摘要：提出了一种实现形态滤波器参数优化设计的遗传学习算法 (Genetic Training Algorithm forMorphological Fitters,GTAMF) .采用新的交叉与变异算子——曲面体交叉与主从式变异 ,通过优化搜索全局以获得滤波性和时效性兼优的形态滤波器参数 .实验结果表明该方法设计方便 ,实用性强且易于推广 ,对提高形态滤波性能效果明显 .分析表明 ,形态滤波器可分解为形态学运算和结构元选择两个基本问题 ,形态学运算的规则已由定义本身而确定 ,于是形态滤波器的最终滤波性能就仅仅取决于结构元的选择 .通过自适应优化训练使结构元具有图像目标的形态结构特征 ,从而赋予结构元特定的知识 ,使形态滤波过程融入特有的智能 ,以实现对复杂变化的图像具有良好的滤波性能和稳健的适应能力 .

摘要：提出了一种有实用意义的形态滤波神经网络模型及其自适应 BP学习算法。形态滤波网络的优化设计过程实际上是网络参数 (结构元素 )不断调整、逐步适应图像环境的优化学习过程 ,从而将目标客体的特征规律反映到网络结构上来 ,以实现对复杂变化的图像具有良好的滤波性能和稳健的适应能力。为结合运动图像目标的检测需要 ,采用了渐进收缩误差、适时校正网络权值的动态跟踪学习算法。通过实验结果可以看出 ,该算法不仅能适应复杂多样的背景环境 ,而且对运动目标的连续检测能力具有位移不变。