【正文】 據(jù)的方差。本文采用第一種數(shù)據(jù)歸一化方法。 運動模糊尺度識別 根據(jù)幅度和，利用 BP神經(jīng)網(wǎng)絡(luò)可以識別出運動模糊尺度。 BP神經(jīng)網(wǎng)絡(luò)是一種多層網(wǎng)絡(luò)的逆推學(xué)習(xí)算法。 BP神經(jīng)網(wǎng)絡(luò)采用有指導(dǎo)的學(xué)習(xí)方式進(jìn)行訓(xùn)練和學(xué)習(xí)，即當(dāng)將一對學(xué)習(xí)模式提供給 BP神經(jīng)網(wǎng)絡(luò)后，神經(jīng)元的激活值就從輸入層經(jīng)各個隱含層向輸出層傳播，在輸出層的各個神經(jīng)元獲得網(wǎng)絡(luò)的實際輸出響應(yīng)。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。這種“正向計算輸出一反向傳播誤差”的過程不斷重復(fù)進(jìn)行，直至誤差降至可以接受的范圍， BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程也就隨之結(jié)束。 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖 2所示。 圖 2中， R為輸入量的個數(shù)， a=f(W*P+b), w為權(quán)向量， P為輸入向量， b為網(wǎng)絡(luò)偏移量。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。利用 Fourier變換將原始的勻速直線運動模糊圖像轉(zhuǎn)換到頻域后，現(xiàn)有的主流算法是先計算出相鄰 2條暗條紋 (例如圖 l(a)中的暗條紋 )之間的距離 d，然后應(yīng)用公式 L— N／ d求解運動模糊尺度 (N是圖像尺寸 )。但是，應(yīng)用圖像處理算法精確計算距離 d存在較大困難，容易產(chǎn)生一定的測量誤差△ d，從而給最終的運動模糊尺度計算帶來較大誤差。本文在頻譜圖中央?yún)^(qū)域按列計算幅度和，得到一個行向量，從而得到了一組可以使用的圖像特征。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。 模糊數(shù)字圖像增強 加入噪聲 圖 待識別的數(shù)字圖像的預(yù)處理，在某些圖像邊緣不是很清晰的情況下，可以通過加入噪聲 的方法使其變得清晰化，如圖 :所示 圖像的平滑： 鄰域平均模板 加權(quán)平均模板 M1= M2= M3= M4= 圖 對有噪聲干擾而造成模糊的數(shù)字圖像可以通過領(lǐng)域平均的方法將其除去，如圖 所示 。有時領(lǐng)域平均的效果不是很好，這時可以考慮加權(quán)平均的方法，效果如圖 圖 圖像銳化： Laplacian 銳化模板 M1= M1= I=imread(39。39。)。%讀取圖像 K=rgb2gray(I)。 M1=[0,1,0。1,4,1。0,1,0]。 M2=[1,1,1。1,8,1。1,1,1]。K=double(K)。 J=conv2(K,M1,39。same39。)。 %卷積 G=conv2(K,M2,39。same39。)。 F=KJ。 E=KG。 figure,imshow(K,[]),figure,imshow(J),figure,imshow(G),figure,imshow(F,[]) figure,imshow(E,[]) 圖 圖像銳化可以使得圖像邊緣變得清晰化，如圖 所示，雖然圖像整體變得模糊但目標(biāo)圖像在整張圖像中更為突出了 。 直方圖均衡化 利用 imhist 函數(shù)查看模糊數(shù)字圖像的灰度直方圖，若是灰度分布不均勻可利用 histeq 函數(shù)將其均衡化，效果圖如圖 ： 圖 傾斜調(diào)整 對于待識別圖像由于拍攝角度問題導(dǎo)致所拍攝的圖像傾斜，在匹配之前需要對其進(jìn)行調(diào)整。本人所介紹的調(diào)整方式是基于傅里葉變換 調(diào)整步驟： 1 讀取圖像 imread(?name?)?。 2 將其轉(zhuǎn)化為灰度圖像 rgb2gray(name)。 3 利用 fft2 函數(shù)將其進(jìn)行傅里葉變換并將其直流分量移到移動頻譜中心，接著對其進(jìn)行歸一化處理得到其頻譜圖。 實現(xiàn)代碼： I=rgb2gray(RGB)。 K=fft2(I)。 M=fftshift(K)。 直流分量移到移動頻譜中心 N=abs(M)。 P=(Nmin(min(N)))/(max(max(N))min(min(N)))*225。 歸一化處理 4 4在其頻譜上取三點計算出其傾斜的角度，利用傅里葉的性質(zhì)： f(r, ) F(w, ) 將其進(jìn)行調(diào)正。 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。剪切之前計算好邊緣位置，邊緣位置的計算可利用投影技術(shù)獲取 。 小結(jié) 平均濾波和加權(quán)濾波的效果都不怎么好，不能完全除去高斯噪聲，它們對椒鹽噪聲的處理效果比較理想但仍舊存在提升的空間；另外，在對 4 鄰域 8 鄰域的比較以及1/5 加權(quán)以及 1/16 加權(quán)平均的比較可以看出，多領(lǐng)域的處理效果比較好，但是它的缺點是會引起圖像的模糊?？梢钥隙ǖ氖遣煌哪０嫫湫Ч煌?，對特定的圖像要使用特定的模版。 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。圖像的銳化使得目標(biāo)物輪廓變模糊，細(xì)節(jié)輪廓不清晰，加重目標(biāo)物輪廓，使模糊圖像變清晰。拉普拉斯算子是常用的邊緣增強算子，拉普拉斯運算也是偏導(dǎo)數(shù) 運算的線性組合運算，而且是一種各向同性（旋轉(zhuǎn)不變性）的線性運算。 3 在比較 4 鄰域以及 8 鄰域的銳化圖像我們可以發(fā)現(xiàn)， 4鄰域銳化在邊緣以及與原圖像的相似程度上都有比 較滿意的效果， 8 鄰域銳化在灰度級對比上比 4鄰域更加優(yōu)秀，但它的一個缺點是丟失了一部分圖像細(xì)節(jié)，從而導(dǎo)致圖片看起來變得“模糊”。 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。而該方法只是將模板的概念應(yīng)用到了特征點局部的鄰域窗口，以特征點鄰域窗口的灰度信息值作為該特征點的描述符，直接進(jìn)行比較來實現(xiàn)特征點的匹配 ? 具體步驟： 首先對需要配準(zhǔn)的兩幅圖像 I1和 I2分別提特征點，分別得到兩個特征點集合，記作 p={p1,p2,p3......pn}和 p′ ={p1′ ,p2′ ,p3′ ...... pn′ }，以每一個特征點為中心，將其鄰域窗口（記作 w）的像素值作為該特征點的描述符，對于圖像 中的每一個特征點 分別計算其與圖像 I2中提取的各個特征點的鄰域像素值差的平方和： SSD= 取其最小者作為圖像 中與 pi 匹配的點。 ? 基于像素平方和（ SSD）匹配的優(yōu)缺點 該方法是進(jìn)行特征點匹配的一種簡單可行的方法，但是因為它直接利用圖像的灰度信息值，所以最大的缺點就是對光照的變化十分敏感，一旦需要配準(zhǔn)的兩幅圖像在重疊區(qū)域的曝光不一致，那么該方法將不再準(zhǔn)確。其次，是進(jìn)行特征點匹配時采用的鄰域窗口為矩形，當(dāng)需要配準(zhǔn)的兩幅圖像存在較大角度的旋轉(zhuǎn)和較大尺度的縮放時，特征點鄰域窗口的特征將產(chǎn)生較大的改變，因此對于圖像的旋轉(zhuǎn)和縮放就會比較敏感。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?；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)： CC= （ 252） 其中， W 是相關(guān)窗的大小， 和 分別為兩幅待配準(zhǔn)圖像中特征點相關(guān)窗內(nèi)像素的灰度值， CC 是相關(guān)系數(shù)。特征點匹配時選取相關(guān)系數(shù)中最大的相關(guān)系數(shù)所對應(yīng)的特征點作為該參考點的匹配點。 歸一化互相關(guān)法匹配原理 歸一化的目的就是消除上述方法對于光照變化敏感的問題。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。 2）矩形窗口的選用仍然是該類法的缺憾。所以這種方法只適合于具有平移和小角度旋轉(zhuǎn)關(guān)系的圖像配準(zhǔn) 。 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 79 65% 2 300 68 71% 3 300 56 72% 4 300 68 71% 5 300 50 80% 6 300 60 75% 7 300 45 83% 8 300 80 64% 9 300 79 65% 0 300 76 64% 第三章 改進(jìn)匹配算 模板修改 通過改變之前的模糊數(shù)字模板操作，將其統(tǒng)一轉(zhuǎn)化為只有一個像素點的數(shù)字模板也就是對所有的模糊數(shù)字模板進(jìn)行細(xì)化操作 得到只有一個像素點構(gòu)成的細(xì)化模板 。 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)。列表記錄他們相交點個數(shù)以及相交點的坐標(biāo)，為后續(xù)匹配識別做準(zhǔn)備。 如圖 ： 圖 匹配算法改進(jìn) 算法原理 特征提取的目的是從原數(shù)字圖像文件中抽取出能用于區(qū)分其與其他字符不同類型的本質(zhì)特征，對研究對象本質(zhì)的，固有的重要特征和屬性進(jìn)行量測并將結(jié)果數(shù)值化，形成特征矢量，對圖像的識別，學(xué)習(xí)過程都要非常重要。 能描述對象本質(zhì)特征的元素有很多，但是為了節(jié)約資源，有時更是為了可行性，在保證分類識別正確率的前提下，盡量選擇識別作用較大的特征，使得用較少的特征就能完成分類識別任務(wù)，有一種簡單的方法就是減少特征矢量的維數(shù)或符號字符數(shù)，本文中采用對待識別數(shù)字圖像進(jìn)行行列掃描與數(shù)字起點結(jié)合的方法提取特征。 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)。 2）再取水平三條直線，分別取在 1 ／ 3， 1 ／ 2， 2 ／ 3 處，分別記下這三條水平直線與數(shù)字筆段的交點數(shù)。 如圖表 41 所示 經(jīng)細(xì)化后的數(shù)字圖像其特征較為穩(wěn)定，且筆劃簡單，因此對其抽取的基本結(jié)構(gòu)組件能反映數(shù)字的本質(zhì)特征，