图形图像通信与处理技术在林火监测中的应用 第14页
图像通信与处理技术在林火监测中的应用研究
从上式看出，只与狱胜神经元／相连的各连接权按下式修正，其它连接权保持不
变。
w；¨=w；+口；(等一w；)
其中聊为尼个学习模式中元素为1的个数。
经过多次迭代和反复自适应训练，各个权值不断演化达到稳定状态，
入模式进行分类。
(5．47)
从而对输
输入神经元数等于输入的特征空间文数，RGB颜色空间为3文空间，所以在输
入层只需3个神经元。按照上述原则进行竞争，获胜输出单元的权值得到更新，其
它保持不变。当输入x提供给网络时，与它最接近的权向量向它旋转。最终权向量
趋向大多数输入出现的区域，作为数据集的聚类中心。当聚类过程完成后，输入图
像数据被划分为不相交的类别，相同类别中个体的相似性大于不同类别中个体的相
似性。训练步数为100步时实现两类分群，得到火焰区域如图5．24所示，其聚类中
心位置如图5．25所示， 以“o”表示， 坐标为[84．98 70．75 66．76]和
【212．07 173．46 124．57】，分别为火焰和非火焰颜色中心。
图5．24 WTA网络两类分群
2∞
瑚
1锄
纠1∞
劬
0
图5．25图像聚类中心
同样竞争学习网络对图像三类分群，其分类区域如图5．26所示，聚类中心为
东北林业大学硕士学位论文
【67．81 59．38 60．13】和【228．69 197．77 143．37】和[157．57 116．07 87．43】。如果图像越复
杂，分群要多，则分类效果就越好，但是处理时间就会越长。
● ●
图5．26 wTA网络3类分群
5．4．2．3 Kohonen网络 ，
在大脑皮层中，神经元的输入信号一部分来自感觉组织或其他区域的外部输入
信号，另一部分来自同一区域的反馈信号。神经元之间的信息交互具有的共同特征
是，最临近的两个神经元互相激励而兴奋，较远的相互抑制，更远的又是弱激励，
分布图像墨西哥草帽形状。Kohonen网络模拟大脑神经网络自组织特征映射的功能，
是以无监督方式进行自组织学习。网络结构如图5．27所示，它由输入层和竞争层组
成。输入层神经元数为玑竞争层由肌。个神经元组成，且构成一个二文平面阵列。
输入层与竞争层之间实行全互连接，竞争层各神经元之间实行侧抑制连接。因此网
络中有两种连接权值，一种是神经元对外部输入反应的连接权值，另一种是神经元
之间的连接权值，它控制着神经元之间交互作用的大小【4引。
O O O O O O O
O j O O O O O；O
O j O：O O O：O：O
O；O j O O．O：O：O
O：O i O O O：O：O
O：
O
图5．27 Kohonen网络结构 ‘ 图5．28输出单元
训练Kohonen自组织网络的步骤为：
1)初始化：置权w，(0)小的随机数；
NBc(t=2)
NBc(t=1)
NBc(c=0)
图像通信与处理技术在林火监测中的应用研究
2)选定获胜输出单元为所有权向量w，(后)和输入向量X。之间具有的相似性度量的
单元。选择欧几里德距离不相似度量，则获胜单元c满足下式：
忪。一w。(酬=min Jl陬l —wi(酬 (5-48)
3) 如图5．28，令NB，表示对应于获胜单元c周围领域的一组下标。77是一个正数的
学习率，对于不同的偏离区域，学习率77不一样，越靠近获胜单元c的区域77值
越大。则获胜单元及其相邻单元的权值
Aw，(后)=叩(X々一wf(后))，，∈NB。 (5-49)
4)修正权值
wi(尼+1)=wf(后)+Aw,(尼) (5-50)
5)尼=尼+l，返回第二步，直到w。=w，为止。
随着每次迭代，围绕获胜单元的领域规模逐渐减少。二类分割时，火焰和非火
焰中心为[1 13，66 94．07 79．32】、[156．41127．44 97．96】。比较图5．24与图5．29，Kohonen
网络比WSA网络在相同条件下，处理图像时间更长，主要是在竞争层中各神经元
细胞存在侧向连接，但是精度越高。
图5．29 Kohonen网络阴类分群
5．5模式识别
对人视觉来说，森林火灾图像中火焰与背景在颜色有着明显的差异，颜色是最
显著的特征，可用来分辨和识别火焰的主要特征。神经元网络可对物体图像的特征
提取和分析，判别是否有火焰区域存在，从而证明是否发生火灾。
要实现火焰识别，必须建立样本库，这样就有一些已知的样本可供参考，可作
为分类的依据，对所处理与识别的图像进行监督。图5．30中上半部分是识别部分，
即对未知类别的图像进行分类；下半部分是分析部分，即对已知类别(火焰图像和
非火焰图像)样本判定出判别函数和判别准则，使得对未知类别的图像能够进行分
类。通过向环境学习获取知识并改进自身性能是神经网络的一个重要特点。在图右
下角部分是自适应处理部分，主要采用监督学习方式，当用训练图像样本根据某些
规则判定出一些判决规则后，再对这些训练样本逐个进行检测，观察是否有误差，
东北林业大学硕士学位论文
根据某种最优原则，不断修改判别规则，调节自身参数，直到满足要求为止【4引。
识别
分析
图5．30火焰识别子系统框图
5．5．1识别方法
在匹配识别过程中，可采用以下方法判别火焰，即在图像预处理后，利用图像
分割方法将图像分解成有意义的各个子区域，对分割所得的每部分按次序输入到神
经元网络中，判别每部分是否落在火焰样本区域，从而决定是否发生火灾。
5．5．2样本分类依据
因为颜色空间为三文空间，所以只需在三文空间中用一个曲面对分布在三文中
的颜色数据区分即可。这样的曲面很多，哪个是最好，这是本文识别中的最关键问
题，要获得最优曲面，必须按照一定的准则约束。
如表5．1和5．2所示，挑选一共50个火焰和非火焰样本数据组成了样本集，可
看出两种样本在三文颜色空间中是相互独立，即没有互相重叠。由火焰和非火焰样
本数据组成向量，与此对应有一个目标向量P，P={1…1 0…0}，向量P中
“l”的个数与火焰样本数目相适应，同样“0”的个数对应非火焰样本数目。利用
神经元网络对样本训练以逼近目标向量，从而实现监督功能，并确定稳定可靠的网
络参数，完成仿真前的准备，最后将图像分割后的子图像输入到网络中并仿真。
5．5．3判决准则
设每次输入到网络的数据为x，Ⅳ。表示为“发生火灾”事件，Ⅳ．表示“不发生
火灾”事件，则尸(仇Ir)表示在输入网络中数据z条件下Ⅳo为真的概率，可利用MAP
判决准则(最大后验概率准则)，即
<< 上一页 [11] [12] [13] [14] [15] [16] [17] [18] 下一页
图形图像通信与处理技术在林火监测中的应用 第14页下载如图片无法显示或论文不完整，请联系qq752018766
