保存论文（设计）；同意学校在不以营利为目的的前提下，建立目录检索与阅览服务系统，公布论文（设计）的部分或全部内容，允许他人依法合理使用。

（保密论文在解密后遵守此规定）

论文作者：

年月日

毕业设计开题报告

姓名

胡晓伟

学院

信息与电气工程学院

年级

2011

学号

20113615924

题目

基于简化单层迭代神经网络的灰度图像签名技术研究

课题来源

科研

课题类别

应用研究

选题意义（包括科学意义和应用前景，研究概况，水平和发展趋势，列出主要参考文献目录）：

图像签名技术是计算机网络中实现基于内容的图像检索的核心技术之一，本课题采用的是基于哺乳动物视觉系统提出的单层迭代神经网络模兴简化之后进行的图像签名，具体研究内容包括学习单层迭代神经网络的工作原理及网上图像检索系统的工作原理，研究利用单层迭代神经网络技术进行灰度图像签名的方法，设计出实际运行的灰度图像签名系统。

签名技术是图像检索系统普遍使用的技术，可以用于对某个对象进行唯一的标识。

单层迭代神经网络是根据对动物的大脑视觉皮层同步脉冲发放所获得的实验结果分析得到的，故其可应用于图像处理、图像识别，这是有其生物学上依据的。

1999年，Izhikevich在数学上严格证明了实际的生物细胞模型与单层迭代神经网络模型是一致的，所不同的只是变量的坐标。

研究表明，单层迭代神经网络可用于图像平滑、图像分割、图像凹点搜索、图像边缘检测、图像融合、图像分解、图像识别，还可应用于运动目标检测、最优路径求解、语音信号分离、通讯中的同步、通讯中的路由选则等方面。

单层迭代神经网络是新一代的人工神经网络，用于特征提取具有平移、旋转、尺度及扭曲等的不变性，同时还有很好的抗噪声，以上特性正是图像检索系统所追求的目标。

主要参考文献：

[1]余农,李吉成.图像滤波的形态学的开、闭型神经网络算法[J].电子与信息学报,2001,23（11）:

1220-1224.

[2]章毓晋.图像处理和分析基础[M].北京:

高等教育出版社,2002,180-181.

[3]马义德,戴若兰,李廉.一种基于脉冲耦合神经网络和图像熵的自动化图像分割方法[M].通信学报,2002.23

（1）:

46-51.

[4]顾晓东,张立明.PCNN与数学形态学在图像处理中的等价关系[J].计算机辅助设计与图形学学报.2004,16（8）:

1092-1093.

研究主要内容和预期结果（说明具体研究内容和拟解决的关键问题，预期结果和形式，如在理论上解决哪些问题及其价值，或应用的可能性及效果）：

主要内容：

（1）数字图像处理基本知识。

（2）单层迭代神经网络与特征提取。

（3）单层迭代神经网络应用于图像处理中。

（4）结果的对比与分析。

关键问题：

（1）数字图像处理。

数字图像都有哪些基本特点，主要应用领域是什么，其优点又是什么，这些东西都是需要去深入研究的。

（2）单层迭代神经网络的模型。

模型的建立，特征提取。

这两个方面都是很重要的。

模型的建立和提取需要基于单层迭代神经网络和MATLAB来实现，所以，就需要深入去研究单层迭代神经网络和MATLAB，这些都是必不可少的。

（3）如何将单层迭代神经网络和MATLAB两者之间密切的联系，整合起来，来进行课题研究，进行灰度图像数字签名技术的研究。

需要掌握的一些知识和一些必要的方法：

（1）深入了解基于MATLAB程序设计语言，图像处理与分析工具的函数调用和应用;。

（2）单层迭代神经网络及图像检索技术进行初步分析，了解单层迭代神经网络模型并了解其历史与发展历程，知道现有图像特征提取技术和图像检索技术的优点与缺陷。

（3）单层迭代神经网络模型针对现有的灰度图像特征提取技术进行改进，使其能够根据图像本身特点进行处理。

（4）在改进的基础上，查看所做改进是否完善，功能是否欠缺，后充实内容，各种操作能否达到预期效果等等。

（5）对完成的结果进行最后的试用并修改细节。

拟采取的研究方法和技术路线（包括理论分析、计算，实验方法和步骤及其可行性论证，可能遇到的问题和解决方法，以及研究的进度与计划）：

研究方法：

查询文献、咨询老师、网络进行研究，运用实验、比较、模拟等来实现结果。

技术路线：

（1）数字图像基本知识,数字图像检索的相关知识点的介绍与分析。

（2）单层迭代神经网络模型的研究及应用单层迭代神经网络应用于图像特征提取和图像检索技术。

（3）利用简化的单层迭代神经网络进行图像处理，将实现结果进行对比,并对结果进行分析与总结。

（4）程序模块功能设计，完成各个功能所需代码。

可能遇到的问题及解决方法：

（1）单层迭代神经网络模型的研究，需要根据其基本的模型进行算法运算。

（2）MATLAB程序设计，需要根据单层迭代神经网络，做出算法设计，完成所需要的代码。

进度和计划：

2015.01.05—2015.01.20：

深入了解题目，明确题目，搜集资料。

2015.01.21—2015.02.05：

整合搜集的资料，撰写开题报告。

2015.02.06—2015.04.25：

撰写论文，形成初稿。

2015.02.26—2015.05.16：

修改论文，准备答辩。

指导教师意见（对论文选题的意义、应用性、可行性、进度与计划等内容进行评价，填写审核结果：

同意开题、修改后再开题、不同意开题）：

签名：

年月日

学院毕业论文（设计）领导小组意见：

（签章）

年月日

毕业设计结题报告

姓名

胡晓伟

学院

信息与电气工程学院

年级

2011

学号

20113615924

题目

基于简化单层迭代神经网络的灰度图像签名技术研究

课题来源

科研

课题类别

应用研究

本课题完成情况介绍（包括研究过程、实验过程、结果分析、存在的问题及应用情况等。

）

通过几个月的搜集资料，查找资料和询问老师，对单层迭代神经网络进行了深入分析研究，解决了单层迭代神经网络在灰度图像特征值提取中的部分问题，拓展了单层迭代神经网络应用范围。

本文利用单层迭代神经网络，然后简化该模型得到了对应于不同灰度值的二值图像序列，计算序列中每幅灰度图像的熵序列，其一维的特征矢量作为图像签名，从而更好地说明单层迭代神经网络可以作为签名的特点。

指导教师评语：

签名：

年月日

学院毕业论文（设计）领导小组意见：

（公章）

年月日

指导教师

评定成绩

毕业设计成绩评定表

学院：

信息与电气工程学院学号：

20113615924

姓名

胡晓伟

总成绩

题目

基于简化单层迭代神经网络的灰度图像签名技术研究

评

阅

人

评

语

评定成绩评阅人（签名）：

年月日

答

辩

小

组

评

语

答辩成绩：

答辩组成员（签名）：

年月日

注：

总成绩=指导教师评定成绩（40%）+评阅人评定成绩（20%）+答辩成绩（40%），将总成绩由百分制转换为五级制，填入本表相应位置。

目录

1引言2

2数字图像处理和签名技术概述2

2.1数字图像处理概述2

2.1.1图像与数字图像处理的定义2

2.1.2数字图像处理的目的2

2.1.3数字图像处理的基本特点3

2.1.4数字图像处理的技术内容3

2.1.5数字图像处理的主要应用4

2.2图像签名技术概述4

2.2.1基于颜色特征的图像检索4

2.2.2基于形状特征的图像检索5

2.2.3基于纹理特征的图像签名5

2.2.4基于单层迭代神经网络的图像签名5

3单层迭代神经网络基本知识5

3.1单层迭代神经网络模型理论概述5

3.2单层迭代神经网络模型的建立6

3.3单层迭代神经网络模型的应用领域7

4基于简化单层迭代神经网络的灰度图像签名技术的原理8

4.1时间序列8

4.2熵序列8

4.3简化单层迭代神经网络模型8

4.4简化单层迭代神经网络的灰度图像签名思路9

5基于简化单层迭代神经网络的灰度灰度图像签名的实现10

5.1基于简化单层迭代神经网络的MATLAB介绍10

5.1.1MATLAB简介10

5.1.2MATLAB基本组成10

5.1.3MATLAB的M文件10

5.1.4程序调试和运行11

5.2基于简化单层迭代神经网络模型的MATLAB实现11

5.3基于简化单层迭代神经网络的灰度图像签名仿真结果分析12

5.3.1时间序列和熵序列的比较及分析12

5.3.2图像调整后的熵序列的比较及分析14

5.3.3不同图像的熵序列的比较及分析15

5.3.4图像的熵序列的相似度的计算比较及分析17

6结束语17

致谢18

附录20

基于简化单层迭代神经网络的灰度图像签名技术研究

胡晓伟

（信息与电气工程学院，电子信息工程专业，2011级1班，20113615924）

摘要：

数字签名技术普遍应用于各种信息检索系统中。

近些年来，由于受哺乳动物的视觉神经系统的启发，提出的单层迭代神经网络也可以用于数字签名。

简化的单层迭代神经网络模型具有尺度、旋转、平移、扭曲不变的特点，可用于特征提取，同时还具有很好的抗噪声的特点。

因此，可以根据其得到的灰度值的二值图像序列计算出序列中每幅灰度图像的熵序列，然后利用其特征矢量作为图像签名。

实验的结果表明，图像签名技术不仅仅能降低特征向量的维数，还能对噪声具有很强的鲁棒性。

关键词：

灰度图像;签名技术;单层迭代神经网络

GrayScaleImageSignatureTechnologyBasedonSimplifiedSingleIterativeNeuralNetwork

HuXiaowei

（MajorofElectronicInformationEngineering,SchoolofInformationandElectricalEngineering）

Abstract:

Digitalsignaturetechnologyiswidelyusedinallkindsofinformationretrievalsystem.Inrecentyears,inspiredbythevisualnervoussystemofmammals,single iterative neuralnetworkcanalsobeusedfordigitalsignature.Havethescale,rotation,translationanddistortioninvariantfeaturessimplifiedsingleiterativeneuralnetworkmodelcanbeusedforfeatureextraction,atthesametime,alsohasagoodantinoisecharacteristics.Therefore,wecancalculatetheentropysequenceofeachimageinthesequenceaccordingtothetwovalueimagesequenceitgrayvalueobtained,thenusethefeaturevectorasimagesignature.Theexperimentalresultsshowthat,theimagesignaturetechnologycannotonlyreducethedimensionoffeaturevector,butalsohasastrongrobustnesstonoise.

Keywords:

Grayscaleimage;Signaturetechnology;Single iterative neuralnetwork

1引言

随着互联网科学技术和多媒体的高速发展，人们每天都在接收着数以万计的图像信息。

在其中，既有无用的图像信息，也有梦寐以求的图像信息。

那么，如何从海量的大数据中找到我们所需要的有用信息，便成了一个迫切并且有实际意义的研究方向。

实现图像检索的核心技术之一便是签名技术，本课题采用的是通过对猫的视觉皮层实验，得到的单层迭代神经网络的模型，然后将此模型进行简化，从而对灰度图像进行签名的研究，具体的研究内容包括了解并学习单层迭代神经网络工作的原理和过程，研究利用单层迭代神经网络技术进行图像签名的方法，然后设计出实际运行的灰度图像签名系统。

2数字图像处理和签名技术概述

2.1数字图像处理概述

2.1.1图像与数字图像处理的定义

图像：

是一种通过各种各样的观测工具或者系统得到的可以直接或间接地作用于人的眼睛而产生出的视觉的实体。

灰度图像：

把白色与黑色之间按按照一定的关系分为若干等级，称之为灰度，用灰度表示的图像则称作灰度图像。

数字图像：

是指将连续变化的模拟图像，比如光学图像，经过离散化的处理之后，得到的可以用于计算机辨别处理的点阵图像。

数字图像处理：

就是将数字图像根据某些特定的算法进行处理，来达到某种可以使用的目的。

其基础是数学，主要的任务时进行各种算法和算法的实现。

2.1.2数字图像处理的目的

（1）提高图像视觉感受，以此来获得赏心悦目的感觉，比如旧相片的翻新。

（2）提取图像中的某些特殊信息或者特征，以便于计算机进行分析和处理。

（3）将图像进行一系列的变换、编码或压缩处理后，可以让数字图像更容易的进行储存和传送。

2.1.3数字图像处理的基本特点

（1）数字图像处理的信息大多数是二维的，因此图像的处理过程就变成了一个庞大的数据工作量。

（2）图像中各像素之间的相关性强。

比如在图像上，相似或者相仿的灰度所具有的像素都十分接近的。

（3）占用频带较宽。

例如，电视图像的所占带宽大约是5.6MHz，但是语音所占的信息带宽却只有4KHz。

（4）不同的人对图像的评价质量是不同的。

由于数字图像处理之后，是给人进行评价和观察的，由于人的情绪、爱好或者受环境因素的变化，评价的结果也是不尽相同的。

（5）图像处理技术所需知识较多。

对一幅图像进行处理，不仅仅要包含一般的基础，还需要大量的专业知识支持，涉及的方面面很多，比如电子信息技术、计算机技术，物理和数学专业等。

此外，还需要更专业的知识的支撑，比如神经网络系统，傅立叶变换等。

2.1.4数字图像处理的技术内容

根据数字图像的抽象程度，可以将数字图形处理分为：

狭义的图像处理、图像分析、图像理解，如下图表1所示：

表1图像处理的层次关系

狭义的图像处理

图像分析

图像理解

抽象程度

低

------------

高

数据量

大

------------

小

语义

低层

------------

高层

图像处理就是通过一系列的算法处理，来获得人们的视觉感觉或者计算机系统所能识别应用的图像过程。

数字图像处理根据不同领域的专业要求，又细化出了更多的科研方向：

（1）图像变换：

如果我们立刻把所需要的图像放在空间域中进行变换的话，那么这个图像的计算量将会变的很大，这是由图像的阵列很大造成的。

为此，我们就需要将图像进行某种变化，比如傅立叶变换，离散变换等间接对图像进行处理，这样可以大大的减少计算量，提高效率。

（2）图像的增强与复原：

主要是增强图像中的有用部分，使噪声和干扰在图像中得到减弱，经处理后使图像更加的清晰，以便于让计算机能更好的进行图像处理与分析。

（3）图像压缩与编码：

在保证一定的保真度下，可以对图像进行合适的编码，压缩图像，将大的数据量进行压缩，以便用于图像的存储和传输。

（4）图像分割：

从图像中提出图像的本质特征。

图像的识别、分析和理解都是以图像分割为基础的，是图像处理的基础。

（5）图像特征提取：

对图像包含的内容经过某些预处理，比如纹理或者目标提取，进行特征提取，然后从中提取到有效信息。

2.1.5数字图像处理的主要应用

（1）在生物医学中：

显微镜下的图像处理，核磁共振、生物中的超声波等。

（2）在遥感航天中：

农林资源的调查，地理测绘，环境污染检测等。

（3）在工业应用中：

石油的勘探，生产自动化控制等。

（4）在军事上在公安范畴中：

军用雷达的图像分析与处理，虚拟仿真等。

（5）在生活应用中：

用于照片翻新，身份认证等。

（6）在其他方面的应用，如电视会议，现场视频管理等。

2.2图像签名技术概述

自从发明了计算机以来，与计算机相关的科学技术都在迅猛地发展，全世界的数字图像也成指数增长，每时每刻都在产生着数以万计的图像。

我们无法将对我们有用的信息从浩瀚的图像中挑选出来，于是，这就要求我们有一种技术，用来快而准地查找到我们要访问的图像。

传统的图像检索方法是运用文本图像的方式来进行的。

图像的检索其实就是关键字的查找，而不是进行合适的分析和根据实际的内容来进行检索和匹配。

那么检索质量就全部在于，与图像有关的全部文字信息和所检索的全部图像的相关性，所以，很有必要引入基于内容的图像检索。

图1图像检索示意图

2.2.1基于颜色特征的图像检索

基于颜色的检索是一个最简单常用的方法。

颜色是一个物体的固有属性，是图像的根本的组成部分，是人们最基本的感受图像的来源，所以，我们可以通过物体的颜色来区分不同的物体。

2.2.2基于形状特征的图像检索

形状一般通过封闭的曲线弧度来描述的,其主要包括有:

直线段描述、高斯参数曲线、傅立叶描述等。

一般形状描述存在的问题有：

描述形状的特征不单只是靠形状的大小，还要靠描述的位置和方向来表示，这些表示的形状边界信息是非常容易丢失的，以至于无法获得合乎理想的结果。

2.2.3基于纹理特征的图像签名

图像的基本纹理特征主要有：

粗糙度、对比度和方向度。

运用结构方法、统计方法和空间/频率域相结合的方法，然后将结构进行统计分析，最后再作为图像的索引。

纹理特征不依赖于颜色或者形状而可以直接反应出图像中的视觉特征，可以从微观上很容易的区分出物体的不同点。

2.2.4基于单层迭代神经网络的图像签名

单层迭代神经网络的签名技术近些年来经常被用于计算机的检索系统中，其可以做为对图像的唯一标示。

单层迭代神经网络的优势在于：

签名的长度固定不变，可以使得检索、存储等非常高效率地完成。

在存储中，利用签名技术，可以节省大量的空间，而且更容易实现图像的检索。

在图像搜索匹配中，可以根据图像的内容进行签名，用匹配内容的签名来实现图像的检索，从而实现大规模的图片的检索。

3单层迭代神经网络基本知识

3.1单层迭代神经网络模型理论概述

单层迭代神经网络是Eckhorn通过在猫的大脑视觉皮层中模拟的实验，通过实验结果，得到了和特征有关联的神经元的同步行为[3]，得到了脉冲耦合神经网络PCNN（PulseCoupledNeuralNetwork）从而建立起来了一个简化模型，并最终演化为一种模型：

单层迭代神经网络。

单层迭代神经网络的主要特征是，在神经元相互作用和对时间空间的全部相加下，通过不应期现象和脉冲捕获，能很好地模仿出生物神经元的特性。

单层迭代神经网络在图像处理、优化领域，显示了其强大的优势，并对灰度图像的签名技术具有非常重要的意义，可以迅速而准确的检索出大量的图像。

3.2单层迭代神经网络模型的建立

单层迭代神经网络模型是从Eckhorn提出的单层迭代神经网络模型变形修改后得到的。

该单层迭代神经网络的模型是从真实的神经元细胞中的简化和高度相似而得到的，影响神经元细胞的因素还有很多，比如，所处的环境和细胞的寿命长短等，但单层迭代神经网络模型对这些因素并未加入分析。

图2单层迭代神经网络中单个神经元的模型

该模型总共分成三个部分：

接收域、调制部分、脉冲产生部分。

接受域区域负责接收来自其它神经细胞的刺激输入或者外部的信号。

当接受部分获得到信号后，就会通过接紧邻的两条通道来传输：

F通道和L通道。

其中，前者的脉冲响应要比后者的脉冲响应慢得多。

（1）

（2）

（3）

（4）

（5）

式

（1）

（2）中的Wkj与Mkj代表着突触连接权,

与

均代表着有关时间的不变量；Ij与Jj则代表着输入一个常量。

在调制部分，则是把信号Lｊ与一个数值为1的偏移量相加后，再与Fｊ进行相乘调制，其中βｊ代表的是连接强度。

相乘调制得到的结果就可以用Uｊ表示，然后将其结果和变化迅速的信号叠加在一起，此时得到的结果的近似值就可以作为近似于常量的信号上了[4]。

模型的第三部分则是由可以自由调整阈值大小的比较器和脉冲发生器组成的，阈值大小是随着时间的变化而变化的。

当一个发出的脉冲信号被神经元捕获后，通过其自身的反馈，神经细胞的阈值就在瞬间得到增大。

当Uj被神经细胞的θj超过时，脉冲发生器紧接着就会停止发放信号。

这时，阈值就瞬时迅速下降（一般呈指数下降），当Uｊ高于θj时，脉冲发生器此时就又被打通了，此时神经细胞被成功点火，即刺激成功，获得一个脉冲序列。

式（5）中，

则表示关于时间的一个不变常数，

表示幅度系数。

式（5）表示的是：

每当神经细胞被点火后就会得到一个脉冲信号，此时是个阶跃函数。

将连续的神经细胞相互连接起来组成一个网络，就形成了一个单层迭代的神经网络。

用单层迭代的神经网络处理灰度图像时，一般将像素和一个神经细胞一一对应起来。

通过计算，得到其点火频率为：

（6）

捕捉时间的宽度为：

（7）

3.3单层迭代神经网络模型的应用领域

（1）图像分割。

采用单层迭代神经网络进行的图像分割，可以对不同层次的图像进行分割，是一种更自然的方式，由于其不用进行预处理图像，所以会更加的自然。

（2）图像的边缘检测。

在分割的基础上，就可得到图像的边缘。

（3）图像识别检测。

由于每个像素都分别对应于每一个神经细胞，而每个神经细胞又与相邻的神经细胞连接在一起，那么当记下每次迭代的神经细胞的个数，便可以得到一个该图像的特征序列，从而可以识别出该图像。

（4）图像的医学领域。

由于其本身是从哺乳动物的视觉系统中得到的，所