积分商城

最新搜索： ffmc 安全要求 毫米波雷达 电路与模拟电子技术 ST7735S中文手册 stm32f
您现在的位置是：首页 > 技术资料 > 基于Python语言的图像识别算法设计
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于Python语言的图像识别算法设计

更新时间：2019-12-21 12:08:17 大小：2M 上传用户：songhuahua查看TA发布的资源 标签：python图像识别算法人工神经网络BP神经网络图像识别 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

人工神经网络这一技术自近年发明以来,受到了国内外业界的广泛关注,各个领域的科学研究人员对其进行了深入的研究,也取得了较为丰富的成果,例如采用BP神经网络对图像质量进行智能评价等。通常的BP神经网络,其输入是纯数值型的,所以需要先对待识别图像作特征提取,文章提出了一种新的BP神经网络图像识别方法,将图像数据整体作为BP神经网络的输入,大大提高了识别效率。最后,文章采用Python语言对该方法进行了实现。结果表明,该方法成功率高,且抗干扰能力强。


部分文件列表

文件名 大小
基于Python语言的图像识别算法设计.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
第12期  
江苏科技信息  
No.12  
2019年4月  
Jiangsu Science & Technology Information  
April，2019  
基于Python语言的图像识别算法设计  
陈 倩，陈建敏  
（黄山职业技术学院，安徽 黄山 245000）  
摘
要：人工神经网络这一技术自近年发明以来，受到了国内外业界的广泛关注，各个领域的科学  
研究人员对其进行了深入的研究，也取得了较为丰富的成果，例如采用 BP 神经网络对图像质量进  
行智能评价等。通常的 BP 神经网络，其输入是纯数值型的，所以需要先对待识别图像作特征提  
取，文章提出了一种新的 BP 神经网络图像识别方法，将图像数据整体作为 BP 神经网络的输入，大  
大提高了识别效率。最后，文章采用 Python 语言对该方法进行了实现。结果表明，该方法成功率  
高，且抗干扰能力强。  
关键词：Python；人工神经网络；BP 神经网络；图像识别  
中图分类号：TF325.69  
文献标识码：A  
0
引言  
于人类的阅读习惯，这一特点能够让使用者将更多的  
时间用于解决问题而不是去学习语言，因此，对于初  
学者来说Python语言非常友好。  
人工神经网络得益于其较强的适应能力和学习  
能力，已经成为深度学习不可或缺的重要组成部分，  
在各个领域，尤其是在非线性数据的分析中得到了快  
速的发展和应用。图像识别的过程中，由于影响因素  
较多，且需要处理的数据多为非结构化，甚至不完整  
的数据，传统的分析模型处理起来往往力不从心。而  
相比较而言，人工神经网络模型在处理多维、非线性  
问题的时候其优势就极为明显，本文所采用的 BP 神  
经网络是使用误差逆扩散算法进行训练的多层、前馈  
神经网络模型，只需对BP神经网络中的结构、权值和  
阈值加以适当调整，模型就可以满足大量非线性映射  
关系的学习和存储要求，所以非常适合将其应用于各  
种图像的分析和识别。  
1.2.2 可移植性较好  
在计算机内部，Python解释器把源代码转换成字  
节码，然后再将其翻译成机器语言执行，所以使用者  
不用担心程序如何编译、如何连接正确的库等问题，  
这些特点使得 Python 编写的程序更加易于移植。而  
且Python还是一种开源语言，所以很多平台都对其进  
行了移植，例如Linux，Windows和各种linux平台。  
1.2.3 扩展性和可嵌入性较强  
如果编程者希望获得更快的运行速度，或是不公  
开某些关键算法，那么可以先用 C/C++编写该段代  
码，然后在Python程序中调用它们。反过来也可以把  
Python 嵌入写好的 C/C++程序中，从而向用户提供脚  
本功能。  
1
Python语言简介  
1.1 Python及其发展历程  
Python最早于20世纪80年代由荷兰国家数学和  
计算机科学研究所的 Guido Van Rossum 发明［1］，它是  
一种高级脚本语言，结合了编译性、解释性、互动性和  
面向对象的特点，且遵循GNU通用公共许可证（GNU  
General Public License，GPL）协议。目前，Python由一  
个核心开发团队在进行维护，Guido van Rossum 则继  
续发挥着重要作用，并对维护团队的工作进行指导。  
1.2 Python语言主要优点  
2
人工神经网络  
2.1 人工神经网络及其分类  
2.1.1 人工神经网络  
人工神经网络（Artificial Neural Network，ANN），  
又称为神经网络或类神经网络，自 20 世纪 80 年代提  
出以来，一直都是人工智能领域的研究热点，特别是  
最近的十多年，随着对人工神经网络的研究进程不  
断推进，其应用领域不断拓展，已经成功解决了许多  
现代计算机难以解决的问题，在自动控制、智能预  
测、模式识别、生物制药等领域表现出了良好的使用  
价值［2］。  
1.2.1 简单易学  
Python 使用 C 语言编写，但它摒弃了 C 语言中较  
为复杂的指针，并对其语法进行了简化，使其更适合  
作者简介：陈倩（1982—），女，安徽黄山人，讲师，学士；研究方向：计算机应用，程序设计。  
- 48 -  
第12期  
No.12  
2019年4月  
江苏科技信息 · 应用技术  
April，2019  
本质上来说，人工神经网络是对人脑神经元网络  
好地保存各神经元间的映射关系。经典的BP神经网  
络的结构如图2所示。  
的一种抽象，从信息处理的角度来建立某种模型，该  
模型由大量的节点神经元之间相互联接构成，而根据  
连接方式的不同，其组成的网络也不同。网络中的每  
个节点神经元都代表着一种特定的输出函数，即激励  
函数。两个节点的连接代表着一个加权值，即权重，  
所有的权重在一起构成了人工神经网络的记忆。连  
接方式、权重值和激励函数三者共同决定了网络的最  
终输出。  
2.1.2 人工神经网络的常见分类  
根据不同的学习环境，通常可以将神经网络分为  
无监督学习神经网络和有监督学习神经网络。对无  
监督学习神经网络而言，没有事先给定的标准样本，  
也不存在学习阶段和工作阶段的划分，神经网络直接  
与使用环境进行作用。一个最常见的例子就是Hebb  
学习规则。Hebb学习规则主要受巴甫洛夫的条件反  
射实验启发，其主要机理是一致的，Hebb理论认为如  
果两个神经元总是在同一时间被激发，它们之间的联  
系就会被强化；反之如果两个神经元总是不能被同步  
激发，这两个神经元间的联系就会被削弱。对有监督  
学习神经网络而言，先要把训练样本的数据加到神经  
网络的输入端，得到输出值后，与期望的输出值进行  
比较，得到两者之间的误差值，根据误差值调整权值，  
重复这一过程直到结果收敛到一个确定的权值。如  
果环境发生了变化，神经网络可通过学习修改权值来  
适应新的环境，常见的有监督学习神经网络模型有反  
传网络、感知器等。  
图2 典型BP神经网络结构  
2.3 BP神经网络实现步骤  
使用 BP 神经网络对图像进行识别，主要有两个  
阶段：（1）把已掌握的样本值导入预先设计好的网络  
结构中，以此得到神经元的输出值。（2）误差的反向传  
播阶段，从最后一步开始，逐步向前计算不同的权值  
阈值对误差的影响，并依据最小误差不断修正结果。  
重复这两个过程，直到结果符合预期，其具体的算法  
流程如图3所示。  
BP神经网络实现过程中，各步骤具体计算如下。  
（1）初始化人工神经网络。根据待处理数据类型  
选择合适的输入输出神经元（X，Y），对网络输入神经  
元节点数n，输出层节点数m、隐含层节点数l、隐含层  
阈值 a 和输出层阈值 b 进行设置。对连接权值 wij，wjk  
进行初始化。设定合适的激活函数及学习速率。  
（2）计算隐含层输出值。在确定连接权值 wij 以  
及隐含层阈值a后，即可算出隐含层输出值H。  
（3）计算输出层输出值。根据连接权值 wjk、阈值  
b 和上一步得到的输出值 H，即可得到人工神经网络  
预测输出值O。  
2.2 BP神经网络基本原理  
［3］  
美国生理/精神专家Mcculloch等 和数理逻辑学  
家 W·pitts 共同于 1943 年首次发表了人工神经网络  
的相关论文，该论文的发表也标志着人工神经网络的  
诞生。本文开拓性地提出了第一个形式神经元的计  
算模型，即M-P模型，这一模型的创造打开了神经科  
学研究的大门，其具体结构如图1所示。  
（4）计算误差输出 e。根据上一步得到的预测值  
O及已知的期望值Y，即可得到误差值e。  
（5）对权值进行更新。反向传播上一步得到的误  
差e，更新连接权值wij和wjk。  
（6）对阈值进行更新。反向传播误差 e，对阈值  
a，b进行更新。  
图1 M-P神经网络模型  
（7）重复步骤（5）～（6），不断迭代更新 wij，wjk，a和  
b的值，直至误差达到可以接受的范围。  
在此基础上，Baek 传播（Baek Propagation，BP）神  
经网络得以提出并逐步发展，BP 神经网络从本质上  
来说是一种多层前馈型神经网络，该网络能够更好地  
运用隐含单元来解决连接权的问题。而且BP神经网  
络还具有机器自学习并存储记忆的能力，所以可以更  
3
图像识别  
3.1 图像识别  
图像识别指的是使用计算机对图像进行分析和  
处理，从而对不同模式的各种目标和对像进行识别的  
- 49 -  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号