分类器:
se_elm简单集成极限学习机,os-elm在线连续学习能力,p-elm修剪极限学习机,利用统计标准确定最佳隐层节点数目。
elm输入层权值和偏差随机给定-----改进细菌觅食算法的极限学习机,
针对网络参数的优化问题:粒子群优化算法,优化选择极限学习机输入层权值和隐含层偏差,输出权值利用广义逆计算得到。
输入权值的确定:广义逆计算得
隐含层偏差:粒子群优化
研究难点:
特征缺少:比如书写顺序(脱机)
特征相差较小:字形很近,字体不同
准确率:要精确无误
特征维数过多的影响
主要工作:特征选取,识别算法优化
工作步骤:
一.前提预处理:平滑,去噪,细化,二值化等
二.特征选择:参考文献了解多种特征,然后根据自身需要确定特征
三.特征维数分析及确定:去特征间的相关联系(主成分分析法:提取贡献较大的主成分做完新特征,利用分类器降维,及研究分类效果)
四.新分类器的建立:elm中参数确定:粒子群算法,改进网络性能及范化
五.学习:将特征喂入新建的分类器里进行学习并观察学习结果
六.验证准确性:模型落地与系统展示
一.前提预处理
1.1图像处理目的:去掉无用的信息
1,2处理步骤:灰度化,二值化,腐蚀膨胀,细化,校准,归一化
1.2.1灰度化处理:彩色图片每个像素点由rgb组成每个像素点由3个字节来存rgb的分量值,占了大量的存储空间,影响执行速度。灰度值是g=b=r只需一个字节来存储图片信 息。
灰度处理过程:输入图片----判断是否为灰度图----是执行下一步/不是做灰度处理
灰度处理的方法:常见的有3种:加权平均法,平均值法,最大值法
加权平均法:D(X,Y)=WgG(X,Y)+WrR(X,Y)+WbB(X,Y) Wi表示权重,权重有人为对三色的重要程度决定,这里可以用相关文献支撑权重的设置
平均值法:D(X,Y)={R(X,Y)+G(X,Y)+B(X,Y)}/3
最大值法:D(X,Y)=max(R(X,Y),G(X,Y),B(X,Y))
二值化处理:将图上的每个点的灰度值设置为0或255(黑白两种效果),减少图像信息,保留简单信息(图像处理中占重要位置)
二值化方法:全局二值化(背景与目标差别明显),局部二值化,局部自适应二值化
全局二值化:设一个像素点的阈值T,大于的设置为白255,小于的设置为黑0 即if(f(x,y)>=T,则f(x,y)=255)else{f(x,y)=0}
阈值的获取方法:T=(Imin+Imax)/2(即选择出最大和最小的像素值取中间值)(这里的取阈值可以有多种方法)
膨胀腐蚀:膨胀:?
膨胀过程:?膨胀算子怎么确定
腐蚀:消除图像的边界点
腐蚀过程:?http://blog.csdn.net/minushuang/article/details/50435689
细化:抽取二值化图像骨架,消除最外层与最里层的点
细化过程:matlab 自带函数bwmorph(I,'thin','Inf')------黑底白字效果好些
图像校准:设备采集到的图像位置或大小不统一。
归一化:通过一系列变换将待处理的图像转为统一标准的图像,大小严格确定
归一化过程:没有明确说明如何归一化的