類神經網路在影像特徵偵測的應用

Abstract

特徵偵測在電腦視窗上是一個重要的任務。因為人類的眼睛對影像灰度突然變化敏 感，以及為了電腦視覺上進一步處理的計算效率，影像邊緣是好的特徵。當構成物 體形狀的邊緣被偵測出來之後，曲線分割提出一個語意和數學的描述來做高階處理 。因此，本論文應用類神經網路在兩種特徵偵測：邊緣偵測和曲線分割。 一種邊緣偵測的方法是mask matching 。它對影像作各種方向的convolution 。對 於影像中的每一點，convolution 值最大的方向視為此點邊緣方向，而其值視為此 點的邊緣強度。早期的偵測器是受限於某些物理限制和某種假設的點分佈所設計出 來。在真正的應用上，它們仍然不夠可靠。而如何對特定類型的影像找出適當的偵 測器絕不是一件容易的工作。本論文提出一個對於特定類型的影像，學習適當mask 的連接式程序。我們用delta 學習規則來訓練類神經網路並且此網路自動地幫忙設 計出邊緣偵測器。 對於物體形狀的描述可分兩種方式：一種是在數位影像上，根據事先定義的測量方 法來偵測區域曲率最大的點；另外一種是根據逼近優劣的程度以分段的線性多項式 來趨近數位曲線。後者找出一些重要點來分割曲線並且也是本論文所採用的方法。 對於這種方法，我們面對兩個問題：一是找出最佳分段的個數；另外是分割表示法 的唯一性。因此決定這些分割點不是容易的事。本論文應用 Kohonen's Feature Maps來分類曲線上的點使得曲線能用一群直線和非直線的集合來描述。然後，曲線 可以容易地以分段的線性多項式來趨近。