【導(dǎo)讀】模式識別是六十年代初迅速發(fā)展起來的一門學(xué)科。人員的注意，成為人工智能研究的一個重要方面。字符識別是模式識別的一個傳統(tǒng)研究領(lǐng)域。一研究領(lǐng)域開展了廣泛的探索，并為模式識別的發(fā)展產(chǎn)生了積極的影響。在聯(lián)機(jī)字符識別中，計(jì)算機(jī)能夠通過與。相對OCR來說它更容易識別一些。但聯(lián)機(jī)字符識別有一個重要的不足就是要求輸入者。文字的東西，就需要OCR技術(shù)。備上書寫，它可以與平常一樣書寫，所以O(shè)CR的應(yīng)用更為廣泛。OCR所使用的輸入設(shè)備。通過使用這類采集設(shè)。備，OCR系統(tǒng)將書寫者已寫好的文字作為圖像輸入到計(jì)算機(jī)中，然后由計(jì)算機(jī)去識別。性上獲得字符筆劃的順序信息，因此OCR是一個更具挑戰(zhàn)性的問題。銀行支票自動處理系統(tǒng)等。區(qū)域等，一般來說，兩類特征各有優(yōu)勢。間的連接及對各連接權(quán)值的分布來表示特定的信息。行的能力使得模式識別成為目前神經(jīng)網(wǎng)絡(luò)最為成功的應(yīng)用領(lǐng)域。圖像復(fù)原要求對圖像降質(zhì)的原因有一定的了解，一般講應(yīng)根據(jù)

　　

【正文】 二值化等。根據(jù)數(shù)字的特 點(diǎn)和掃描得到的數(shù)字圖像的灰度差別，可以分別用上述不同確定閾值的方法進(jìn)行二值化。 平滑 實(shí)際獲得的圖像在形成、傳輸、接受和處理的過程中，不可避免地存在著外部干擾和內(nèi)部干擾，如光點(diǎn)轉(zhuǎn)換過程中敏感元件靈敏度的不均勻性，數(shù)字化過程的量化噪聲，傳輸過程中的誤差以及人為因素等，均會使圖像質(zhì)量變差，使圖像模糊。因此，消除噪聲，恢復(fù)原始圖像是圖像處理中的一個重要內(nèi)容。圖像平滑的目的有兩個：改善圖像的質(zhì)量和抽出對象的特征。 平滑的辦法有中值濾波 ,均值濾波等很多方法 ,本設(shè)計(jì)選擇的平滑技術(shù)是中值濾波法。 中值濾波 是一種對干擾脈沖和點(diǎn)狀噪聲有良好抑制作用，而對圖像邊緣能較好保持的非現(xiàn)行圖像增強(qiáng)技術(shù)。在一維形式下，中值濾波器是一個含有奇數(shù)個像素的滑動窗口，經(jīng)排序后，窗口像素序列為 ? ?viiiivi FFFFF ???? ,. .. ,. .. , 11 v=(L1)/2,L 為窗口長度， Fi 即為窗口像素的中值濾波輸出。記做 ? ?viivii FFFM edG ??? ,. .. ,. .. , Med{*}表示取窗口中值。如一窗口長度為 5，像素灰度分別為 {20， 10， 30， 15，25}，則 ? ? 2030,25,20,15,10 ?? M e dG i 若灰度級為 30的像素為椒鹽噪 聲（表現(xiàn)為黑圖像上的白點(diǎn)，白圖像上的黑點(diǎn)），在經(jīng)過中值濾波后即被消除。 基于 VC++的數(shù)字識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 27 一維中值濾波的概念很容易推廣到二維。這時取某種形式的二維窗口，將窗口內(nèi)像素排序，生成單調(diào)二維數(shù)據(jù)序列 {Fjk}.類似于一維，二維中值濾波被輸出 G(j,k)為 ? ? ? ?jkFMedkjG ?, () 一般來說，二維中值濾波器比一維濾波器更能抑制噪聲。二維中值濾波器的窗口形狀可以有多種，如線狀，方形，十字形，圓形，菱形等（見圖 41）。不同形狀的窗口產(chǎn)生不同的濾波效果，使用中必須根據(jù)圖像的內(nèi)容和不同的要求加以選擇。從以往的經(jīng)驗(yàn)看，方形或圓形窗口適宜于外廓線繳長的物體圖像，十字形窗口優(yōu)選與有尖頂角物體的圖像。 圖 41 中值濾波器常用窗口 使用中值濾波器濾除噪聲的方法有多種，且十分靈活。一種方法是先使用小尺寸窗口，后逐漸加大窗口尺寸，直到中值濾波器的壞處多于好處為止。另一種方法是一維濾波器和二維濾波器交替使用。此外還有疊代操作，就是對輸入圖像重復(fù)進(jìn)行同樣的中值濾波，直到它不 再有變化為止。 中值濾波具有很多重要特性。 對離散階躍信號，斜升信號不產(chǎn)生影響，連續(xù)個數(shù)小于窗口長度一半的高 基于 VC++的數(shù)字識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 28 圖 42 中值濾波示例 （ a）階躍（ b）斜坡（ c）單脈沖（ d）雙脈沖（ e）三脈沖（ f）三角形 離散脈沖將被平滑，三角函數(shù)的頂部平坦化（見圖 42） 令 C 為常數(shù)，則 ? ? ? ?? ? ? ?? ? ? ? ? ?jkjkjkjk jkjkjkjkfM e dFM e dfFM e dFM e dCFCM e dFC M e dCFM e d??????? () 中值濾波后，信號 頻譜基本不變。 銳化 圖像的銳化處理主要用于增強(qiáng)圖像中的輪廓邊緣，細(xì)化以及灰度跳變部分，形成完整的物體邊界，達(dá)到將物體從圖像中分離出來或?qū)⒈硎就晃矬w表面的區(qū)域檢測出來的目的。它是早期視覺理論和算法中的基本問題，也是中期和后期視覺成敗的重要因素之一。與圖像的平滑處理一樣，圖像的銳化也有很多處理方法，如針對平均或積分運(yùn)算使圖像模糊，可逆其道而采取微分運(yùn)算 ,使用高通濾波器優(yōu)化高頻分量，抑制低頻分量，提高圖像邊界清晰度等。 在設(shè)計(jì)中我選擇使用了梯度銳化法 . 對圖像函數(shù) F(j,k)，其在點(diǎn) (j,k)上的梯度定義為矢量 基于 VC++的數(shù)字識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 29 ? ?? ??????????????????kFjFkjFG , () G(j,k)的幅度為 ? ?? ? 2122,???????? ????????????????????kFjFkjFG () 在后面的討論中，均以上式為基礎(chǔ)。現(xiàn)在約定把 G[F（ j,k） ]叫做梯度，而不再說 G[F（ j,k） ]是 G[F（ j,k） ]的幅度。 對離散圖像而言，可用差分近似表示上式，一種常用的近似關(guān)系式是： ? ?? ? ? ? ? ?? ? ? ? ? ?? ?? ? 2122 1,1, ?????? kjFkjFkjFkjFkjFG () 為便于編程和提高運(yùn)算精度，在某些場合可進(jìn)一步簡化為： ? ?? ? ? ? ? ? ? ? ? ?1,1, ?????? kjFkjFkjFkjFkjFG () 還有一種羅伯特梯度的算子，表達(dá)式是： ? ?? ? ? ? ? ?? ? ? ? ? ?? ?? ? 2122 1,11,1, ???????? kjFkjFkjFkjFkjFG () 對應(yīng)的絕對值表達(dá)式是： ? ?? ? ? ? ? ? ? ? ? ?1,11,1, ???????? kjFkjFkjFkjFkjFG () （ ）式和（ ）式中各因子之間的關(guān)系分別如圖 （ a）（ b）所描述。對 照此圖是很容易記住梯度差分表達(dá)式的。（ ）式是沿水平軸和垂直軸兩個方向的微分和，（ ） 是取正反旋轉(zhuǎn) 45度兩個方向的微分的和。 (a)水平梯度銳化法 (b)羅伯特銳化法 圖 43 二維梯度的兩種差分算法 知道了梯度 G[F(j,k)]后，如何確定銳化輸出 G(j,k)呢？下面提供了幾種思路： 直接以梯度值代替 G(j,k)=G[F(j,k)] () 這種方法直截了當(dāng)，簡單。但是 F(j,k)均勻的區(qū)域，因梯度值 G[F(j,k)]很?。O端情況下甚至為 0），會表現(xiàn)出暗的特性，這在有些場合是不適宜的。 基于 VC++的數(shù)字識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 30 輔以門限判斷 ? ? ? ?? ? ? ?? ?? ? ? ?? ???? ? ?? TkjFGkjF TkjFGkjFGkjG ,。, ,。, () 該方法基本上不破壞圖像背景，又可增強(qiáng)圖像邊緣。 給邊緣規(guī)定一個特定的灰度級，即 ? ?? ?? ?? ? ? ?? ???? ??? TkjFGkjF TkjFGLkjG ,。. ,。, ? （ ） 給背景規(guī)定特定的灰度級 ? ?? ?? ? ? ?? ?? ?? ???? ??? TkjFGL TkjFGkjFGkjGb , （ ） 二值圖像 ? ?? ?? ? ? ?? ?? ?? ???? ??? TkjFGL TkjFGkjFGkjGb , （ ） 梯度是向量，各向同性，梯度方向?qū)?yīng)與 F(j,k)最大變化率方向上，即 ? ? ? ??????? ????? j kjFk kjFQ ,/,a rc t a n （ ） 梯度幅度比例于相鄰像素的灰度級差值。在灰度陡變區(qū)域，梯度值大；在灰度相似區(qū)域，梯度值??；在灰度級為常數(shù)的區(qū)域，梯度為 0。熟悉梯度的這些性質(zhì)，根據(jù)不同的目的選擇不同的算法，就能獲得滿意的銳化效果。 字符切分 數(shù)字識別常用于郵政編碼的自動識別和支票的檢驗(yàn)等。在這些應(yīng)用中，給出的數(shù)字往往是互相牽連，并且常帶有覆蓋相交叉，所以為了獲得可以進(jìn)行識別的輸入樣本表達(dá)，必須進(jìn)行數(shù)字之間的分離，消除不必要的記號和符號。經(jīng)過文字切分得到的一個個獨(dú)立的樣本，可以用于進(jìn)一步的處理。 通常可以依據(jù)兩種原則進(jìn)行分割。 一是依據(jù)各個象素點(diǎn)的灰度不連續(xù)性進(jìn)行分割 。一是依據(jù)同一區(qū)域具有相似的灰度 (或組織特性 )這一特征，尋求不同區(qū)域之邊界。前者稱為基于點(diǎn)相關(guān)的分割技術(shù)，后者稱為基于區(qū)域相關(guān)的分割技術(shù)。 本設(shè)計(jì)中選擇使用基于灰度閾值的全局閾值化方法 . 這是一種最常用、同時也是最簡單的分割方法，它特別適用于對象和背景占據(jù)不同灰度級范圍這類圖像。此時，我們只要選取一個適當(dāng)?shù)幕叶燃夐撝担缓髮⒚總€象素灰度和它進(jìn)行比較。超過閾值的重新分配以最大灰度 (例如 255),低于閾值的分配基于 VC++的數(shù)字識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 31 以最小灰度 (例如 0)，那么，我們就可以組成一個新的二值圖像，并 成功地把對象從背景中顯露出來。在分割之前進(jìn)行背景平滑和噪聲消除，常常能改善分割的性能。 規(guī)格化 由于樣本數(shù)字大小不一，為了便于提取數(shù)字特征，需要對樣本進(jìn)行尺寸大小規(guī)一化，或者說是將數(shù)字的長度和寬度都調(diào)整到充滿整個 n*n的網(wǎng)格之中。 細(xì)化 在傳統(tǒng)的模式識別中，對于數(shù)字的特征提取往往是從字形結(jié)構(gòu)的提取入手。因而人們認(rèn)為在二值化的字符圖像中，對識別有價值的字符特征主要集中在字符的輪廓或者骨架上?；谶@種認(rèn)識，在經(jīng)過以上幾個步驟的處理，得到干凈、平滑、規(guī)范的樣本集合之后，往往要進(jìn)行細(xì) 化。即將字符中的粗細(xì)不等的筆劃變換成只有一層像素點(diǎn)構(gòu)成的統(tǒng)一的筆劃。 細(xì)化的基本原理都是從字的邊界開始逐層移去黑點(diǎn)，直到尋找到一個集合，此集合與其邊界相重合，這種方法被稱為脫殼算法。關(guān)于細(xì)化及快速細(xì)化的算法有許多，比如快速細(xì)化算法 QA,Rutorit算法 (簡稱 RA),Hildith算法 (簡稱 HA)等。 經(jīng)過上面幾個步驟的預(yù)處理變換，則可以獲得一種簡單像素點(diǎn)輸入樣本表達(dá)。對傳統(tǒng)的識別系統(tǒng)，這種樣本不能直接進(jìn)行識別，以上的步驟只是為特征提取選擇打下基礎(chǔ)。而對于神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)，這種簡單樣本表達(dá)可以直接輸入進(jìn)行模 式識別。但是，這種簡單的原始二值表達(dá)式在代表數(shù)字時有下面幾點(diǎn)不足 : 樣本維數(shù)很大，而中間許多特征不一定有用 。 沒有將那些真正反映數(shù)字特點(diǎn)的特征突出出來 。 對于不同數(shù)字的外圍或邊緣及主干特征并沒有考慮進(jìn)去，這樣對一些有相似部分的數(shù)字容易出現(xiàn)誤識。 由于上面三方面的原因，在神經(jīng)網(wǎng)絡(luò)模式識別中，我們要用帶污染的輸入量去訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其具有一定的抗干擾能力，這樣對所要識別的數(shù)字，能達(dá)到更好的識別率。 BP 網(wǎng)絡(luò)在數(shù)字識別中的應(yīng)用 BP 算法的流程圖如下 圖所示。 初始化 給定輸入向量 和目標(biāo)輸出 求隱層、輸出層各單元輸出 基于 VC++的數(shù)字識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 32 Y N N Y 圖 44 BP算法流程圖 BP 算法在數(shù)字識別中的應(yīng)用流程圖： 圖 45 BP 算法在數(shù)字識別中的應(yīng)用 BP 神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) 采樣數(shù)據(jù) 輸入判斷語句 映射關(guān)系 初步的神經(jīng)網(wǎng)絡(luò)模型 學(xué)習(xí)結(jié)束？ 學(xué)習(xí)樣本 穩(wěn)態(tài)時的神經(jīng)網(wǎng)絡(luò)模型 輸出判斷語句 輸入屬于給定設(shè)計(jì)空間的新的輸入變量集 基于 VC++的數(shù)字識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 33 將要識別的目標(biāo)是從 0到 9的 10個數(shù)字字符。每個 字符被分成 8*8的小塊進(jìn)行數(shù)字化，分別用一個向量來表示。 10個含 64個元素的輸入向量被定義為一個輸入向量矩陣，向量代表某個數(shù)字，其相應(yīng)有數(shù)的位置值為 1，而其他位置值為 0。共有兩類這樣的數(shù)據(jù)作為輸入 :一類是在理想的狀態(tài)下的信號 。另一類是隨機(jī)方式生成含有噪聲的信號。如圖 46所示 。 圖 46 理想信號（上） 含有噪音的信號（下） 網(wǎng)絡(luò)通過輸出一個具有 1