基于BP神经网络的水下目标识别方法研究

摘要

近年来，随着海洋研究和开发的不断深入以及国防的需要，智能水下机器人得到了广泛应用。由于水下机器人经常需要在恶劣且复杂多变的环境中作业，因此其视觉系统显得尤为重要。本论文结合课题“水下机器人运动控制仿真研究”对水下机器人的水下目标光视觉识别系统进行研究。
　　水下目标的图像分割和模式识别技术是水下目标光视觉识别系统中的两个重要环节。本论文的目的就是通过课题相关理论学习，研究一套实时处理能力强、鲁棒性高的图像分割和目标识别方法，并以此为基础构建一个基于“光视觉”的水下目标识别系统。本论文主要在图像增强、图像分割、特征值选取以及目标识别方法四个方面做了研究工作。
　　首先，针对水下图像的对比度比较差，图像的直方图分布不均衡的缺点，研究了基于最大熵原理的图像增强算法，增强了图像对比度，使得目标和背景的分界更加明显;
　　其次，针对水下图像受光照不均影响较大的缺点，研究了基于遗传算法的最大类间方差法，有效减少了光照不均对图像分割的影响，更迅速准确的分割出水下目标;
　　再次，针对Hu氏不变矩在离散情况下受比例因子影响较大的缺点，构造了6个同时具有平移、旋转和比例因子不变性的新不变矩，增强了特征值聚类性;
　　最后，针对BP神经网络本身存在收敛速度慢和容易陷入局部最优的缺点，引入动量因子和自适应调整学习率，对传统的BP神经网络进行改进。并且将全部像素信息和新不变矩特征分别作为输入，实验结果表明，以新不变矩特征作为改进的BP神经网络的输入，有效提高了水下目标识别准确率和鲁棒性。
　　本论文通过在图像增强、图像分割、特征值选取以及目标识别方法四个方面的研究，研究了一套水下目标光视觉识别系统。实验结果表明，针对水下目标的图像增强、图像分割和识别任务，本文研究的方法是可行且有效的，在水下目标光视觉识别技术中有着一定的现实意义。

目录

声明

摘要

第1章 绪论

1．1 概述

1．2 国内外研究现状

1．2．1 国内的研究现状

1．2．2 国外的研究现状

1．3 课题来源及研究意义

1．4 论文的主要工作及安排

第2章 基于最大熵原理的图像增强

2．1 引言

2．2 图像灰度化

2．3 常用的图像增强算法

2．3．1 直方图均衡化

2．3．2 灰度调整

2．4 基于最大熵原理的图像增强技术研究

2．4．1 最大熵直方图均衡化原理

2．4．2 实验结果与分析

2．5 中值滤波

2．6 本章小结

第3章 基于遗传算法的最大类间方差法的水下图像分割

3．1 引言

3．2 图像分割

3．3 全局阈值分割算法

3．3．1 基于迭代算法的水下图像分割

3．3．2 基于最大类间方差算法的水下图像分割

3．3．3 基于遗传算法的水下图像分割

3．3．4 基于遗传算法的最大类间方差法的水下图像分割

3．4 实验结果与分析

3．5 动态阈值分割算法

3．6 边缘提取

3．7 图像形态学操作

3．8 本章小结

第4章 水下目标的不变矩特征提取

4．1 引言

4．2 水下目标的不变矩特征提取

4．2．1 不变矩特征提取

4．2．2 图像的不变矩特征量及其改进算法

4．3 新不变矩特征提取实验与分析

4．4 本章小结

第5章 基于BP神经网络的水下目标识别

5．1 引言

5．2 BP神经网络

5．2．1 BP神经网络概述

5．2．2 BP神经网络的结构

5．2．3 BP神经网络学习过程

5．3 BP算法的改进

5．4 BP神经网络参数的选择

5．5 实验结果与分析

5．5．1 以全部像素信息作为输入的BP神经网络水下目标识别

5．5．2 以新不变矩特征作为输入的BP神经网络水下目标识别

5．6 本章小结

第6章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢