基于人工神经网络和数据仓库的图像分类与决策支持技术

### 基于人工神经网络和数据仓库的图像分类与决策支持技术 在当今的技术领域，图像分类和数据仓库应用是两个重要的研究方向。图像分类在计算机视觉、模式识别等领域有着广泛的应用，而数据仓库则为企业的决策提供了有力的支持。本文将详细介绍基于人工神经网络的图像分类方法以及制造业中数据仓库的应用。 #### 基于人工神经网络的图像分类 ##### 特征提取与灰度共生矩阵 在图像分类中，特征提取是关键的一步。常用的纹理分析和特征提取方法有四种，这里重点介绍基于灰度共生矩阵（GLCM）的方法。灰度共生矩阵的元素 \(p(i,j)\) 表示在给定方向上距离为 “d” 的两个灰度级分别为 “i” 和 “j” 的像素在图像或邻域中出现的相对频率。其计算公式为： \[P(i,j) = \frac{P(i,j)}{\sum_{i=0}^{Ng - 1}\sum_{j=0}^{Ng - 1}P(i,j)}\] 其中 \(Ng\) 表示总灰度级数。利用这个矩阵，Haralick 提出了几个代表纹理属性的统计特征，如对比度、均匀性、均值、方差、惯性矩等。 具体的特征提取步骤如下： 1. 对于图像中的每个像素，以其为中心，选取一个 \(3×3\) 的窗口。 2. 计算该窗口的灰度矩阵并进行归一化。 3. 得到每个像素的灰度共生矩阵 \(Ph\)、\(Pv\)、\(Prd\) 和 \(Pld\)，分别对应 \(0^{\circ}\)、\(90^{\circ}\)、\(45^{\circ}\) 和 \(135^{\circ}\) 方向的最近邻像素。 4. 计算这些矩阵的标准差和均值，用于后续的纹理特征计算。 5. 计算归一化灰度空间依赖矩阵中的特定项，如 \(P (i, j)\)、\(Px (i)\)、\(Py ( j )\)、\(Px + y (k)\) 和 \(Px - y (k)\)。 6. 根据以下公式计算纹理特征： - 角二阶矩： \[F1 = \sum_{i}\sum_{j}\{P(i,j)\}^2\] - 对比度： \[F2 = \sum_{n = 0}^{Ng - 1}n^2\{\sum_{i = 1}^{Ng}\sum_{j = 1}^{Ng}P(i,j)\}\] - 相关性： \[F3 = \frac{\sum_{i}\sum_{j}(ij)P(i,j) - \mu_x\mu_y}{\sigma_x\sigma_y}\] 其中 \(\mu_x\)、\(\mu_y\) 和 \(\sigma_x\)、\(\sigma_y\) 分别是 \(Px\) 和 \(Py\) 的均值和标准差。 - 平方和 - 方差： \[F4 = \sum_{i}\sum_{j}(1 - \mu)^2P(i,j)\] ##### 人工神经网络与反向传播算法训练 人工神经网络（ANN）是一种并行分布式处理器，具有存储经验知识的自然倾向。图像分类通过纹理特征提取和反向传播算法来实现。 反向传播算法的步骤如下： 1. 初始化权重为小随机值。 2. 将输入向量 \(X_0, X_1, \cdots, X_n\) 输入网络，计算单元的加权和，然后应用 sigmoid 函数。同时，将所有期望输出 \(d_0, d_1, \cdots, d_n\) 通常设置为零，除了对应输入所属类别的那个输出。 3. 计算每个输出单元的误差项： \[\partial_j = y_j(1 - y_j)(d_j - y_j)\] 其中 \(d_j\) 是节点 \(j\) 的期望输出；\(y_j\) 是实际输出。 4. 计算每个隐藏单元的误差项： \[\partial_j = X_j(1 - x_j)\sum_{k}\partial_kw_{jk}\] 其中 \(k\) 是节点 \(j\) 上一层的所有节点；\(j\) 是内部隐藏节点。 5. 更新权重： \[W_y(t + 1) = W_y(t) + \eta\partial_jX_i\] 重复步骤 2 - 5，直到误差在合理范围内，然后存储调整后的权重用于识别算法。 ##### 图像分类结果 使用四个图像对神经网络进行训练，该网络的容错率约为 0.0001。当输入一个查询图像时，首先提取其纹理特征，然后输入到训练好的神经网络中。如果实际输出与特定类别的目标输出匹配，则从数据