数字识别

来源：互联网发布：n的阶乘算法编辑：程序博客网时间：2024/06/10 22:24

转自http://blog.163.com/zhl7107375@126/blog/static/114575239200942324243572/

这是一个基于BP神经网络的数字字符识别程序。

一、BP神经网络结构分析：

按照BP神经网络设计方法选用两层BP网络。其输入节点数为16×16＝256，隐层传输函数为Sigmoid函数。假设用一个输出节点表示10个数字，则输出层传输函数为pureline，隐层节点数取25。

二、神经网络仿真程序设计：

1、构造训练样本集，并构成训练所需的输入矢量和目标矢量：准备10组，每组10个（0～9）数字bmp图片作为训练样本。其中1组为清晰的，这里使用Microsoft Visual C#编程生成。另9组是在清晰样本的基础上，用Matlab添加'salt & pepper'、'gaussian'等噪音制作成的（下图示以“5”为例）。这些图片经过一定的预处理，取出其最大有效区域，归一为16×16的二值图像，作为输入矢量。

2、构造BP神经网络，并根据训练样本集形成的输入矢量和目标矢量，对BP网络进行训练。训练的误差性能曲线如图：

数字识别 - 占怀龙 - ☆龙行天下☆

3、对BP神经网络进行仿真。用不同的方法生成测试样本图像，存于另外的bmp文件中，测试结果略！

为提高识别率，可以增加训练样本，或通过增加字体的特征向量等途径来解决。由于涉及较多的理论，这里不再深入讨论。

clear all;
'LOADING......'

for kk = 0:99
    p1=ones(16,16);
    m=strcat('nums\',int2str(kk),'.bmp');
    x=imread(m,'bmp');
    bw=im2bw(x,0.5);
    [i,j]=find(bw==0);
    imin=min(i);
    imax=max(i);
    jmin=min(j);
    jmax=max(j);
    bw1=bw(imin:imax,jmin:jmax);
    rate=16/max(size(bw1));
    bw1=imresize(bw1,rate);
    [i,j]=size(bw1);
    i1=round((16-i)/2);
    j1=round((16-j)/2);
    p1(i1+1:i1+i,j1+1:j1+j)=bw1;
    p1=-1.*p1+ones(16,16);
    for m=0:15
        p(m*16+1:(m+1)*16,kk+1)=p1(1:16,m+1);
    end

    switch kk
        case{0,10,20,30,40,50,60,70,80,90}
            t(kk+1)=0;
        case{1,11,21,31,41,51,61,71,81,91}
            t(kk+1)=1;
        case{2,12,22,32,42,52,62,72,82,92}
            t(kk+1)=2;
        case{3,13,23,33,43,53,63,73,83,93}
            t(kk+1)=3;
        case{4,14,24,34,44,54,64,74,84,94}
            t(kk+1)=4;
        case{5,15,25,35,45,55,65,75,85,95}
            t(kk+1)=5;
        case{6,16,26,36,46,56,66,76,86,96}
            t(kk+1)=6;
        case{7,17,27,37,47,57,67,77,87,97}
            t(kk+1)=7;
        case{8,18,28,38,48,58,68,78,88,98}
            t(kk+1)=8;
        case{9,19,29,39,49,59,69,79,89,99}
            t(kk+1)=9;
    end
end

'LOAD OK.'

save E52PT p t;
% 创建和训练BP网络

clear all;
load E52PT p t;

pr(1:256,1)=0;
pr(1:256,2)=1;
net=newff(pr,[25 1],{'logsig' 'purelin'}, 'traingdx', 'learngdm');
net.trainParam.epochs=2500;
net.trainParam.goal=0.001;
net.trainParam.show=10;
net.trainParam.lr=0.05;
net=train(net,p,t)

'TRAIN OK.'

save E52net net;

% 识别
for times=0:999
    clear all;
    p(1:256,1)=1;
    p1=ones(16,16);
    load E52net net;
    test=input('FileName:', 's');
    x=imread(test,'bmp');
    bw=im2bw(x,0.5);
    [i,j]=find(bw==0);
    imin=min(i);
    imax=max(i);
    jmin=min(j);
    jmax=max(j);
    bw1=bw(imin:imax,jmin:jmax);
    rate=16/max(size(bw1));
    bw1=imresize(bw1,rate);
    [i,j]=size(bw1);
    i1=round((16-i)/2);
    j1=round((16-j)/2);
    p1(i1+1:i1+i,j1+1:j1+j)=bw1;
    p1=-1.*p1+ones(16,16);
    for m=0:15
        p(m*16+1:(m+1)*16,1)=p1(1:16,m+1);
    end
    [a,Pf,Af]=sim(net,p);
    imshow(p1);
    a=round(a)
end

0 0