基于改进的LVQ神经网络图像边缘提取研究

针对传统的学习向量量化神经网络(GLVQ)具有初始值敏感、数据浪费以及权值训练不稳定等缺点,提出了一种基于广义学习向量量化神经网络的改进算法(MGLVQ)。MGLVQ神经网络是利用人工鱼群算法对权值离线粗调之后,再使用引入损失函数的梯度寻优算法对其进行在线细调。将该改进算法用于对图像每个像素的分类,实现图像的边缘提取。仿真结果表明,在Lena图像中GLVQ神经网络边缘点为整个像素的45.08%,而MGLVQ提取边缘点的比例为28.58%,即在整个像素分类中GLVQ比MGLVQ错误分类率高16.51%。相比于GLVQ神经网络,MGLVQ拥有更强的去除噪声的能力和更好的边缘检测效果。