【正文】 陣的圖像文件，然后通過(guò)識(shí)別軟件將圖像中的文字轉(zhuǎn)換成文本格式，以便文字處理軟 件的進(jìn)一步加工。雖然神經(jīng)網(wǎng)絡(luò)的理論研究有著廣闊的發(fā)展前景 ,但是每個(gè)領(lǐng)域的研究就是既充滿誘惑又充滿挑戰(zhàn) . 沒(méi)有人可以肯定告訴我們它的發(fā)展不會(huì)再經(jīng)受挫折 ,也沒(méi)有人會(huì)知道一旦成功實(shí)現(xiàn)其最終的目標(biāo)會(huì)給世界帶來(lái)多大的巨變 . 但是我們有理由相信堅(jiān)持不懈地 致力于 BP 神經(jīng)網(wǎng)絡(luò)理論方法研究必定會(huì)給 21 世紀(jì)科學(xué)研究帶來(lái)輝煌 。 Mcculloch 和 W 1982 年，美國(guó)加州工物理學(xué)院 提出了 Hopfield 神經(jīng)網(wǎng)格模型，引入了“計(jì)算能量”的概念，給出了網(wǎng)絡(luò)穩(wěn)定性判斷。排列瀏覽方法以及高速計(jì)算機(jī)的出現(xiàn)，產(chǎn)生了圖像處理過(guò)程這一概念。這是區(qū)別早期識(shí)別系統(tǒng)的最大的優(yōu)點(diǎn)，現(xiàn)在的識(shí)別系統(tǒng)能夠允許強(qiáng)有力的邏輯系統(tǒng)持續(xù)工作，并不再對(duì)要瀏覽的字符的大小字體濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 3 及數(shù)據(jù)位置兩方面信息作出的要求。通?？梢苑譃榻y(tǒng)計(jì)模式方法、結(jié)構(gòu)模式方法、統(tǒng)計(jì)與結(jié)構(gòu)相結(jié)合的方法和人工神經(jīng)網(wǎng)絡(luò)方法 . 結(jié)構(gòu)模式識(shí)別方法 運(yùn)用模式的基元和基元間的結(jié)構(gòu)關(guān)系對(duì)模式描述與識(shí)別。而“模式識(shí)別”則是在某些一定量度或觀測(cè)基礎(chǔ)上把待識(shí)模式劃分到各自的模式類中去。因此當(dāng)用特征向量來(lái)表示這些在形狀上稍有差異的字符時(shí)，同這些特征向量對(duì)應(yīng)的特征空間中的點(diǎn)便不同一，而是分布在特征空間的某個(gè)區(qū)域中。統(tǒng)計(jì)識(shí)別用于基元的提取上二結(jié)構(gòu)識(shí)別用于整體符號(hào)的識(shí)別上，我們可以分為以下幾步： （ 1）符號(hào)處理：用細(xì)化和歸一化對(duì)待識(shí)字符進(jìn)行處理。該網(wǎng)絡(luò)通過(guò)調(diào)整內(nèi)部節(jié)點(diǎn)間相互的連接關(guān)系，進(jìn)行信息處理。對(duì)神經(jīng)網(wǎng)絡(luò)的研究目前許多技術(shù)不能確定，正確率永遠(yuǎn)達(dá)不到 100%，只能靠近，它們之間進(jìn)行著拉鋸戰(zhàn)。本文將通過(guò)五章地內(nèi)容進(jìn)行討論，用 MATLAB 仿真得到實(shí)驗(yàn)數(shù)據(jù)并對(duì)全文進(jìn)行總結(jié)。 第三章主要講述英文字母的特征提取，介紹了提取的特征即實(shí)現(xiàn)方法。 第五章對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析。 圖 系 統(tǒng)的識(shí)別框架圖 預(yù)處理概述 在進(jìn)行手寫英文字母識(shí)別時(shí)需要對(duì)所得到的手寫英文字母圖像提前進(jìn)行預(yù)處理，不同地域的人在書寫英文字母的過(guò)程中的書寫風(fēng)格不盡相同即使是同一地域的人由于山谷寫的任意性也會(huì)造成手寫字母的形式千變?nèi)f化，令外數(shù)字圖像在采集過(guò)程中，受圖像質(zhì)量、掃描性能的影響，數(shù)字圖像會(huì)帶有形變和噪聲，這些變化都會(huì)影響英文字母的識(shí)別效果，預(yù)處理的目的是消除原始圖像中的噪聲，將原來(lái)的圖像轉(zhuǎn)化為清晰的二值化圖像，便于對(duì)手寫字母的微觀結(jié)構(gòu)特征的提取。這些孤立的點(diǎn)在圖像中是我們不想要的，必須進(jìn)行去除才能提高英文字母的識(shí)別率，如何進(jìn)行去噪本文涉及兩種方法。中值濾波的工作原理：用一個(gè)奇數(shù)的移動(dòng)窗口，某一點(diǎn)的值 是該奇數(shù)窗口中所有像素點(diǎn)的中間值，比如說(shuō)，假設(shè)窗口內(nèi)有七點(diǎn)，其值為 70、 80、 90、 200、 11 120 和 210 那么此窗口內(nèi)各點(diǎn)的中值及為 115?？梢杂行У貙?duì)圖像進(jìn)行平滑并且速度快，算法簡(jiǎn)單。所以均值濾波和中值濾波都有各自的利與弊，選用哪一種濾波方式這要看我們對(duì)識(shí)別的要求。第一，圖像二值化后有利于圖像的進(jìn)一步處理，使圖像變得簡(jiǎn)單，而且整體數(shù)據(jù)量減小，能凸顯出的圖像的整體輪廓。 濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 9 ??? ??? Tyxf Tyxf ),(,1 ),(,0y)f ( x, （ ） 如公式（ ） 所有灰度大于或等于 選定 閥值 T，即 ?（ x,y) =T ， 的像素被判定為屬于特定物體，其灰度值 變 為 255 用 1（或 0）來(lái)表示 ，否則 ，即 ?（ x,y)T這些像素點(diǎn)被排除在物體區(qū)域 之 外，灰度值為 0， 用 0（或 1）來(lái)表示， 表示背景或例外的物體區(qū)域。最大類間方差方法是二值化全局閾值算法的最為杰出的代表之一。 我們用這種方法確定了閾值是 ，如圖 ： 二值化前 二值化后 圖 值化前后圖像 對(duì)于我們要鑒定的字 母二值化前后 的字母矩陣 是什么變化呢？ 以 125為閾 值舉例， 運(yùn)行程序后字母矩陣得到如下表結(jié)果 濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 10 表 字母二值化前后的矩陣 （ a）二值化前 (b)二值化后 45 78 221 78 90 47 217 85 234 0 48 128 178 127 29 128 26 4 90 179 94 124 93 87 1 歸一化 我們所要鑒定的字符的大小規(guī)格不盡相同， 這對(duì)后續(xù)英文字母的特征提取，識(shí)別操作環(huán)節(jié)會(huì)造成一定的障礙。還有一種歸一化思想在 matlab 里圖像數(shù)據(jù)有時(shí)候必須是浮點(diǎn)型才能處理，而圖像數(shù)據(jù)本身是 0255 的 UNIT 型數(shù)據(jù)所以需要?dú)w一化，轉(zhuǎn)換到 01 之間。 本文采用的是尺寸上的歸一花，歸一化通常有兩種形式：一種是外輪廓?dú)w一化，另一種是重心的一化 可以得到筆劃均勻分布的圖。 歸一化前后的對(duì)比字符（如下）： 圖 歸一化前 歸一化后 細(xì)化 在樣本圖像的識(shí)別過(guò)程當(dāng)中細(xì)化處理能夠有效的提高字符的識(shí)別率，圖像的細(xì)化過(guò)程實(shí)際上就是圖像的核心骨架的提取過(guò)程。 對(duì)字符進(jìn)行細(xì)化的過(guò)程當(dāng)中我們選取算法是要有一定的準(zhǔn)則： (1)細(xì)化算法不應(yīng)該改變待識(shí)字符的連續(xù)性。 細(xì)化前后我們用簡(jiǎn)單的二值化矩陣（如下）舉例來(lái)表示： Example: L = 0 0 0 0 0 0 0 0 0 0 濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 12 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 0 Result: L 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 圖 細(xì)化后的圖像 經(jīng)過(guò)上述預(yù)處理：平滑濾波去噪、二值化、大小歸一化四個(gè)過(guò)程，我們所得到的新圖像具有鮮明的特征，使得所有圖像處在了同一個(gè)起點(diǎn)上，為第三章講述的特征提取創(chuàng)造了條件。對(duì)于某一具體的識(shí)別應(yīng)用，所選擇的特征往往會(huì)影響最終的正確識(shí)別率。 結(jié)構(gòu)特征提取的重點(diǎn)是要確定以基元像素值表示出來(lái)的的結(jié)構(gòu)信息，主要有輪廓、筆畫、骨架等結(jié)構(gòu)特征。統(tǒng)計(jì)征可以分為全局特征和局部特整。下面就對(duì)這種基于結(jié)構(gòu)和統(tǒng)計(jì)特整提取進(jìn)行詳細(xì)的介紹。因?yàn)椴煌挠⑽淖帜腹P畫不 同 在歸一化之后黑像素點(diǎn)的比例有很大的變化，所以這一特征能夠很好的反應(yīng)不同英文字母的個(gè)性化的特點(diǎn)。此種特征的一個(gè)大的好處是對(duì)噪聲具有很強(qiáng)的抑制能力。針對(duì) 32 32 的點(diǎn)陣，我 劃分成大小為 4 4 的 16 個(gè)小區(qū)域（如 圖 ），因此，共得出一個(gè)十六維的粗網(wǎng)格特征值 （ 如表 ） 。 圖 預(yù)處理后粗網(wǎng)格的分割方法 表 白色區(qū)域依次所占的比例 濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 16 重心特征 由于不同英文字符的書寫方式不同，則它的象素點(diǎn)的分布情況千差萬(wàn)別不同，所以造成了不同的英文字符的重心位置發(fā)生變化，與其有關(guān)的一些離散量包含了字符幾何的特征信息。 26 個(gè)英文字母的書寫方式不同進(jìn)行二值化后的像素矩陣的排列方式不一樣，一一提取個(gè)個(gè)像素點(diǎn)的值作為 1024 個(gè)特征，因?yàn)闅w一化后的矩陣是 32? 32 的矩陣所以得到了 1024 的向量輸入點(diǎn)，提取之后得到的是一個(gè)矩陣形式，為了方便輸出要將該矩陣變換為 1? 1024 的行矩陣 。 （二）筆劃密度特征的提取方法是 ：以不同方向掃描數(shù)字 ，計(jì)算掃描線和筆劃相交的次數(shù)，形成筆劃密度特征向量。對(duì) 32*32 灰度圖在水平方向上從上至下每 4 行掃描一次，提取 8 個(gè)特征， 900方向每隔 4 行掃描一次，形成 8+8=16濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 18 個(gè)的特征值。 本文的外輪廓特征提取方法是： 取得英文字母的外邊框，從字符左邊框向?qū)γ孢M(jìn)行掃描，計(jì)算最初與字母筆畫相碰的白色部分的面積和面積整幅圖的面積之比，作為字符左邊的外輪廓特征。 表 是 4 個(gè)字母ABCD 訓(xùn)練的外輪廓特征數(shù)據(jù)： 表 外輪廓數(shù)據(jù) 0 0 0 0 0 0 0 0 0 0． 531 0 0 0 0 0 0 總結(jié)本文采取了像素百分比一個(gè)特征向量，粗網(wǎng)格特征 16 個(gè)特征向量，重心特征一個(gè)，矩陣的像素特征 32? 32，筆畫密度 16 個(gè)，外 輪廓 4 個(gè)共計(jì) 1062個(gè)特征向量。 人工神經(jīng)網(wǎng)絡(luò)反映出來(lái)的許多特性與人的大腦功能功能非常的相似，這并不是生物系統(tǒng)的逼真描述，只能算是是某種簡(jiǎn)化、抽象模仿。突起的作用就是用其來(lái)傳遞信息。利用大量神經(jīng)元相互聯(lián)接組成人工神經(jīng)網(wǎng)絡(luò)可顯示出人的大腦的某些特征。人工神經(jīng)網(wǎng)絡(luò)具有初步自適應(yīng)的能力。 （ 1）各節(jié)點(diǎn)輸出模型： 隱含層節(jié)點(diǎn)輸出模型： )(? ??? ?jjijj xwo f （ ） 輸出節(jié)點(diǎn)輸出模型： )(? ??? ?jjijk oty f （ ） f 為非線形作用的函數(shù)； θ 神經(jīng)單元閾值。自學(xué)習(xí)模型為： )()1( nan wwijiij ????? ?? （ ） 濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 21 h 為學(xué)習(xí)因子； Фi為輸出節(jié)點(diǎn) i 的計(jì)算誤差； Oj為輸出節(jié)點(diǎn) j 的計(jì)算輸出； a為動(dòng)量因子 知道了 BP神經(jīng)網(wǎng)絡(luò)的各結(jié)構(gòu)模型我們進(jìn)一步建立本文所用到的 BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)， 如 圖 所示。 輸入層 隱含層 輸出 層 圖 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu) BP 神經(jīng)網(wǎng)絡(luò)的工作原理 人工神經(jīng)網(wǎng)絡(luò)的實(shí)質(zhì)就是模擬人思維的一種方式?，F(xiàn)以人工神經(jīng)網(wǎng)絡(luò)對(duì)手寫英文字母 “A”、 “B”兩個(gè)字母的識(shí)別為例進(jìn)行說(shuō)明，規(guī)定當(dāng) “A”輸入網(wǎng)絡(luò)時(shí)，其輸出層輸出 “0”，而當(dāng)輸入為 “B”時(shí)，輸 出層輸出為 “1”。此時(shí)如果輸出值為 “0”(正確 )，則權(quán)值就會(huì)增大，以便使網(wǎng)絡(luò)再次遇到 “A”這個(gè)字符的模式輸入時(shí)，仍然能作 出正確的判斷。當(dāng)網(wǎng)絡(luò)再次遇到其中任何一個(gè) A 或 B 模式時(shí)，能夠作出迅速、準(zhǔn)確的判斷進(jìn)行識(shí)別