CN109117938A - 一种基于人工神经网络的图像扫描方法及*** - Google Patents

一种基于人工神经网络的图像扫描方法及*** Download PDF

Info

Publication number
CN109117938A
CN109117938A CN201811248904.0A CN201811248904A CN109117938A CN 109117938 A CN109117938 A CN 109117938A CN 201811248904 A CN201811248904 A CN 201811248904A CN 109117938 A CN109117938 A CN 109117938A
Authority
CN
China
Prior art keywords
neural network
artificial
image
model
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811248904.0A
Other languages
English (en)
Inventor
王晓锐
狄光智
胡坤融
强振平
董跃宇
苗晟
徐全元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Forestry University
Original Assignee
Southwest Forestry University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Forestry University filed Critical Southwest Forestry University
Priority to CN201811248904.0A priority Critical patent/CN109117938A/zh
Publication of CN109117938A publication Critical patent/CN109117938A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/04—Scanning arrangements, i.e. arrangements for the displacement of active reading or reproducing elements relative to the original or reproducing medium, or vice versa

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及人工神经网络领域，具体涉及一种基于人工神经网络的图像扫描方法及***，导入训练样本数据，然后进行样本的训练，再进行人工神经网络模型的构建，人工神经网络模型构建完成后利用训练样本图对神经网络算法进行训练，然后利用神经网络算法对图像进行运算，在利用神经网络算法对图像进行运算后，得到对人工神经网络模型验证，若验证结果符合预设期望精度，对人工神经网络模型验证，判断验证误差是否符合预设期望精度，若验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到验证误差符合预设期望精度，然后保存模型。本发明能解决了难以获取线阵CCD相机最优图像的扫描参数组合的问题。

Description

一种基于人工神经网络的图像扫描方法及***
技术领域
本发明涉及人工神经网络领域，具体涉及一种基于人工神经网络的图像扫描方法及***。
背景技术
影响线阵CCD相机扫描图像质量的因素很多，决定了扫描参数***难以建立起精确的数学模型，因此为获得优质扫描图像不得不依赖于大量实验过程中积累起来的经验来进行扫描参数调整。传统的根据扫描图像质量预测扫描参数的方法是基于统计技术而来的，主要是线性模型。线性模型直观简单、解释性强，但对于演化序列复杂的扫描参数***预测往往不奏效，特别是影响图像质量因素的扫描参数变动性强，存在高度非线性，传统的预测方法处理起来便会很困难。而且选择扫描参数涉及大量的组合，在这么多组合面前如果只依靠经验数据难以获取最优图像的扫描参数组合。而人工神经网络具有较强的鲁棒性和容错性，非线性映射能力适合解决非线性、复杂***的建模和预测，为此，我们设计一种基于人工神经网络的图像扫描方法及***。
发明内容
针对现有技术的不足，本发明提供了一种基于人工神经网络的图像扫描方法及***，解决了难以获取线阵CCD相机最优图像的扫描参数组合的问题。
本发明通过以下技术方案予以实现：
一种基于人工神经网络的图像扫描方法及***，所述方法包括：导入训练样本数据；获取包含文件带扫描图像；对神经网络模型验证；保存模型，所述***包括：获取模块、查找模块、检测模块和验证模块。
优选的，所述导入训练样本数据，然后进行样本的训练，再进行人工神经网络模型的构建，人工神经网络模型构建完成后利用训练样本图对神经网络算法进行训练，然后利用神经网络算法对图像进行运算。
优选的，所述在利用神经网络算法对图像进行运算后，得到对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型。
优选的，所述对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型。
优选的，所述导入训练样本数据，然后获取包含文件带扫描图像，然后从中获取输入向量和输出向量，通过输入向量和输出向量去验证样本，直接对人工神经网络模型进行验证。
优选的，所述利用神经网络算法对图像进行运算后，得到对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型。
本发明的有益效果为：本发明能够安全、可靠的解决难以获取线阵CCD相机最优图像的扫描参数组合的问题，通过获取包含文件带扫描图像，然后对神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型，并通过获取模块、查找模块、检测模块和验证模块对神经网络的建立更简单和***化获取到最优图像的扫描参数组合。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是发明的流程图；
图2是发明的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参看图1-2：一种基于人工神经网络的图像扫描方法及***，所述方法包括：导入训练样本数据；获取包含文件带扫描图像；对神经网络模型验证；保存模型，所述***包括：获取模块、查找模块、检测模块和验证模块。
具体的，所述导入训练样本数据，然后进行样本的训练，再进行人工神经网络模型的构建，人工神经网络模型构建完成后利用训练样本图对神经网络算法进行训练，然后利用神经网络算法对图像进行运算。
具体的，所述在利用神经网络算法对图像进行运算后，得到对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型。
具体的，所述对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型。
具体的，所述导入训练样本数据，然后获取包含文件带扫描图像，然后从中获取输入向量和输出向量，通过输入向量和输出向量去验证样本，直接对人工神经网络模型进行验证。
具体的，所述利用神经网络算法对图像进行运算后，得到对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型。
本发明能够安全、可靠的解决难以获取线阵CCD相机最优图像的扫描参数组合的问题，通过获取包含文件带扫描图像，然后对神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型，并通过获取模块、查找模块、检测模块和验证模块对神经网络的建立更简单和***化获取到最优图像的扫描参数组合。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种基于人工神经网络的图像扫描方法及***，其特征在于：所述方法包括：导入训练样本数据；获取包含文件带扫描图像；对神经网络模型验证；保存模型，所述***包括：获取模块、查找模块、检测模块和验证模块。
2.根据权利要求1所述的一种基于人工神经网络的图像扫描方法及***，其特征在于：所述导入训练样本数据，然后进行样本的训练，再进行人工神经网络模型的构建，人工神经网络模型构建完成后利用训练样本图对神经网络算法进行训练，然后利用神经网络算法对图像进行运算。
3.根据权利要求1所述的一种基于人工神经网络的图像扫描方法及***，其特征在于：所述在利用神经网络算法对图像进行运算后，得到对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型。
4.根据权利要求1所述的一种基于人工神经网络的图像扫描方法及***，其特征在于：所述对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型。
5.根据权利要求1所述的一种基于人工神经网络的图像扫描方法及***，其特征在于：所述导入训练样本数据，然后获取包含文件带扫描图像，然后从中获取输入向量和输出向量，通过输入向量和输出向量去验证样本，直接对人工神经网络模型进行验证。
6.根据权利要求1所述的一种基于人工神经网络的图像扫描方法及***，其特征在于：所述利用神经网络算法对图像进行运算后，得到对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型。
CN201811248904.0A 2018-10-25 2018-10-25 一种基于人工神经网络的图像扫描方法及*** Pending CN109117938A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811248904.0A CN109117938A (zh) 2018-10-25 2018-10-25 一种基于人工神经网络的图像扫描方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811248904.0A CN109117938A (zh) 2018-10-25 2018-10-25 一种基于人工神经网络的图像扫描方法及***

Publications (1)

Publication Number Publication Date
CN109117938A true CN109117938A (zh) 2019-01-01

Family

ID=64855255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811248904.0A Pending CN109117938A (zh) 2018-10-25 2018-10-25 一种基于人工神经网络的图像扫描方法及***

Country Status (1)

Country Link
CN (1) CN109117938A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883670A (zh) * 2021-03-17 2021-06-01 电子科技大学 一种基于人工神经网络的电感自动化设计综合模型及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6301381B1 (en) * 1995-03-07 2001-10-09 Matsushita Electric Idustrial Co., Ltd. Neurofilter, and method of training same to operate on image data such as to discriminate between text and picture regions of an image which is expressed by image data
CN101807245A (zh) * 2010-03-02 2010-08-18 天津大学 基于人工神经网络的多源步态特征提取与身份识别方法
CN105354611A (zh) * 2015-10-08 2016-02-24 程涛 一种基于人工神经网络的最佳质量图像扫描方法及***
CN106096531A (zh) * 2016-05-31 2016-11-09 安徽省云力信息技术有限公司 一种基于深度学习的交通图像多类型车辆检测方法
CN106373397A (zh) * 2016-09-28 2017-02-01 哈尔滨工业大学 基于模糊神经网络的遥感图像道路通行情况分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6301381B1 (en) * 1995-03-07 2001-10-09 Matsushita Electric Idustrial Co., Ltd. Neurofilter, and method of training same to operate on image data such as to discriminate between text and picture regions of an image which is expressed by image data
CN101807245A (zh) * 2010-03-02 2010-08-18 天津大学 基于人工神经网络的多源步态特征提取与身份识别方法
CN105354611A (zh) * 2015-10-08 2016-02-24 程涛 一种基于人工神经网络的最佳质量图像扫描方法及***
CN106096531A (zh) * 2016-05-31 2016-11-09 安徽省云力信息技术有限公司 一种基于深度学习的交通图像多类型车辆检测方法
CN106373397A (zh) * 2016-09-28 2017-02-01 哈尔滨工业大学 基于模糊神经网络的遥感图像道路通行情况分析方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883670A (zh) * 2021-03-17 2021-06-01 电子科技大学 一种基于人工神经网络的电感自动化设计综合模型及方法

Similar Documents

Publication Publication Date Title
CN105354611B (zh) 一种基于人工神经网络的最佳质量图像扫描方法及***
CN105100789B (zh) 一种视频质量评价方法
CN109117700A (zh) 脸部验证方法和设备
CN108460649A (zh) 一种图像识别方法及装置
CN105917353A (zh) 用于生物认证的特征提取及匹配以及模板更新
CN109285149A (zh) 人脸图像质量的评估方法、装置及计算设备
CN101282481A (zh) 一种基于人工神经网络的视频质量评价方法
CN110781976B (zh) 训练图像的扩充方法、训练方法及相关装置
CN110246137A (zh) 一种成像方法、装置及存储介质
US11436774B2 (en) Pattern mapping
CN105893405A (zh) 重复视频检测方法和***
CN115220061B (zh) 一种基于正交归一化的深度学习偏振鬼成像方法和***
KR20180004107A (ko) 패턴 레지스트레이션
CN112200887B (zh) 一种基于梯度感知的多聚焦图像融合方法
CN109117938A (zh) 一种基于人工神经网络的图像扫描方法及***
AU2017208235A1 (en) Relative position encoding based networks for action recognition
CN110490796A (zh) 一种高低频成分融合的人脸超分辨率处理方法及***
CN116895100A (zh) 基于空频特征融合的知识蒸馏深度伪造检测方法及***
CN111667409B (zh) 一种基于超分辨率算法的绝缘子影像分辨率增强方法
CN110517234A (zh) 特征骨异常检测方法及装置
US10395129B2 (en) Dynamic registration seed
US20150296136A1 (en) Method and a procedure to replicate visual acuity deficiencies for use in accessibility verification
US10691919B1 (en) Dynamic registration using multiple match enrollment
CN109815796A (zh) 人脸识别通过率的影响因素的测试方法及装置
CN109800719A (zh) 基于分部件和压缩字典稀疏表示的低分辨率人脸识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190101

RJ01 Rejection of invention patent application after publication