基于 Zernike 矩特征的 FCM-RBF神经网络图像分类器

摘要：

针对交通监控图像识别精度较差的问题，设计一种基于径向基(radial-basis)函数神经网络的图像分类器。该分类器利用 Zernike 矩噪声敏感度较小、形状特征稳定性好的特点，构建四阶矩的特征向量，用于特征提取；利用自适应模糊聚类方法，解决径向基函数神经网络隐层节点数不确定的问题。仿真分析表明，该分类器与基于改进的快速模糊 C 均值聚类算法的 Back Propagation 网络分类器和径向基函数神经网络分类器相比具有更高的识别率，与改进的粒子群优化模糊 C 均值聚类算法的径向基函数神经网络分类器相比具有相近的识别率，但其计算复杂度较低。仿真实验结果表明，该方法具有较好的分类能力及较高的计算效率。

关键词：Zernike 矩、模糊 C 均值、径向基神经网络、图像分类器

分类号：TP335(计算技术、计算机技术)

资助基金：吉林省教育厅“十二五”科学技术研究项目2014146;吉林省科技发展计划重点科技攻关项目20140204033GX

在线出版日期：2014-12-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1284-1288