光学精密工程
光學精密工程
광학정밀공정
OPTICS AND PRECISION ENGINEERING
2007年
3期
401-406
,共6页
图像融合%二值化%阈值%SOFM神经网络%像素
圖像融閤%二值化%閾值%SOFM神經網絡%像素
도상융합%이치화%역치%SOFM신경망락%상소
提出了一种基于自组织特征映射(SOFM)神经网络的图像融合二值化方法.介绍了SOFM神经网络的特点及学习算法,根据SOFM的聚类确定图像第一阈值作为循环迭代的初始值,对整幅图像进行循环迭代得到第二阈值,使用第二阈值对原始图像进行二值化,得到第一幅待融合图像;通过改进的Bernsen方法对原始图像进行二值化,得到第二幅待融合图像;最后根据图像灰度值选小的原则作为图像融合方法,得到最终的二值化图像.该方法既能有效地消除伪影,又能较好地分离字符和文字.模拟实验结果表明,该方法的二值化效果明显优于Bernsen方法和Ostu方法,且具有良好的适应性.
提齣瞭一種基于自組織特徵映射(SOFM)神經網絡的圖像融閤二值化方法.介紹瞭SOFM神經網絡的特點及學習算法,根據SOFM的聚類確定圖像第一閾值作為循環迭代的初始值,對整幅圖像進行循環迭代得到第二閾值,使用第二閾值對原始圖像進行二值化,得到第一幅待融閤圖像;通過改進的Bernsen方法對原始圖像進行二值化,得到第二幅待融閤圖像;最後根據圖像灰度值選小的原則作為圖像融閤方法,得到最終的二值化圖像.該方法既能有效地消除偽影,又能較好地分離字符和文字.模擬實驗結果錶明,該方法的二值化效果明顯優于Bernsen方法和Ostu方法,且具有良好的適應性.
제출료일충기우자조직특정영사(SOFM)신경망락적도상융합이치화방법.개소료SOFM신경망락적특점급학습산법,근거SOFM적취류학정도상제일역치작위순배질대적초시치,대정폭도상진행순배질대득도제이역치,사용제이역치대원시도상진행이치화,득도제일폭대융합도상;통과개진적Bernsen방법대원시도상진행이치화,득도제이폭대융합도상;최후근거도상회도치선소적원칙작위도상융합방법,득도최종적이치화도상.해방법기능유효지소제위영,우능교호지분리자부화문자.모의실험결과표명,해방법적이치화효과명현우우Bernsen방법화Ostu방법,차구유량호적괄응성.