【正文】 en MATLAB 工業(yè)出版社，2022.[11] ：（碩士學(xué)位論文）.武漢：武漢大學(xué)，2022.[12] 鄔建瓴. 數(shù)字識(shí)別及其應(yīng)用：（碩士學(xué)位論文） .武漢:華中科技大學(xué),2022.[13] 井上誠(chéng)喜 ,八木伸行,林正樹等 .C 語(yǔ)言實(shí)用數(shù)字圖像處理. 北京：科學(xué)出版社,2022.[14] 田村秀行 .計(jì)算機(jī)圖像處理技術(shù) .北京:北京師范大學(xué)出版社，1988. [15] 高彤,姜華 ,[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào),1999,31(1):104～106.[16] Martin Network Design. IEEE Trans. Systems Man and Cyberics,2022,25(16).2449. [17] ?；劬辏羯?.學(xué)院院報(bào)，2022，12（12）.15.[18] 羅希平，田捷 . ，2022，13（5）.616.[19] 趙丹，丁金華 .基于 MATLAB 的車牌識(shí)別. 大連工業(yè)大學(xué)學(xué)報(bào)， 2022, 23（3）.215218.[20] Rafael C. Gonzalez,Richard E. Image Processing. Publishing House Of Electronics Industry, 2022.[21] 王家文，李仰軍 . ， 2022.[22] ESA. ESA ERS1 User Handbook. Publishing House Of Electronics Industry ，1992,14(6).123165.能畢業(yè)設(shè)計(jì)（論文）誠(chéng)信聲明書本人聲明：本人所提交的畢業(yè)論文《文檔位圖的印刷體數(shù)字智能檢測(cè)與識(shí)別》是本人在指導(dǎo)教師指導(dǎo)下獨(dú)立研究、寫作的成果，論文中所引用他人的無(wú)論以何種方式發(fā)布的文字、研究成果，均在論文中加以說(shuō)明；有關(guān)教師、同學(xué)和其他人員對(duì)本文的寫作、修訂提出過(guò)并為我在論文中加以采納的意見、建議，均已在我的致謝辭中加以說(shuō)明并深致謝意。致謝近三個(gè)月來(lái)，我取得的每一點(diǎn)成績(jī)都離不開許多人的關(guān)心和幫助，在此論文快要完成之際，謹(jǐn)向他們表示誠(chéng)懇的感謝！本文是在指導(dǎo)老師鐘樺教授的指導(dǎo)和監(jiān)督下完成的，從鐘老師淵博的知識(shí)、嚴(yán)謹(jǐn)?shù)墓ぷ髯黠L(fēng)以及樂(lè)觀的生活方式上，我看到了一位真正的學(xué)者的風(fēng)采。，數(shù)字與字母的字體較多，無(wú)法全部設(shè)置為訓(xùn)練樣本，導(dǎo)致本系統(tǒng)對(duì)有些字體識(shí)別率較低，如果有更多的時(shí)間，應(yīng)該努力修改。實(shí)驗(yàn)一：對(duì)字母R的識(shí)別輸入字母的圖像: 識(shí)別結(jié)果: a=1說(shuō)明輸入的字母可以識(shí)別出1實(shí)驗(yàn)二：對(duì)一般二值圖像的識(shí)別輸入的圖像：得到的結(jié)果：實(shí)驗(yàn)三：對(duì)彩色圖像的識(shí)別步驟一）輸入待識(shí)別圖像:步驟二）對(duì)輸入圖像進(jìn)行二值化:步驟三）剪裁掉圖像中空白部分:步驟四）得到獨(dú)立數(shù)字的圖像： 步驟五）運(yùn)行程序，得到識(shí)別的結(jié)果：Recognition Result：5869345實(shí)驗(yàn)四：對(duì)帶噪聲圖像的識(shí)別 [22]含有噪聲的圖像:識(shí)別的結(jié)果: 說(shuō)明在含有噪聲的情況下，神經(jīng)網(wǎng)絡(luò)有時(shí)候會(huì)把噪聲當(dāng)做一個(gè)數(shù)字。 帶噪聲的圖像： 去噪后的圖像： 單個(gè)數(shù)字圖像的分割這里的圖像分割 [21]是指把單個(gè)數(shù)字的圖像從整體圖像中分割出來(lái)，再分別進(jìn)行識(shí)別，下面舉例進(jìn)行說(shuō)明：第一步 輸入圖像:第二步 剪切掉圖像左邊所有白色區(qū):第三步 由于圖像已經(jīng)轉(zhuǎn)化為二值圖像，所以可以在圖像中從左到右找出第一個(gè)數(shù)值全為 1 的列，剪切出圖像 4，得到兩幅圖像: 第四步 剪切掉圖像 4 中所有白色區(qū)域，得到要識(shí)別的數(shù)字圖像。 Medfilt2表現(xiàn)在兩個(gè)維度中位數(shù)的圖像矩陣過(guò)濾。表 10 個(gè)阿拉伯?dāng)?shù)字的特征庫(kù)數(shù)字特征 0 1 2 3 4 5 6 7 8 9橫 上橫線線 下橫線0000,1010000,11000100000豎 左豎線線 右豎線01100000,1000010001101水平 上 1/4 過(guò)線數(shù)方向 下 1/4 過(guò)線數(shù)過(guò)線 x 軸上過(guò)線數(shù)222111111111212111121,2111221212垂直 上 1/4 過(guò)線數(shù)方向 下 1/4 過(guò)線數(shù)過(guò)線 y 軸上過(guò)線數(shù)2220,1,20,1133323,432,312333333121,23,43,43333 待識(shí)別圖像的預(yù)處理 圖像的二值化處理本文采用閾值分割法進(jìn)行圖像的二值化處理。）分別統(tǒng)計(jì)這 9 個(gè)區(qū)域中的黑象素的數(shù)目，可以得到 9 個(gè)特征。13 點(diǎn)特征提取方法是一種適應(yīng)性較好特征提取方法，即從每個(gè)字符中提取13 個(gè)特征點(diǎn)。 特征提取算法特征提取 [18]的目的是從原始數(shù)據(jù)中抽取出用于區(qū)分不同類型的本質(zhì)特征。 =10。learngdm39。purelin39。在閾值設(shè)定完成后，把訓(xùn)練樣本中的數(shù)字部分截取出來(lái)，再按照比例轉(zhuǎn)化為16*16的圖像，因?yàn)閎p網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為256個(gè) [12]。其基本思路是將直方圖在某一閾值處分割成兩組，當(dāng)被分成的兩組的方差為最大時(shí)，得到閾值。 設(shè)定閾值閾值選取算法分析以上圖像的二值化過(guò)程中，確定閾值是關(guān)鍵，如果能確定一個(gè)合適的閾值就可以方便的將圖像分割開來(lái)。 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 輸入訓(xùn)練樣本每個(gè)數(shù)字輸入十個(gè)訓(xùn)練樣本樣本，從完全沒(méi)有噪聲到加入各種噪聲，另外，為了讓程序更加人性化，在訓(xùn)練樣本中加入的字母大小寫的樣本，期望輸出設(shè)為1，也就是說(shuō)，識(shí)別中遇到字母會(huì)自動(dòng)輸出1。在 MatLab 中已經(jīng)將其編寫成函數(shù)的形式， 可以調(diào)用函數(shù) [13]這里它的輸出計(jì)算公式如公式（） （）og(*,)AlsiWPB?系統(tǒng)最終結(jié)構(gòu)根據(jù)以上分析，系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)為：只有一個(gè)隱含層的三層BP 網(wǎng)絡(luò)，432 個(gè)輸入節(jié)點(diǎn)、26 個(gè)隱層節(jié)點(diǎn)及36 個(gè)輸出節(jié)點(diǎn)，為4322636 結(jié)構(gòu)。為了選擇最優(yōu)節(jié)點(diǎn)個(gè)數(shù)， 試驗(yàn)同時(shí)還記錄下了 s1 在 16～34 之間的誤差曲線圖，由于篇幅限制，只列出其中 4 個(gè)結(jié)果。以下公式（）可以作為選擇隱層節(jié)點(diǎn)個(gè)數(shù)的參考： （）an1??m其中，m 為輸出層節(jié)點(diǎn)個(gè)數(shù)，n 為輸入層節(jié)點(diǎn)個(gè)數(shù)， a 為[1，10]之間的常數(shù)。輸入端為其中的每一個(gè)列向量，因此輸入端的節(jié)點(diǎn)個(gè)數(shù)應(yīng)為 256 個(gè)。其拓?fù)浣Y(jié)構(gòu)如前面的圖 所示。在正向傳播過(guò)程中，網(wǎng)絡(luò)的權(quán)值不變；（2）反向傳播：根據(jù)輸出值與期望值的誤差，把誤差信號(hào)按原來(lái)正向傳播的通路反向傳回，并對(duì)每個(gè)隱層的各個(gè)神經(jīng)元的權(quán)值進(jìn)行修改，以使誤差信號(hào)趨于最小。BackPropagation Network，反向傳播網(wǎng)絡(luò)）是用在模式識(shí)別的典型方法。由于實(shí)際中獲得的圖片往往帶有一些噪聲， 要求所設(shè)計(jì)的識(shí)別系統(tǒng)具有一定抗干擾能力，使其具有在一定不規(guī)范書寫的情況下的仍然能夠識(shí)別字母或數(shù)字能力， 這給系統(tǒng)設(shè)計(jì)實(shí)現(xiàn)帶來(lái)很大困難，人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)和發(fā)展為解決這一問(wèn)題提供了很好的方法和技術(shù)。 模板匹配算法 模板匹配算法分析標(biāo)準(zhǔn)特征庫(kù) [15]建立起來(lái)后，字符識(shí)別時(shí),讀入測(cè)試數(shù)字，首先計(jì)算測(cè)試數(shù)字與標(biāo)準(zhǔn)特征庫(kù)網(wǎng)格特征向量的距離，具體方法如下 [8]: ()810(,)kl kiliiDXX???其次計(jì)算測(cè)試數(shù)字與標(biāo)準(zhǔn)特征庫(kù)交叉點(diǎn)特征向量的距離，具體方法如下: ()1229(,)*9kl kjljj?式 和 中， 為待識(shí)別字符的 13 維特征向量， 為標(biāo)準(zhǔn)特征庫(kù)XlX中的模板字符 13 維特征向量， 和 分別為歸一化和細(xì)化后待識(shí)別字符與標(biāo)kili準(zhǔn)字符庫(kù)的 9 個(gè)小格子內(nèi)的像素?cái)?shù)， 和 分別為歸一化和細(xì)化后待識(shí)別字符jljX與標(biāo)準(zhǔn)字符庫(kù)的 4 個(gè)交叉點(diǎn)的像素?cái)?shù) 。第三章介紹了具體的基于神經(jīng)網(wǎng)絡(luò)的印刷體阿拉伯?dāng)?shù)字識(shí)別的算法。 70 年代以來(lái)，日本學(xué)者做了許多工作，其中有代表性的系統(tǒng)有 1977 年?yáng)|芝綜合研究所研制的可以識(shí)別 2022 漢字的單體印刷漢字識(shí)別系統(tǒng)；80 年代初期，日本武藏野電氣研究所研制的可以識(shí)別 2300 個(gè)多體漢字的印刷體漢字識(shí)別系統(tǒng)，代表了當(dāng)時(shí)漢字識(shí)別的最高水平。設(shè)計(jì) BP 網(wǎng)絡(luò)的關(guān)鍵之處在于高效的特征提取方法、大量有代表性的訓(xùn)練樣本、高效穩(wěn)定速收斂的學(xué)習(xí)方法。BP 網(wǎng)絡(luò)的一個(gè)重要的用途就是用于模式識(shí)別。C. 神經(jīng)元的激勵(lì)函數(shù)是 s 型函數(shù)。初始值過(guò)大或者過(guò)小都會(huì)影響學(xué)習(xí)速度。第七步：根據(jù)局部梯度修正各個(gè)矩陣的權(quán)值。第四步：對(duì)輸入樣本，前向計(jì)算 BP 網(wǎng)絡(luò)每層神經(jīng)元的輸入信號(hào)和輸出信號(hào)。 （）jkjijOE??BP 網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程。設(shè)有含 n 個(gè)節(jié)點(diǎn)的 BP 網(wǎng)絡(luò)，采用 s 型激勵(lì)函數(shù)。 輸 入 節(jié) 點(diǎn) 隱 節(jié) 點(diǎn) 輸 出 節(jié) 點(diǎn) 圖 神經(jīng)網(wǎng)絡(luò)示意圖神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)：激勵(lì)函數(shù)將輸出信號(hào)壓縮在一個(gè)允許的范圍內(nèi)，使其成為有限值，通常神經(jīng)元輸出的范圍在【0，1】或者【－1，1】的閉區(qū)間上。 通過(guò)不斷的修改網(wǎng)絡(luò)權(quán)值從而使得網(wǎng)絡(luò)的輸出不斷的逼近期望值。如果在輸出層得到的輸出和期望輸出的偏差比較大，則轉(zhuǎn)入誤差信號(hào)的反向傳播。本神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)采用的是使用最為廣泛的 BP 網(wǎng)絡(luò)。注意，感知器是單層網(wǎng)絡(luò)。例如如果有 4 個(gè)外部變量作為輸入，那網(wǎng)絡(luò)就要有 4 個(gè)輸入。后面用到的 BP 網(wǎng)絡(luò)也是多層的。一個(gè)神經(jīng)元可以接受多個(gè)輸入，所以把神經(jīng)元表示成為矢量、矩陣形式更容易去處理分析實(shí)際問(wèn)題。（如圖 ）形象的說(shuō)，神經(jīng)網(wǎng)絡(luò)是由大量處理單元（神經(jīng)元 Neurons）廣泛連接而成的網(wǎng)絡(luò)，是對(duì)人腦的抽象、簡(jiǎn)化和模擬，并且它內(nèi)部的很多的神經(jīng)元可以用來(lái)存儲(chǔ)這些已經(jīng)學(xué)到的知識(shí)。神經(jīng)元由三部分組成：樹突、細(xì)胞體和軸突。ji?符向量間的歐氏距離 D 為: ()??2/12/11 )()(),( lkjTlkjdjlkjlk XX??????????? 基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別原理 （1）BP 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介下面我們首先來(lái)簡(jiǎn)要介紹一下神經(jīng)網(wǎng)絡(luò)，然后再詳細(xì)介紹 BP 網(wǎng)絡(luò) [3]。即分別計(jì)算提取的待識(shí)別字符的特征向量與字符標(biāo)準(zhǔn)庫(kù)中各字符特征向量的歐氏距離，與待識(shí)別字符距離最小的庫(kù)中字符就是識(shí)別結(jié)果。(4)筆劃形態(tài)變化:如黑體筆劃粗而平直，寬度一致:楷體筆劃有較大曲率。印刷體字符有很多種字體，而且新的字體還在不斷地產(chǎn)生。它的一項(xiàng)關(guān)鍵技術(shù)是光學(xué)字符識(shí)別技術(shù)(