【正文】 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 細化后的圖像 經(jīng)過上述預處理：平滑濾波去噪、二值化、大小歸一化四個過程，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起點上，為第三章講述的特征提取創(chuàng)造了條件。 (3)算法不應(yīng)該對噪聲敏感，即當待識字符邊界上出現(xiàn)噪聲時，對細化結(jié)果不產(chǎn)生影響。 對字符進行細化的過程當中我們選取算法是要有一定的準則： (1)細化算法不應(yīng)該改變待識字符的連續(xù)性。 細化的算法有兩種：一種是非迭代一次細化完成 ，如圖（ 細化后圖像） ；一種是迭代 N 次細化完 成。 歸一化前后的對比字符（如下）： 圖 歸一化前 歸一化后 細化 在樣本圖像的識別過程當中細化處理能夠有效的提高字符的識別率，圖像的細化過程實際上就是圖像的核心骨架的提取過程。在得到寬度和高度之后，把新圖像里面的點映射到原圖像中。 本文采用的是尺寸上的歸一花，歸一化通常有兩種形式：一種是外輪廓歸一化，另一種是重心的一化 可以得到筆劃均勻分布的圖。歸一歸一化有同一、統(tǒng)一和合一的意思。還有一種歸一化思想在 matlab 里圖像數(shù)據(jù)有時候必須是浮點型才能處理，而圖像數(shù)據(jù)本身是 0255 的 UNIT 型數(shù)據(jù)所以需要歸一化，轉(zhuǎn)換到 01 之間。 基本上歸一化思想是利用圖像的不變矩尋找一組參數(shù)使其能夠消除其他變換函數(shù)對圖像變換的影響。 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， 運行程序后字母矩陣得到如下表結(jié)果 濟南大學泉城學院畢業(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， 這對后續(xù)英文字母的特征提取，識別操作環(huán)節(jié)會造成一定的障礙?；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。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。對于全局閥值來說選取閥值 T 整幅圖像當中凡是大于閥值 T 的均為 1，相反只要小于閥值 T 則為 0 二對于局部閥值來說首先要對圖像進行分割，每一部分的閥值 T 是不一樣的實質(zhì)就是進行圖像的局部二值化。 濟南大學泉城學院畢業(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）來表示 ，否則 ，即 ?（ x,y)T這些像素點被排除在物體區(qū)域 之 外，灰度值為 0， 用 0（或 1）來表示， 表示背景或例外的物體區(qū)域。圖像的二值化就是將圖像上的像素點的灰度值設(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。第一，圖像二值化后有利于圖像的進一步處理，使圖像變得簡單，而且整體數(shù)據(jù)量減小，能凸顯出的圖像的整體輪廓。本文要求較高的識別率選用了中值濾波來實現(xiàn)英文字母的識別。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識別的要求。而對于非線性濾波方法也就是我們說的中值濾波 ,它是圖像預處理技術(shù)中最常用的核心處理技術(shù)?？梢杂行У貙D像進行平滑并且速度快，算法簡單。設(shè)模板窗口像素點的個數(shù)為 5 灰度值分別為 0、 2 經(jīng)過中值濾波函數(shù) filter 后輸出序列外 0、 8 在去中間值為 4，則 5 個像素點 G（ x1,y1）G(x5,y5）的灰度值為 5。中值濾波的工作原理：用一個奇數(shù)的移動窗口，某一點的值 是該奇數(shù)窗口中所有像素點的中間值，比如說，假設(shè)窗口內(nèi)有七點，其值為 70、 80、 90、 200、 11 120 和 210 那么此窗口內(nèi)各點的中值及為 115。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 G1（ x1,y1）至 G8（ x8,y8）(G 代表灰度 )的平均灰度 ?? ),(1 yxfmG 來代替當前像素點 G（ x0,y0）的灰度值， m為模板周圍像素點的個數(shù) [15]。這些孤立的點在圖像中是我們不想要的，必須進行去除才能提高英文字母的識別率，如何進行去噪本文涉及兩種方法。 本文采用的的字母圖像的預處理過程：去噪、二值化、歸一化和細化 。 圖 系 統(tǒng)的識別框架圖 預處理概述 在進行手寫英文字母識別時需要對所得到的手寫英文字母圖像提前進行預處理，不同地域的人在書寫英文字母的過程中的書寫風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)字圖像在采集過程中，受圖像質(zhì)量、掃描性能的影響，數(shù)字圖像會帶有形變和噪聲，這些變化都會影響英文字母的識別效果，預處理的目的是消除原始圖像中的噪聲，將原來的圖像轉(zhuǎn)化為清晰的二值化圖像，便于對手寫字母的微觀結(jié)構(gòu)特征的提取。 第六章對本文所作的工作進行總結(jié)，并提出 BP 神經(jīng)網(wǎng)絡(luò)識別的工作展望。 第五章對實驗結(jié)果進行了分析。 第四章介紹分類器的設(shè)計原理和實現(xiàn)算法，指出 BP 網(wǎng) 絡(luò)用于手寫字母識別參數(shù)選擇。 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現(xiàn)方法。圖像預處理的本質(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。本文將通過五章地內(nèi)容進行討論，用 MATLAB 仿真得到實驗數(shù)據(jù)并對全文進行總結(jié)。 論文組織結(jié)構(gòu) 手寫字母識別是指利用 BP 神經(jīng)網(wǎng)絡(luò)辨認手寫英文字母的一種技術(shù)，它屬于OCR 范疇。對神經(jīng)網(wǎng)絡(luò)的研究目前許多技術(shù)不能確定，正確率永遠達不到 100%，只能靠近，它們之間進行著拉鋸戰(zhàn)。 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)。該網(wǎng)絡(luò)通過調(diào)整內(nèi)部節(jié)點間相互的連接關(guān)系，進行信息處理。 （ 4）句子匹配： 對符號的三級模糊度進行匹配進而得到識別結(jié)果。統(tǒng)計識別用于基元的提取上二結(jié)構(gòu)識別用于整體符號的識別上，我們可以分為以下幾步： （ 1）符號處理：用細化和歸一化對待識字符進行處理。模式識別系統(tǒng)在進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。因此當用特征向量來表示這些在形狀上稍有差異的字符時，同這些特征向量對應(yīng)的特征空間中的點便不同一，而是分布在特征空間的某個區(qū)域中。屬于同一類別的各個模式之間的差異，部分是由環(huán)境噪聲和傳感器的性質(zhì)所引起的，部分是模式本身所具有的隨機性質(zhì)。而“模式識別”則是在某些一定量度或觀測基礎(chǔ)上把待識模式劃分到各自的模式類中去。 預處理、文法推斷、模式表達、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)。通常可以分為統(tǒng)計模式方法、結(jié)構(gòu)模式方法、統(tǒng)計與結(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)模式識別方法 運用模式的基元和基元間的結(jié)構(gòu)關(guān)系對模式描述與識別。 手寫字母識別方法 英文字母的結(jié)構(gòu)表達形式和相應(yīng)的單詞形成方法有多種，每種結(jié)構(gòu)形式又可以選擇不同的特征，并且特征有不同的抽取方法，這 樣識別算法、標準、舉學工具也不相同，這就造成了英文字母識別的算法種類繁多，結(jié)構(gòu)不盡相同。這是區(qū)別早期識別系統(tǒng)的最大的優(yōu)點，現(xiàn)在的識別系統(tǒng)能夠允許強有力的邏輯系統(tǒng)持續(xù)工作，并不再對要瀏覽的字符的大小字體濟南大學泉城學院畢業(yè)論文 3 及數(shù)據(jù)位置兩方面信息作出的要求。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。排列瀏覽方法以及高速計算機的出現(xiàn)，產(chǎn)生了圖像處理過程這一概念。 [1] 我國在識別領(lǐng)域的研究起步較晚，在 20 世紀 70 年代才開始對符號、字母、數(shù)字進行識別 研究，對漢字的識別研究開始于 70 年代末期，到 86 年我國漢字的識別研究進人一個跨越性的時期，并取得了豐碩成果，并相繼推出了許多中文識別的實用產(chǎn)品。 1982 年，美國加州工物理學院 提出了 Hopfield 神經(jīng)網(wǎng)格模型，引入了“計算能量”的概念，給出了網(wǎng)絡(luò)穩(wěn)定性判斷。該模型一直沿用至今，并且一直影響該領(lǐng)域研究的進展。 Mcculloch 和 W下面將以時間為順序，以著名的人物或某一方面的突出研究成果為線索，簡要介紹人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程。雖然神經(jīng)網(wǎng)絡(luò)的理論研究有著廣闊的發(fā)展前景 ,但是每個領(lǐng)域的研究就是既充滿誘惑又充滿挑戰(zhàn) . 沒有人可以肯定告訴我們它的發(fā)展不會再經(jīng)受挫折 ,也沒有人會知道一旦成功實現(xiàn)其最終的目標會給世界帶來多大的巨變 . 但是我們有理由相信堅持不懈地 致力于 BP 神經(jīng)網(wǎng)絡(luò)理論方法研究必定會給 21 世紀科學研究帶來輝煌 。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 ％，為了進一步提高系統(tǒng)的總體識別率，掃描圖像、圖像的預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)濟南大學泉城學院畢業(yè)論文 2 一樣成為產(chǎn)品走向市場。 對于印刷體字符，首先采用光學的方式將文檔資料轉(zhuǎn)換成原始黑白點陣的圖像文件，然后通過識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 件的進一步加工。人工鍵入速度慢而且勞動強度大，對于大量已有的文檔資料，英文自動識別輸人就成為了最佳的選擇。 英語 是 世界上使用人數(shù)最多的文字之一。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。這種應(yīng)用能夠從非打印卡的賬號中辨認購買者。神經(jīng)網(wǎng)絡(luò)可以用于分類、聚類、預測等諸多領(lǐng)域。以同樣擁有方塊文字的日本為例子，其開始的光學字符識別技術(shù)走在世界前列， 1960 年左右開始研究光學字符識別的基本識別理論，在初期以數(shù)字為對象，直到 1965 至 1970 年之間開始有一些簡單的產(chǎn)品，例如印刷文字的郵政編碼識別系統(tǒng)，識別郵件上的郵政編碼，幫助郵局作區(qū)域分信的作業(yè)活動；因此至到今天郵政編碼一直是各國所倡導的地址書寫方式。 關(guān)鍵詞： 字母識別；圖像處理；特征提?。?BP 神經(jīng)網(wǎng)絡(luò)濟南大學泉城學院畢業(yè)論文 II ABSTRA