【正文】 1 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(xì)化后的圖像 經(jīng)過(guò)上述預(yù)處理：平滑濾波去噪、二值化、大小歸一化四個(gè)過(guò)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(gè)起點(diǎn)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(duì)噪聲敏感，即當(dāng)待識(shí)字符邊界上出現(xiàn)噪聲時(shí)，對(duì)細(xì)化結(jié)果不產(chǎn)生影響。 對(duì)字符進(jìn)行細(xì)化的過(guò)程當(dāng)中我們選取算法是要有一定的準(zhǔn)則： (1)細(xì)化算法不應(yīng)該改變待識(shí)字符的連續(xù)性。 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。 歸一化前后的對(duì)比字符（如下）： 圖 歸一化前 歸一化后 細(xì)化 在樣本圖像的識(shí)別過(guò)程當(dāng)中細(xì)化處理能夠有效的提高字符的識(shí)別率，圖像的細(xì)化過(guò)程實(shí)際上就是圖像的核心骨架的提取過(guò)程。在得到寬度和高度之后，把新圖像里面的點(diǎn)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?dú)w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(shí)候必須是浮點(diǎn)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?dú)w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(duì)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(duì)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(yùn)行程序后字母矩陣得到如下表結(jié)果 濟(jì)南大學(xué)泉城學(xué)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(duì)后續(xù)英文字母的特征提取，識(shí)別操作環(huán)節(jié)會(huì)造成一定的障礙?；鞠敕ㄊ且宰罴验T(mén)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(duì)于全局閥值來(lái)說(shuō)選取閥值 T 整幅圖像當(dāng)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(duì)于局部閥值來(lái)說(shuō)首先要對(duì)圖像進(jìn)行分割，每一部分的閥值 T 是不一樣的實(shí)質(zhì)就是進(jìn)行圖像的局部二值化。 濟(jì)南大學(xué)泉城學(xué)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(lái)表示 ，否則 ，即 ?（ x,y)T這些像素點(diǎn)被排除在物體區(qū)域 之 外，灰度值為 0， 用 0（或 1）來(lái)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(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(gè)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(jìn)一步處理，使圖像變得簡(jiǎn)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(shí)別率選用了中值濾波來(lái)實(shí)現(xiàn)英文字母的識(shí)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(duì)識(shí)別的要求。而對(duì)于非線性濾波方法也就是我們說(shuō)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)?？梢杂行У貙?duì)圖像進(jìn)行平滑并且速度快，算法簡(jiǎn)單。設(shè)模板窗口像素點(diǎn)的個(gè)數(shù)為 5 灰度值分別為 0、 2 經(jīng)過(guò)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(gè)像素點(diǎn) G（ x1,y1）G(x5,y5）的灰度值為 5。中值濾波的工作原理：用一個(gè)奇數(shù)的移動(dòng)窗口，某一點(diǎn)的值 是該奇數(shù)窗口中所有像素點(diǎn)的中間值，比如說(shuō)，假設(shè)窗口內(nèi)有七點(diǎn)，其值為 70、 80、 90、 200、 11 120 和 210 那么此窗口內(nèi)各點(diǎn)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(diǎn) G1（ x1,y1）至 G8（ x8,y8）(G 代表灰度 )的平均灰度 ?? ),(1 yxfmG 來(lái)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(gè)數(shù) [15]。這些孤立的點(diǎn)在圖像中是我們不想要的，必須進(jìn)行去除才能提高英文字母的識(shí)別率，如何進(jìn)行去噪本文涉及兩種方法。 本文采用的的字母圖像的預(yù)處理過(guò)程：去噪、二值化、歸一化和細(xì)化 。 圖 系 統(tǒng)的識(shí)別框架圖 預(yù)處理概述 在進(jìn)行手寫(xiě)英文字母識(shí)別時(shí)需要對(duì)所得到的手寫(xiě)英文字母圖像提前進(jìn)行預(yù)處理，不同地域的人在書(shū)寫(xiě)英文字母的過(guò)程中的書(shū)寫(xiě)風(fēng)格不盡相同即使是同一地域的人由于山谷寫(xiě)的任意性也會(huì)造成手寫(xiě)字母的形式千變?nèi)f化，令外數(shù)字圖像在采集過(guò)程中，受圖像質(zhì)量、掃描性能的影響，數(shù)字圖像會(huì)帶有形變和噪聲，這些變化都會(huì)影響英文字母的識(shí)別效果，預(yù)處理的目的是消除原始圖像中的噪聲，將原來(lái)的圖像轉(zhuǎn)化為清晰的二值化圖像，便于對(duì)手寫(xiě)字母的微觀結(jié)構(gòu)特征的提取。 第六章對(duì)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(shí)別的工作展望。 第五章對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析。 第四章介紹分類器的設(shè)計(jì)原理和實(shí)現(xiàn)算法，指出 BP 網(wǎng) 絡(luò)用于手寫(xiě)字母識(shí)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(shí)現(xiàn)方法。圖像預(yù)處理的本質(zhì)是：特征提取時(shí)提取的字母特征能有效地反映手寫(xiě)英文字母的本質(zhì)特征。本文將通過(guò)五章地內(nèi)容進(jìn)行討論，用 MATLAB 仿真得到實(shí)驗(yàn)數(shù)據(jù)并對(duì)全文進(jìn)行總結(jié)。 論文組織結(jié)構(gòu) 手寫(xiě)字母識(shí)別是指利用 BP 神經(jīng)網(wǎng)絡(luò)辨認(rèn)手寫(xiě)英文字母的一種技術(shù)，它屬于OCR 范疇。對(duì)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(yuǎn)達(dá)不到 100%，只能靠近，它們之間進(jìn)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(guò)調(diào)整內(nèi)部節(jié)點(diǎn)間相互的連接關(guān)系，進(jìn)行信息處理。 （ 4）句子匹配： 對(duì)符號(hào)的三級(jí)模糊度進(jìn)行匹配進(jìn)而得到識(shí)別結(jié)果。統(tǒng)計(jì)識(shí)別用于基元的提取上二結(jié)構(gòu)識(shí)別用于整體符號(hào)的識(shí)別上，我們可以分為以下幾步： （ 1）符號(hào)處理：用細(xì)化和歸一化對(duì)待識(shí)字符進(jìn)行處理。模式識(shí)別系統(tǒng)在進(jìn)行工作時(shí)只要判斷被識(shí)別的對(duì)象落入哪一個(gè)區(qū)域，就能確定出其所屬的類別。因此當(dāng)用特征向量來(lái)表示這些在形狀上稍有差異的字符時(shí)，同這些特征向量對(duì)應(yīng)的特征空間中的點(diǎn)便不同一，而是分布在特征空間的某個(gè)區(qū)域中。屬于同一類別的各個(gè)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(jī)性質(zhì)。而“模式識(shí)別”則是在某些一定量度或觀測(cè)基礎(chǔ)上把待識(shí)模式劃分到各自的模式類中去。 預(yù)處理、文法推斷、模式表達(dá)、句法分析四個(gè)部分（如 圖 ）構(gòu)成了結(jié)構(gòu)模式識(shí)別系統(tǒng)。通?？梢苑譃榻y(tǒng)計(jì)模式方法、結(jié)構(gòu)模式方法、統(tǒng)計(jì)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(shí)別方法 運(yùn)用模式的基元和基元間的結(jié)構(gòu)關(guān)系對(duì)模式描述與識(shí)別。 手寫(xiě)字母識(shí)別方法 英文字母的結(jié)構(gòu)表達(dá)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(shí)別算法、標(biāo)準(zhǔn)、舉學(xué)工具也不相同，這就造成了英文字母識(shí)別的算法種類繁多，結(jié)構(gòu)不盡相同。這是區(qū)別早期識(shí)別系統(tǒng)的最大的優(yōu)點(diǎn)，現(xiàn)在的識(shí)別系統(tǒng)能夠允許強(qiáng)有力的邏輯系統(tǒng)持續(xù)工作，并不再對(duì)要瀏覽的字符的大小字體濟(jì)南大學(xué)泉城學(xué)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(duì)于處理現(xiàn)實(shí)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(jì)算機(jī)的出現(xiàn)，產(chǎn)生了圖像處理過(guò)程這一概念。 [1] 我國(guó)在識(shí)別領(lǐng)域的研究起步較晚，在 20 世紀(jì) 70 年代才開(kāi)始對(duì)符號(hào)、字母、數(shù)字進(jìn)行識(shí)別 研究，對(duì)漢字的識(shí)別研究開(kāi)始于 70 年代末期，到 86 年我國(guó)漢字的識(shí)別研究進(jìn)人一個(gè)跨越性的時(shí)期，并取得了豐碩成果，并相繼推出了許多中文識(shí)別的實(shí)用產(chǎn)品。 1982 年，美國(guó)加州工物理學(xué)院 提出了 Hopfield 神經(jīng)網(wǎng)格模型，引入了“計(jì)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(jìn)展。 Mcculloch 和 W下面將以時(shí)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(jiǎn)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(gè)領(lǐng)域的研究就是既充滿誘惑又充滿挑戰(zhàn) . 沒(méi)有人可以肯定告訴我們它的發(fā)展不會(huì)再經(jīng)受挫折 ,也沒(méi)有人會(huì)知道一旦成功實(shí)現(xiàn)其最終的目標(biāo)會(huì)給世界帶來(lái)多大的巨變 . 但是我們有理由相信堅(jiān)持不懈地 致力于 BP 神經(jīng)網(wǎng)絡(luò)理論方法研究必定會(huì)給 21 世紀(jì)科學(xué)研究帶來(lái)輝煌 。近幾年來(lái)，印刷英文字符識(shí)別系統(tǒng)的單字母識(shí)別正確率已經(jīng)超過(guò) ％，為了進(jìn)一步提高系統(tǒng)的總體識(shí)別率，掃描圖像、圖像的預(yù)處理及識(shí)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(shí)別系統(tǒng)的總體性能 研究英文字母識(shí)別的 BP 神經(jīng)網(wǎng)絡(luò)模型，最終目的就是要使 BP 字母識(shí)別系統(tǒng)實(shí)現(xiàn)工 業(yè)化，能像現(xiàn)在的一些手寫(xiě)英文字母識(shí)別系統(tǒng)或印刷體英文字母識(shí)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(chǎng)。 對(duì)于印刷體字符，首先采用光學(xué)的方式將文檔資料轉(zhuǎn)換成原始黑白點(diǎn)陣的圖像文件，然后通過(guò)識(shí)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(jìn)一步加工。人工鍵入速度慢而且勞動(dòng)強(qiáng)度大，對(duì)于大量已有的文檔資料，英文自動(dòng)識(shí)別輸人就成為了最佳的選擇。 英語(yǔ) 是 世界上使用人數(shù)最多的文字之一。識(shí)別的瀏覽器能夠直接訪誤碼 CPO，這項(xiàng)技技術(shù)也影響到了信用卡交易的付款處理的過(guò)程。這種應(yīng)用能夠從非打印卡的賬號(hào)中辨認(rèn)購(gòu)買(mǎi)者。神經(jīng)網(wǎng)絡(luò)可以用于分類、聚類、預(yù)測(cè)等諸多領(lǐng)域。以同樣擁有方塊文字的日本為例子，其開(kāi)始的光學(xué)字符識(shí)別技術(shù)走在世界前列， 1960 年左右開(kāi)始研究光學(xué)字符識(shí)別的基本識(shí)別理論，在初期以數(shù)字為對(duì)象，直到 1965 至 1970 年之間開(kāi)始有一些簡(jiǎn)單的產(chǎn)品，例如印刷文字的郵政編碼識(shí)別系統(tǒng)，識(shí)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(dòng)；因此至到今天郵政編碼一直是各國(guó)所倡導(dǎo)的地址書(shū)寫(xiě)方式。 關(guān)鍵詞： 字母識(shí)別；圖像處理；特征提??； BP 神經(jīng)網(wǎng)絡(luò)濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 II ABSTR