神经网络
优点：
可并行处理图像信息，处理速度比传 统算法快；
自适应能力强； 可处理图像中的非线性问题； 可预处理图像中的噪声或杂质数据
应用：
手写字体识别、ImageNet图像 分类、医学图像分割、人工智能
反传网络（BP网络）
BP 网络是按照误差反向传播的多层前馈神经 网络，以梯度搜索技术减少输入值和输出值的误差 均方差。
深度卷积神经网络在图像识别算法中的研究与实现
图中为迭代1 000 次，每50 次 迭代就在测试集上测试一次训练学 习的网络，输出损失值和准确率。 对于每 200 次迭代，取一次当前状 态的快照。最终通过调整设定参数， 找到最优参数，该模型对图像的平 均识别率最高，达到92.50% 。
池化层操作示意
全连接层
全连接层的目的是将网络学习到的特征映射到样本的标记空间中。全 连接层会把卷积输出的二维特征图（featureMap）转化成一个一维的向量。
全连接层的作用是对信息进行整理和合并。
粪便镜检图像中红白细胞的分割与识别方法
针对粪便镜检图像中具有弱边界的红、白细胞的识别问题，研究了基于Chan-Vese模型 的兼顾邻域区域边缘和纹理综合信息的分割方法。用八向Sobel弥补透明细胞的模糊边缘， 通过细胞域内纹理和边缘信息互补而采用兼顾全局和局部能量分布的Chan-Vese模型的分割 方法，并采用具备更好的数据泛化作用的随机决策森林进行分类。实验证明，提出的兼顾 边界与域内纹理的改进型Chan-Vese分割方法使粪便镜检图像中红、白细胞的分割精度达到 了95.3%。
学习与总结
阅读文献
大体分类为： 图像分割算法、 有关小波变换算法、 有关深度神经网络的图像识别算法
图像处理流程图
输入 图像
图像预处理
图像分割
特征提取
分类识别
结果 输出
图像分割ቤተ መጻሕፍቲ ባይዱ法
阈值分割法、区域生长法、基于边缘的分割方法、分水岭分割、聚类分割、基于活动 轮廓的分割方法、数学形态学法、基于曲线演化理论的图像分割方法（CV模型）
BP 网络结构：输入层、隐层、输出层
BP神经网络结构
卷积神经网络
卷积神经网络是基于动物视觉感受野设计而成， 由卷积层、池化层和其他层构成。
卷积神经网络结构及过程示意图
卷积神经网络
卷积层
卷积层最重要的部分是卷积核。卷积操作是用一个卷积核与图像对应区域进行卷 积得到一个值，然后不断的移动卷积核和求卷积，就可完成对整个图像的卷积。
基于小波变换的边缘检测
基于小波变换与数学形态学的边缘检测 过程：
①将图像进行小波分解 ②将高频部分通过小波变换得到高 频边缘；将低频部分通过数学形态 学方法得到低频边缘 ③将低频与高频边缘重构，得到边 缘结果图；将低频边缘重构得到低 频结果图 ④利用得到的低频结果图对边缘结 果图进行过滤操作得到边缘图像
二维卷积示意图
池化层
池化层通常紧随卷积层之后使用，其作用是简化卷积层的输出。池化过程也就 是子采样过程，子采样能够简化网络模型，降低其复杂程度，从而缩减参数。
比较常用的池化方法是 最大池化（max-pooling）和 均值池化（mean-pooling）
采用max-pooling能够保 证特征的位置和旋转不变性, 减少卷积层参数误差造成估 计均值的偏移，更多的保持 特征信息。
小波变换在图像处理中的应用
图像降噪 图像压缩
图像增强 图像融合
①图像信号的小波分解 ②对分解后的高频系数进行阈值量化 ③重构图像信号
利用小波变换具有优良的时频局部化 性能，自身具备多分辨率图像表示性 能
图像进行小波分解后，对低频系数进 行增强，对高频系数进行弱化
两幅图像分别进行小波分解，对高频 分量和低频分量分别进行融合，最后 进行小波重构，得到新图像。