基于BP神经网络的图像识别之阶段性总结

前一阵子一直在写关于图像识别的东西，说实话，大大小小的困难遇到了不少，有一些bug真的非常非常蠢。。。。。。现在看来，还是自己太菜，opencv学的不精，对神经网络的理解也不够透彻，当然也包括一些C++语言上的不熟练，所以也能看出，代码能力虽然一部分取决于理论知识，但更多的是练啊啊啊啊啊啊啊！！！
下面进入正题。
跟题目说的一样，项目是关于图像识别的。是可以用来识别照片或图片的内容，然后识别出来后转成对应的文本，然后再对文本进行相应的处理的这么一个东西。成型的想法是类似于小猿搜题的这种App，大致思路是把包含题目的图片送入识别系统，然后由识别系统识别出题目的文本内容，然后把内容交给服务器，服务器去请求网络访问，进而返回该题的最优的匹配结果，这是最基本的功能。而本篇文章所要讨论的是前一部分内容，即识别系统。
识别系统分为图像的预处理，图像分割，图像特征提取和图像识别。
预处理阶段包括二值化啊，灰度转换啊，腐蚀啊，膨胀啊等操作，目的就是为了降低噪声，减少数据量等。
图像分割阶段就是在预处理完之后，把图像中一行行的字符分割成单个字符，以便于后面对单个字符进行识别，方法我采用的是分别对行列进行投影的经典方法。代码如下：

for(int col=0;col<width;++col)
	{
		for(int row=0;row<height;++row)
		{
			PerPixelValue = image.at<uchar>(row,col);

			if(PerPixelValue == 255)
			{
				vec[col]++;
			}
		}
	}
	
for(int i = 0;i<Image.cols;++i)
	{
		if(!InBlock && vec[i]!=0)//已进入字符区
		{
			InBlock = true;
			StartIndex = i;
			std::cout<<"StartIndex is"<<StartIndex<<std::endl;
		}
		else if(vec[i]==0 && InBlock)//进入空白区
		{
			EndIndex = i;
			InBlock = false;
			cv::Mat roiImg = Image(cv::Range(0,Image.rows),cv::Range(StartIndex,EndIndex+1));
			RoiList.push_back(roiImg);
		}
	}

特征提取方面可以选择的面有很多，我选择的是梯度分布特征和灰度统计特征。梯度特征指的是计算图像水平方向和竖直方向的梯度图像，然后通过给梯度图像分划不同的区域，进行梯度图像每个区域亮度值的统计。具体步骤如下：
<1>将字符由RGB转化为灰度，然后将图像归一化到16*8；

<2>定义soble水平检测算子：x_mask=[−1,0,1;−2,0,2;–1,0,1]和