下载掌阅APP，畅读海量书库
立即打开
人工神经网络是一种机器学习模型，由于其强大的智能图像处理能力而受到图像处理算法研究者的青睐。用于机器学习的人工神经网络（Artificial Neural Network，ANN）是一种为模仿人类神经系统的结构和功能而实现的数据处理和计算模型 [1] 。人工神经网络在图像处理领域具有广泛的应用和突出的优势，它能够从图像中提取高层次的语义信息，实现图像的识别、分割、融合、增强等功能。人工神经网络由多个神经元组成的层级组成，每个神经元接收来自上一层的输入信号，经过加权求和激活函数的处理，输出到下一层。人工神经网络的训练目标通过优化算法来调整神经元之间的权重，使得网络的输出与期望的输出之间的损失函数最小化，进而实现对于数据分布的拟合，最终达到实现各种各样任务的目的。
本章将从生物意义上的神经网络模型出发，引入人工神经网络模型，以及BP神经网络和卷积神经网络。具体而言，本章阐述了人工神经网络从单层到多层、从线性到非线性、从全连接到卷积感知的发展历程。2.2节阐述了单层的神经元结构到多层神经元构成感知机的流程，以多层感知机中的BP网络为范例，逐层推导了反向传播算法。2.3节介绍了卷积神经网络的基本概念和基本结构，并在2.3.3节中介绍了图像融合与图像识别的典型模型。2.4节对上述算法进行总结，给出了本章的核心思想及启示。