论文品读之-极限学习机在手写体数字识别中的应用

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