基于BP神经网络的数字识别

最新推荐文章于 2023-07-25 09:42:46 发布

m0_59817540

最新推荐文章于 2023-07-25 09:42:46 发布

阅读量3.2k

点赞数 2

文章标签：神经网络模式识别算法计算机视觉机器学习

本文链接：https://blog.csdn.net/m0_59817540/article/details/120305824

版权

本文详细探讨了基于BP神经网络的数字识别技术，包括图像预处理、模式识别和BP算法的多层感知器。通过特征提取、梯度下降法和反向传播算法进行权值修正，实现数字识别。实验表明，对于与训练样本相同的测试样本，识别效果良好，但对于不同字体和噪声环境，识别率有待提高。

摘要由CSDN通过智能技术生成

主要内容

1.课题研究背景

2 图像预处理
3 模式识别
4识别效果
5总结

课题研究背景

 近年来,人工神经网络技术取得了巨大的发展,它所具有的优势：固有的并行结构和并行处理、知识的分布存储、容错性、自适应性、模式识别能力,为手写体数字识别开辟了新的途径。

 数字识别作为模式识别的一个重要分支,在邮政、税务、交通、金融等行业的实践活动中有着及其广泛的应用。

 数字识别作为模式识别领域的一个重要问题，也有着重要的理论价值。一方面，阿拉伯数字是世界各国通用的符号，因此，数字是一个重要枢纽。在符号识别领域，数字识别为这一领域提供了一个算法研究的平台。另一方面，数字的识别方法很容易推广到其它一些相关问题，特别是对英文字母的识别，但到目前为止机器的识别本领还无法与人的认知能力相比，这仍是一个有难度的开放问题。

1.1.数字识别的发展现状

 模式识别 (Pattern Recognition)是对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。它是信息科学和人工智能的重要组成部分。而数字识别作为模式识别的一个分支。在日常生活和科研中具有十分重要的作用。数字识别的算法一般是采用以知识、神经网络、人工智能为基础的模板匹配法、轮廓多边形相关、傅立叶系数法等方法来进行识别的。以上方法识别效率高，但是实现较为复杂。

图像预处理

(1)彩色图像的灰度化,图像输入后一般都是256色彩色图像，灰度化后灰度图像的RGB值是相等的，灰度值为255的像素为白色，灰度值为0的像素为黑色。
(2)灰度图像的二值化,彩色图像灰度化后每像素只有一个值，即灰度值，二值化就是根据一定标准将图像分成黑白二色。
(3)梯度锐化,梯度锐化同时对噪声也起一定的去除作用，采取Roberts算子对图像锐化，可以让模糊的边缘变清楚，同时选用合适阈值可以减弱和消除细小的噪声。
(4)去离散噪声,扫描整个图像，当发现一个黑色像素就考察和它直接或间接相连的黑色像素有多少，如果大于一定值（具体数值视情况定），就可以认为它非离散点，否则就认为他是离散点，将其从图像中去掉。
(5)归一化调整, 先得到原来字符的高度，并与系统要求的高度比较，得出高度变换系数，然后根据这个系数得到变换后应有的宽度，得出高度、宽度后，把新图像里的点按照插值的方法映射到原图像。

图像输入

灰度转化

二值化

图像锐化

归一化

去除噪声

图1 图像处理流程

模式识别

3.1.特征提取

 经过预处理，把原来大小不同、分布不规律的各字符变成大小一样、排列整齐的字符。下面要从预处理完的字符中提取最能体现这一个字符的特征向量，将提取出的训练样本中的特征向量代入BP网络中就可以对BP网络进行训练。提取出待识别的样本中特征向量代入训练好的BP网络中就可以进行识别。在这里采取逐像素特征提取法，方法是对图像进行逐行逐列扫描，当遇到黑色像素时，取其特征值为1，当遇到白色像素时，取其特征值为0。这样扫描结束后就形成一个维数与图像中像素点的个数相同的特征向量矩阵。

3.2. BP神经网络