【正文】 ........................................................................ 7 二值化 ........................................................................................... 8 歸一化 ...................................................................................... 10 細(xì)化 ............................................................................................. 11 3 字母特征提取 ................................................................................................ 13 特征提取概述 ....................................................................................... 13 本文特征提取設(shè)計 ............................................................................... 13 像素百分比特征 ......................................................................... 14 提取矩陣的粗網(wǎng)格特征 ............................................................. 15 重心特征 .................................................................................... 16 提取圖像的矩陣像素特征 ........................................................ 16 筆劃特征 ..................................................................................... 17 外輪廓特征提取 ........................................................................ 18 4 BP 神經(jīng)網(wǎng)絡(luò) .................................................................................................. 19 人工神經(jīng)網(wǎng)絡(luò) ....................................................................................... 19 神經(jīng)網(wǎng)絡(luò)的模型圖 ................................................................................ 20 BP 神經(jīng)網(wǎng)絡(luò)的工作原理 ................................................................... 21 濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 IV 神經(jīng)網(wǎng)絡(luò)的各層節(jié)點(diǎn)數(shù) ........................................................................ 22 輸入層和輸出層 ....................................................................... 22 隱含層節(jié)點(diǎn)數(shù)的優(yōu)化確定 ...................................................... 23 BP 神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)計和訓(xùn)練過程 [17] ............................................. 25 5 實驗結(jié)果及分析 .............................................................................................. 28 實驗設(shè)計 ............................................................................................... 28 實驗參數(shù) .................................................................................... 28 訓(xùn)練和識別樣本庫設(shè)計 ............................................................ 28 隱含層節(jié)點(diǎn)對實驗結(jié)果的影響 ............................................................ 28 識別樣本的正確率 ............................................................................... 30 實驗結(jié)果分析 ....................................................................................... 31 結(jié) 論 .............................................................................................................. 32 參 考 文 獻(xiàn) ........................................................................................................ 33 致 謝 .............................................................................................................. 35 附 錄 .............................................................................................................. 36 濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 1 1 前言 研究背景及意義 手寫字母識別技術(shù)是光學(xué)字符識別（ Optical Character Recognition ，簡稱OCR）的一個分支， 字母識別 的研究背景要追溯到早期的光學(xué)識別技術(shù)，距今已有 40 多年的發(fā)展歷史。識別的瀏覽器能夠直接訪誤碼 CPO，這項技技術(shù)也影響到了信用卡交易的付款處理的過程。近幾年來，印刷英文字符識別系統(tǒng)的單字母識別正確率已經(jīng)超過 ％，為了進(jìn)一步提高系統(tǒng)的總體識別率，掃描圖像、圖像的預(yù)處理及識別后處理等方面的技術(shù)也都得到了深入的研究，并取得了很大的的進(jìn)展，有效地提高了印刷字母識別系統(tǒng)的總體性能 研究英文字母識別的 BP 神經(jīng)網(wǎng)絡(luò)模型，最終目的就是要使 BP 字母識別系統(tǒng)實現(xiàn)工 業(yè)化，能像現(xiàn)在的一些手寫英文字母識別系統(tǒng)或印刷體英文字母識別系統(tǒng)濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 2 一樣成為產(chǎn)品走向市場。該模型一直沿用至今，并且一直影響該領(lǐng)域研究的進(jìn)展。相對于處理現(xiàn)實中的文件 式顯微膠片的圖片，這種系統(tǒng)能力為用戶提供了更方便地整理圖像的方法。 預(yù)處理、文法推斷、模式表達(dá)、句法分析四個部分（如 圖 ）構(gòu)成了結(jié)構(gòu)模式識別系統(tǒng)。模式識別系統(tǒng)在進(jìn)行工作時只要判斷被識別的對象落入哪一個區(qū)域，就能確定出其所屬的類別。 人工神經(jīng)網(wǎng)絡(luò)包括 LMBP 神經(jīng)網(wǎng)絡(luò)、 GA神經(jīng)網(wǎng)絡(luò)、 BP神經(jīng)網(wǎng)絡(luò)等多種神經(jīng)網(wǎng)絡(luò)。圖像預(yù)處理的本質(zhì)是：特征提取時提取的字母特征能有效地反映手寫英文字母的本質(zhì)特征。 第六章對本文所作的工作進(jìn)行總結(jié)，并提出 BP 神經(jīng)網(wǎng)絡(luò)識別的工作展望。均值濾波采用的主要是平均法，因此均值濾波又叫線性濾波，它是用周邊像素點(diǎn) G1（ x1,y1）至 G8（ x8,y8）(G 代表灰度 )的平均灰度 ?? ),(1 yxfmG 來代替當(dāng)前像素點(diǎn) G（ x0,y0）的灰度值， m為模板周圍像素點(diǎn)的個數(shù) [15]。而對于非線性濾波方法也就是我們說的中值濾波 ,它是圖像預(yù)處理技術(shù)中最常用的核心處理技術(shù)。圖像的二值化就是將圖像上的像素點(diǎn)的灰度值設(shè)置為 0 或 1， 0 代表白色（或黑色）， 1 代表黑色（或白色）也就是將整個圖像呈現(xiàn)出灰度為 0 或 255 明顯的黑白效果?；鞠敕ㄊ且宰罴验T限將圖像灰度直方圖分割成兩部分，使兩部分類間方差取最大值 ，即分離性最大。歸一歸一化有同一、統(tǒng)一和合一的意思。 細(xì)化的算法有兩種：一種是非迭代一次細(xì)化完成 ，如圖（ 細(xì)化后圖像） ；一種是迭代 N 次細(xì)化完 成。特征提取就是把圖像上的點(diǎn)分成不同的區(qū)域子集，這些子區(qū)域往往屬于孤立的點(diǎn)、連續(xù)的曲線或連續(xù)的區(qū)域。統(tǒng)計特征是指從原始數(shù)據(jù)圖像中提取與分類最相關(guān)的信息，使各類之 間的差距極小，類間差距極大。 本文結(jié)合結(jié)構(gòu)特征和統(tǒng)計特征采用了多種提取方法，通過 matlab 自編程序采用的結(jié)構(gòu)特征包括：重心特征、筆畫密度特征、外輪廓特征，統(tǒng)計特征包括 ：像素百分比特征、矩陣像素特征、粗網(wǎng)格特征，共六種特征 ,如圖 所示： 濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 14 圖 字母提取特征 像素百分比特征 像素百分比特征是指在二值化圖像當(dāng)中所有的白像素點(diǎn)（或黑像素點(diǎn)）占整幅圖像像素點(diǎn)的比例。由于 26 個英文字符的筆劃相對于漢字來說具有比較固定的總體分布情況，從選取的特征的質(zhì)量來講是很好的，不同字符的特征向量在空間中的分布是較分散的，也就是說特征空間中不同類之間的類間距是差別是比較大的。定義： ? ?? ????? ????? 1010 1010m NNMM NNMM mnmn ffm （ ） ? ?? ????? ????? 1010 1010n NNMM NNMM mnmn ffn （ ） 其中， m=l， 2?? M1， n=l， 2?? N.(m ,n )是整個字符的重心 [23]。從密度特征的提取方法容易看到，筆劃密度特征對字形畸變的抗干擾能力較強(qiáng)。這四個外輪廓特征量反映了字符的形狀 特征，是一個相對百分比值。在生物學(xué)當(dāng)中神經(jīng)元和其他的細(xì)胞一樣，有細(xì)胞膜、細(xì)胞質(zhì)、細(xì)胞核構(gòu)成。但是，由于人腦是一個大規(guī)模并行與串行組合處理系統(tǒng)，因而，在許多問題上可以作出快速判斷、決策和處理，其速度則遠(yuǎn)高于串行結(jié)構(gòu)的普通計算機(jī)。 （ 4）自學(xué)習(xí)模型 神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)過程，即連接下層和上層節(jié)點(diǎn)之間的權(quán)值 Wij的設(shè)定和誤差縮小過程。雖然單個神經(jīng)元的結(jié)構(gòu)非常的簡單，并且功能有限，但是很多神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所能夠?qū)崿F(xiàn)的具體操作卻是豐富多彩的。進(jìn)行如此操作調(diào)整，當(dāng)給網(wǎng)絡(luò)大量輸入手寫字母 “A”、 “B”后，通過網(wǎng)絡(luò)自學(xué)習(xí)能力，網(wǎng)絡(luò)判斷的正確率將會大大提高。 BP 神經(jīng)網(wǎng)絡(luò)模型處理圖像的基本原 理是：輸入信號 Xi通過隱含層節(jié)點(diǎn)作用于輸出節(jié)點(diǎn)，經(jīng)過 f 非線形變換，產(chǎn)生輸出信號 Yk，網(wǎng)絡(luò)訓(xùn)練的每個樣本包括輸入向量 X 和期望輸出量 t，網(wǎng)絡(luò)輸出值 Y 與期望輸出值 t 之間的偏差，通過調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的聯(lián)接強(qiáng)度取值 Wij和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的聯(lián)接強(qiáng)度 Tjk以及閾值，使誤差沿梯度方向下降，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對應(yīng)的網(wǎng)絡(luò)參數(shù)（權(quán)值和閾值），訓(xùn)練即告停止。 網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)一般就是所識別事物的類別數(shù)，比如說簽名識別結(jié)果只有兩種真或假，所以輸出層節(jié)點(diǎn)數(shù)就有兩個。例如， Mezard 的 Tiling 算法、 Fahlman 的 CC(CascadeCorrelation)算法都是增長方法的原理。最佳隱節(jié)點(diǎn)數(shù) L 可參考下面的公式計算： L ??? m 。如果均方誤差值的下降速率較快，則說明學(xué)習(xí)速率選取的還是比較合。所以本文選取了較小的學(xué)習(xí)速率來保證系統(tǒng)的正確識別率，學(xué)習(xí)速率的選取范圍一般在O． 01 到 之間 [28]。、 177。因此在網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)目的選擇時我們遵循這樣的原則：在能夠有效地解決所提出的問題的基礎(chǔ)上，隱含層的節(jié)點(diǎn)數(shù)再加上 l 到 2 個來加快誤差的下降速度加快訓(xùn)練過程。本文提到必須確定有效數(shù)據(jù)這時因為