【正文】 本人授權(quán) 大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。除了文中特別加以標(biāo)注引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。盡我所知，除文中特別加以標(biāo)注和致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過的研究成果，也不包含我為獲得 及其它教育機(jī)構(gòu)的學(xué)位或?qū)W歷而使用過的材料。 8 《基于模糊人工神經(jīng)網(wǎng)絡(luò)識別的水質(zhì)評價模型》 陳守煜 李亞偉 大連理工大學(xué)土木水利學(xué)院。 3 《基于特征匹配的車牌識別算法研究》 來自網(wǎng)上 博客。再次，在模板匹配上，本論文提出并研究圖像特征匹配，這對模糊圖像識別提供很有利的識別證據(jù) 本論文能順利完成，少不了李學(xué)斌老師的熟心指導(dǎo)，還有討論小組的成員。 仿真二 ： ‘圖五’為待識別的模糊數(shù)字圖像，‘圖六’是經(jīng)過預(yù)處理后二值化的數(shù)字圖像，‘圖七 ’是經(jīng)過細(xì)化后的圖像 ，‘圖八’為骨架提取圖，計算得： DATA=[2,1,1,3,3,3]； 通過對比得：數(shù)字五跟 DATA 最為匹配，所以可以得出待匹配數(shù)字為 5。 本文采用串行的迭代算法對一幅圖像的所有邊界點即一個 3 3 區(qū)域都進(jìn)行如下檢驗和操作： 考慮以邊界點為中心的 8 鄰域，設(shè) p1 為中心點，對其鄰域的 8個點逆時針繞中心點分別標(biāo)記為 p2， p3，?， p9，其中 p2 位于 p1 的上方。迭代方法依據(jù)其檢查像素的方法又可以再分成串行算法和并行算法，在串行算法中，是否刪除像素在每次迭代的執(zhí)行中是固定順序的，它不僅取決于前次迭代的結(jié)果，也取決于本次迭代中已處理過像素點分布情況，而在并行算法中，像素點刪除與否與像素值圖像中的順序無關(guān)，僅取決于前次迭代的結(jié)果。對于任意形 細(xì)化前 細(xì)化后 狀的區(qū)域，細(xì)化實質(zhì)上是腐蝕操作的變體，細(xì)化過程中要根據(jù)每個像素點的八個相鄰點的情況來判斷該點是否可以剔除或保留。 依據(jù)上述特征提取方法， 本系統(tǒng)中的特征矢量由 7 個分量組成，其排列如下所示： DATA＝ [水平 1 ／ 3 處交點數(shù)，水平中線交點數(shù)，水平 2 ／ 3 處交點數(shù)，豎直 5 ／ 12 處交點數(shù)，豎直中線交點數(shù)，豎直 7 ／ 12 處交點數(shù) ，端點數(shù) ] 圖 41 待識別字符特征提取 圖 42 模板特征提取 算法流程 1 圖像讀取 ： 將讀取進(jìn)來的圖像進(jìn)行 灰度變換； 2 清晰化 ： 根據(jù)模糊數(shù)字圖像的圖像進(jìn)行清晰化處理，清晰化過程課參考 節(jié)的匹配預(yù)處理技術(shù)，得到邊緣清晰的模糊數(shù)字圖像 3 細(xì)化 ： 將邊緣比較清晰的模糊數(shù)字圖像進(jìn)行二值化，并將其轉(zhuǎn)換為細(xì)化圖像： 圖像處理中物體的形狀信息是十分重要的，為了便于描述和抽取圖像特定區(qū)域的特征，對那些表示物體的區(qū)域通常需要采用細(xì)化算法處理，得到與原來物體區(qū)域形狀近似的由簡單的弧或曲線組成的圖形，這些細(xì)線處于物體的中軸附近，這就是所謂的圖像的細(xì)化。 結(jié)構(gòu)特征提取的算法如下： 1） 對 細(xì)化后的數(shù)字圖像取豎直的三條直線，分別取在 5 ／ 12， 1 ／ 2， 7 ／ 12 處，記下這三條豎直直線與數(shù)字筆段的交點數(shù)。 分別在水平方向 5/12,1/2， 7/12 處劃橫線，分別得到數(shù)字圖像與三條橫線的交點個數(shù)，記下交點左邊；同理，在垂直方向 1/3,1/2， 2/3 處劃線，分別得到數(shù)字圖像與三橫線的交點，記下他們的坐標(biāo)。該方法同上述方法類似，只是在計算互相關(guān)系數(shù)時進(jìn)行了歸一化處理 : NCC= （ ） 其中 和 分別表示圖像 和 特征點相關(guān)窗內(nèi)像素灰度值的均值 （ ） （ ） ? 歸一化互相關(guān)法優(yōu)缺點： 1）該方法較好地解決了對于光照變化敏感的問題。匹配效果如表 表 數(shù)字 匹配次數(shù) 失敗次數(shù) 成功率 1 300 150 50% 2 300 120 60% 3 300 105 65% 4 300 126 58% 5 300 117 61% 6 300 60 59% 7 300 123 68% 8 300 80 45% 9 300 165 57% 0 300 138 54% 基于互相關(guān)的匹配原理 該方法不直接利用特征點鄰域的灰度值，而是依據(jù)特征點鄰域像素灰度值的互相關(guān)系數(shù)（ Cross Correlation）為匹配原則進(jìn)行匹配。 匹配識別 基于像素差平方和的匹配原理 該方法類似于基于模板匹配的圖像配準(zhǔn)算法，基于模板匹配的圖像配準(zhǔn)算法是在參考圖像中取得一個能包含圖像主要信息的模板作為基準(zhǔn)特征塊，然后在待配準(zhǔn)圖像中查找與該基準(zhǔn)特征塊最為相似的匹配塊，匹配的原則是以兩幅圖像重疊部分（這里是指重疊塊）的像素差的平方和（ Sum of Squared Differences，簡稱 SSD）為標(biāo)準(zhǔn)來衡量此區(qū)域是否與基準(zhǔn)特征塊最相似。 圖像變模糊的原因一般為成像系統(tǒng)聚焦不好、信道過窄以及平均過積分運算。 大小調(diào)整 模板匹配必需是大小一致的模板才能進(jìn)行相減運算，可利用 imcrop 函數(shù)對其進(jìn)行剪切。 M=fftshift(K)。 2 將其轉(zhuǎn)化為灰度圖像 rgb2gray(name)。 E=KG。 %卷積 G=conv2(K,M2,39。K=double(K)。0,1,0]。)。這就避免 了應(yīng)用公式 L— N／ d求解時， Ad產(chǎn)生的誤差傳播作用，同時也保證了特征提取精度。將幅度和作 為 BP神經(jīng)網(wǎng)絡(luò)的輸入量，經(jīng)過訓(xùn)練，達(dá)到一定訓(xùn)練次數(shù)和精度后，用訓(xùn)練好的網(wǎng)絡(luò)可以識別出運動模糊尺度。通過比較輸出層各個神經(jīng)元的實際輸出與期望輸出，獲得二者之間的誤差，然后按照減小誤差的方向，從輸出層經(jīng)各個隱含層并逐層修正各個連接權(quán)值，最后回到輸入層。本文采用第一種數(shù)據(jù)歸一化方法。 (1) 最大最小法。為了改善這一狀況，需要對數(shù)據(jù)進(jìn)行歸一化處理。以水平方向勻速直線運動模糊圖像為例 (以下相同 )，在其頻譜圖中，平行暗條紋是豎直方向的，將頻譜圖中的幅度 (這里的幅度指的是取對數(shù)之后的幅度，以下相同 )逐列相加，得到一行值，這就得到了可以使用的一組圖像特征。 Radon 變換的定義： R（ , ） = （ 23） 對于數(shù)字圖像， ，通過 Radon變換可計算其在某一指定角度射線方向上的線積分。對于不帶噪聲的勻速直線運動模糊圖像，可以通過傅里葉變換將其轉(zhuǎn)換到頻率域再尋找圖像特征。 在這可以利用 MAYLAB 里自帶的函數(shù) rgb2gray 將其進(jìn)行轉(zhuǎn)換，這不影響后面的圖像識別?？梢詷?gòu)造一個低通濾波器，使低頻分量順利通過而有效地阻于高頻分量，即可濾除圖像的噪聲，再經(jīng)過反變換來取 得平滑的圖像。低通濾波是頻率域濾波的一種，頻率域濾波是將圖像從空間或時間域轉(zhuǎn)換到頻率域，再利用變換系數(shù)反映某些圖像特征的性質(zhì)進(jìn)行圖像濾波的方法。 去噪 圖像在生成和傳輸過程中常常因受到各種噪聲的干擾和影響而使圖像降質(zhì)，這對后續(xù)圖像的處理 (如分割、壓縮和圖像理解等 )將產(chǎn)生不利影響。 H(u,v)一為傳遞函數(shù)，也稱轉(zhuǎn)移函數(shù)（即低通濾波器） 。 在使用 im2bw函數(shù)將灰度圖像轉(zhuǎn)換為二值圖像時， 需要設(shè)定一個閾值。 (2)根據(jù)閾值 ?將圖象的平均灰度值分成兩組 R1 和 R2。其次，要進(jìn)行二值圖像的處理與分析，首先要把 灰度圖像 二值化，得到二值化圖像。 建立不同模糊程度的數(shù)字模板 通過讀取圖像，對讀取的圖像進(jìn)行處理 。也為后續(xù)改進(jìn)模板匹配算法提供良好的素材 將圖 轉(zhuǎn)化為灰度圖像，可以利用 MATLAB 里的自帶的灰度轉(zhuǎn)換函數(shù)將其轉(zhuǎn)化。 節(jié)主要講改進(jìn)匹配算法，算法流程，算法實現(xiàn)，算法仿真。在嚴(yán)重模糊情況下不要求識別絕對準(zhǔn)確，只要求通過技術(shù)分析為人眼辨識提供借鑒。根據(jù)上述假設(shè)，令 j=10，那么，模糊子集 A 根據(jù)模糊識別矩陣規(guī)定閥值 λ，依據(jù)閥值原則，可以得到入截矩陣 R，從而可選擇出最優(yōu)的向量。 鑒于公共財政優(yōu)劣評價具有模糊性，因此可以將模糊 識別理論用于優(yōu)劣評價中，對評估 指標(biāo)體系 進(jìn)行設(shè)計，利用模糊識別理論的方法，對 公共支出 情況作綜合評價并對 10個省份的公共支出情況作出綜合排序。 社會公共需要 決定著公共財政的存在，決定著公共財政的活動范圍和活動效果。張守鳳等 (20xx)以三角模糊數(shù)來表示模糊概念，提出一種新的多層多級模糊模式識別模型，并運用 該模型對某企業(yè)競爭力進(jìn)行模糊綜合評判和模式識別。 如陳守煜 (20xx)提出了可持續(xù)發(fā)展系統(tǒng)評價的模糊識別的模型和方法，其中包括確定評價指標(biāo)權(quán)向量的模糊安全決策原理與方法。能夠找到圖像邊緣并只模糊圖像邊界線以內(nèi)的區(qū)域。 高斯模糊： “高斯 ”是指 將加權(quán)平均應(yīng)用于像素時生成的鐘形曲線。 2）矩形窗口的選用仍然是該類法的缺憾?；舅悸啡缦拢悍謩e在參考圖像和待配準(zhǔn)圖像中以每一個特征點為中心取一個 (2N+1) (2N+1)大小的相關(guān)窗，然后以參考圖像中的每個特征點為參考點在待配準(zhǔn)圖像中尋找對應(yīng)匹配點，匹配的依據(jù)是計算特征點相關(guān)窗之間的相關(guān)系數(shù)，數(shù)值越大表明匹配程度越好。實驗證明該方法評價結(jié)果符 合人類主觀評價結(jié)果。對原始圖像進(jìn)行低通濾波得到一度參考圖像，計算參考圖像與待評價圖像的結(jié)構(gòu)相似度。故可以通過衡量圖像包含高頻信息的多少來評價圖 像清晰度。以上僅僅是對成像系統(tǒng)離焦模糊的原因進(jìn)行了分析，在可能引起圖像模糊的其他應(yīng)用中，列如圖像壓縮圖像平滑濾波等。研究的難度很大。在圖像拍攝過程中，由于景物與成像系統(tǒng)的 由于某種條件的改變 會導(dǎo)致 圖像模糊 ， 尤其是在車牌模糊數(shù)字成像 得到了廣泛的研究。 模板匹配的工作方式跟直方圖的反向投影基本一樣，大致過程是這樣的：通過在輸入圖像上滑動圖像塊對實際的圖像塊和輸入圖像進(jìn)行匹配。如在遙感圖像處理中把不同波段的傳感器對同一景物的多光譜圖像按像點的性質(zhì)進(jìn)行對應(yīng)套準(zhǔn)，然后根據(jù)像點的性質(zhì)進(jìn)行地物分類，如果利用在不同時間對同一地面拍攝的兩幅照片，經(jīng)套準(zhǔn)后找出其中特征有了變化的點，就可以用來分析圖中哪些部分發(fā)生了變化。 簡單而言，模板就是一幅已知的小圖像。為了把它轉(zhuǎn)換為數(shù)字形式，必須在坐標(biāo)和幅度上都做取樣操作?？臻g位置上的數(shù)字化使用一個有限的數(shù)列或數(shù)陣來表示一副連續(xù)圖像，稱為取樣，這些數(shù)就稱為樣本。 數(shù)字圖像的概念 :一幅圖像可以定義為一個二維函數(shù) f (x, y)，其中 x和 y是空間坐標(biāo)，而在任何一對空間坐標(biāo) (x, y)上的幅值 f 稱為該點圖像的強(qiáng)度或 者 灰度。 模擬圖像處理（ Analog Image Processing）主要包括光學(xué)處理 、 電子處理。因此，做好對圖 像匹配技術(shù)的深入研究，對推動現(xiàn)代信息處理領(lǐng)域的發(fā)展，是密切聯(lián)系的。 在一些場合，需要對目標(biāo)進(jìn)行空間上 定位。對于人類來說，這種功能是與身俱來的，十 分輕松的事情。人類通過眼睛和 大腦來獲取、處理與理解視覺信息的。 Abstract Digital Fuzzy Recognition for traffic safety, traffic management and control scheme selection has very important theoretical and practical value. Through video image detection and recognition, you can pay for the road Flow, traffic and other captured blurred video, image processing and analysis, extraction of traffic flow information (traffic lane represent