利用模糊類神經網路於物體擷取

Abstract

本論文針對物體擷取，提出一個改良式的單層認知元結構。每個認知元皆 對應到輸入影像的一點像素，輸出層上的神經元連結到輸入層上相對應的 神經元與其鄰域。再將輸出以一對一的方式回授到輸入層，是以所提之模 型為一回歸的神經網路。藉由影像的灰階分佈圖，可擇一合適的灰階轉換 函數, 將該影像的灰階映成一模糊集合。計算輸出層之輸出值的模糊線性 指標，引以為系統的誤差函數，並倚之為系統學習的依據。利用學習法則 來更新連結權重，直到輸出值的模糊線性指標收歛為止。此外，對於具有 相異灰階之多物體影像，也提出一套處理程序來解決。經由對一些合成影 像與真實影像的模擬，相較於最近所提相關之模型，不但有較佳的辨認率 ，且結構上也較簡單。