神經網路用於圖像加密

1. 哪些神經網路可以用在圖像特徵提取上

BP神經網路、離散Hopfield網路、LVQ神經網路等等都可以。

1.BP（Back Propagation）神經網路是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。
2.Hopfiled神經網路是一種遞歸神經網路，由約翰·霍普菲爾德在1982年發明。Hopfield網路是一種結合存儲系統和二元系統的神經網路。它保證了向局部極小的收斂，但收斂到錯誤的局部極小值（local minimum），而非全局極小（global minimum）的情況也可能發生。Hopfiled網路也提供了模擬人類記憶的模型。
3.LVQ神經網路由三層組成，即輸入層、隱含層和輸出層，網路在輸入層與隱含層間為完全連接，而在隱含層與輸出層間為部分連接，每個輸出層神經元與隱含層神經元的不同組相連接。隱含層和輸出層神經元之間的連接權值固定為1。輸入層和隱含層神經元間連接的權值建立參考矢量的分量（對每個隱含神經元指定一個參考矢量）。在網路訓練過程中，這些權值被修改。隱含層神經元（又稱為Kohnen神經元）和輸出神經元都具有二進制輸出值。當某個輸入模式被送至網路時，參考矢量最接近輸入模式的隱含神經元因獲得激發而贏得競爭，因而允許它產生一個「1」，而其它隱含層神經元都被迫產生「0」。與包含獲勝神經元的隱含層神經元組相連接的輸出神經元也發出「1」，而其它輸出神經元均發出「0」。產生「1」的輸出神經元給出輸入模式的類，由此可見，每個輸出神經元被用於表示不同的類。

2. 神經網路技術有什麼功能

神經網路技術對完成對微弱信號的檢驗和對各感測器信息實時處理，具有自適應自學習功能，能自動掌握環境特徵，實現自動目標識別及容錯性好，抗干擾能力強等優點。神經網路技術特別適用於密集信號環境的信息處理、數據收集目標識別、圖像處理、無源探測與定位以及人機介面等方面，因而在作戰指揮方面有廣泛的應用前景。

3. 卷積神經網路只適用於圖像處理么

• 卷積神經網路（Convolutional Neural Network,CNN）是一種前饋神經網路，它的人工神經元可以響應一部分覆蓋范圍內的周圍單元，對於大型圖像處理有出色表現。[1]它包括卷積層(alternating convolutional layer)和池層(pooling layer)。


• 卷積神經網路是近年發展起來，並引起廣泛重視的一種高效識別方法。20世紀60年代，Hubel和Wiesel在研究貓腦皮層中用於局部敏感和方向選擇的神經元時發現其獨特的網路結構可以有效地降低反饋神經網路的復雜性，繼而提出了卷積神經網路（Convolutional Neural Networks-簡稱CNN）。現在，CNN已經成為眾多科學領域的研究熱點之一，特別是在模式分類領域，由於該網路避免了對圖像的復雜前期預處理，可以直接輸入原始圖像，因而得到了更為廣泛的應用。 K.Fukushima在1980年提出的新識別機是卷積神經網路的第一個實現網路。隨後，更多的科研工作者對該網路進行了改進。其中，具有代表性的研究成果是Alexander和Taylor提出的「改進認知機」，該方法綜合了各種改進方法的優點並避免了耗時的誤差反向傳播。

4. 如何通過人工神經網路實現圖像識別

人工神經網路（Artificial Neural Networks）（簡稱ANN）系統從20 世紀40 年代末誕生至今僅短短半個多世紀，但由於他具有信息的分布存儲、並行處理以及自學習能力等優點，已經在信息處理、模式識別、智能控制及系統建模等領域得到越來越廣泛的應用。尤其是基於誤差反向傳播（Error Back Propagation）演算法的多層前饋網路（Multiple-Layer Feedforward Network）(簡稱BP 網路)，可以以任意精度逼近任意的連續函數，所以廣泛應用於非線性建模、函數逼近、模式分類等方面。

目標識別是模式識別領域的一項傳統的課題，這是因為目標識別不是一個孤立的問題，而是模式識別領域中大多數課題都會遇到的基本問題，並且在不同的課題中，由於具體的條件不同，解決的方法也不盡相同，因而目標識別的研究仍具有理論和實踐意義。這里討論的是將要識別的目標物體用成像頭(紅外或可見光等)攝入後形成的圖像信號序列送入計算機，用神經網路識別圖像的問題。

一、BP 神經網路

BP 網路是採用Widrow-Hoff 學習演算法和非線性可微轉移函數的多層網路。一個典型的BP 網路採用的是梯度下降演算法，也就是Widrow-Hoff 演算法所規定的。backpropagation 就是指的為非線性多層網路計算梯度的方法。一個典型的BP 網路結構如圖所示。

六、總結

從上述的試驗中已經可以看出，採用神經網路識別是切實可行的，給出的例子只是簡單的數字識別實驗，要想在網路模式下識別復雜的目標圖像則需要降低網路規模，增加識別能力，原理是一樣的。

5. 目前進行圖像處理,通常使用什麼神經網路

圖像處理最常用的是卷積神經網路（CNN），有時也會用到生成式對抗神經網路（GAN）。

6. 本人畢設題目是關於神經網路用於圖像識別方面的，但是很沒有頭續~我很不理解神經網路作用的這一機理

我簡單說一下，舉個例子，比如說我們現在搭建一個識別蘋果和橘子的網路模型：
我們現在得需要兩組數據，一組表示特徵值，就是網路的輸入（p），另一組是導師信號，告訴網路是橘子還是蘋果（網路輸出t）：
我們的樣本這樣子假設（就是Sampledata1.txt）：
p t
1 0 3 1
2 1 4 2
這兩組數據是這樣子解釋的：
我們假設通過3個特徵來識別一個水果是橘子還是蘋果：形狀，顏色，味道，第一組形狀、顏色、味道分別為：1 0 3（當然這些數都是我隨便亂編的，這個可以根據實際情況自己定義），有如上特徵的水果就是蘋果（t為1），而形狀、顏色、味道為：2 1 4的表示這是一個橘子（t為2）。
好了，我們的網路模型差不多出來了，輸入層節點數為3個（形狀、顏色，味道），輸出層節點為一個（1為蘋果2為橘子），隱藏層我們設為一層，節點數先不管，因為這是一個經驗值，還有另外的一些參數值可以在matlab里設定，比如訓練函數，訓練次數之類，我們現在開始訓練網路了，首先要初始化權值，輸入第一組輸入：1 0 3 ,網路會輸出一個值，我們假設為4，那麼根據導師信號（正確的導師信號為1，表示這是一個蘋果）計算誤差4-1=3，誤差傳給bp神經網路，神經網路根據誤差調整權值，然後進入第二輪循環，那麼我們再次輸入一組數據：2 0 4（當仍然你可以還輸入1 0 3，而且如果你一直輸入蘋果的特徵，這樣子會讓網路只識別蘋果而不會識別橘子了，這回明白你的問題所在了吧），同理輸出一個值，再次反饋給網路，這就是神經網路訓練的基本流程，當然這兩組數據肯定不夠了，如果數據足夠多，我們會讓神經網路的權值調整到一個非常理想的狀態，是什麼狀態呢，就是網路再次輸出後誤差很小，而且小於我們要求的那個誤差值。
接下來就要進行模擬預測了t_1=sim(net,p)，net就是你建立的那個網路，p是輸入數據，由於網路的權值已經確定了，我們這時候就不需要知道t的值了，也就是說不需要知道他是蘋果還是橘子了，而t_1就是網路預測的數據，它可能是1或者是2，也有可能是1.3，2.2之類的數（絕大部分都是這種數），那麼你就看這個數十接近1還是2了，如果是1.5，我們就認為他是蘋果和橘子的雜交，呵呵，開玩笑的，遇到x<=0,5、x=1.5、x>=2.5，我一般都是舍棄的，表示未知。

總之就是你需要找本資料系統的看下，鑒於我也是做圖像處理的，我給你個關鍵的提醒，用神經網路做圖像處理的話必須有好的樣本空間，就是你的資料庫必須是標準的。至於網路的機理，訓練的方法什麼的，找及個例子用matlab模擬下，看看效果，自己琢磨去吧，這裡面主要是你隱含層的設置，訓練函數選擇及其收斂速度以及誤差精度就是神經網路的真諦了，想在這么小的空間給你介紹清楚是不可能的，關鍵是樣本，提取的圖像特徵必須帶有相關性，這樣設置的各個閾值才有效。OK，好好學習吧，資料去matlab中文論壇上找，在不行就去bau文庫上，你又不需要都用到，何必看一本書呢！祝你順利畢業！