數(shù)字圖像處理大作業(yè)基于BP神經(jīng)網(wǎng)的手寫數(shù)字識別

1、基于BP神經(jīng)網(wǎng)的數(shù)字識別一 實驗名稱：基于BP神經(jīng)網(wǎng)的數(shù)字識別二 實驗?zāi)康模菏煜だ胢atlab進行數(shù)字圖像處理的方法。三 實驗原理BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層(hidden layer)

2、和輸出層(output layer)。本設(shè)計使用BP神經(jīng)網(wǎng)實現(xiàn)數(shù)字的識別。四 實驗內(nèi)容1. 用數(shù)碼相機拍攝一些待識別的數(shù)字，或直接從網(wǎng)上下載數(shù)字的圖片。2. 為了更利于計算機識別數(shù)字要先對數(shù)字的圖像進行處理，將其轉(zhuǎn)換成簡單的二值圖像。下面以利用QQ截圖產(chǎn)生的圖像為例說明。1） 將含有數(shù)字的原圖像用QQ截圖截成單個數(shù)字。如下圖：用手機拍攝的照片截圖后的單個數(shù)字的圖片2） 轉(zhuǎn)換圖片格式（以上述qq截圖為例）。clc,close all,clear allfor kk = 0:9 m=strcat(int2str(kk),'.png'); x=imread(m,'png

3、9;); x=mat2gray(x); bw=im2bw(x,0.5); m=strcat(int2str(kk),'.bmp') imwrite(bw,m,'bmp'); end 上述程序?qū)ⅲ?9）.png轉(zhuǎn)換為（09）.bmp。執(zhí)行結(jié)果會在matlab當(dāng)前路徑中產(chǎn)生相應(yīng)文件。如下圖所示：3. 編寫程序?qū)崿F(xiàn)數(shù)字的識別，具體實驗代碼如下所示：% 數(shù)字識別 % 生成輸入向量和目標(biāo)向量clear all;'LOADING.' for kk = 0:99 p1=ones(16,16); %建立全為1的樣本矩陣 m=strcat('nums

4、9;,int2str(kk),'.bmp'); x=imread(m,'bmp'); %循環(huán)讀入0-99個樣本數(shù)字文件 bw=im2bw(x,0.5); %對輸入圖像進行二值化處理 采用全局閾值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); %截取輸入圖像中的數(shù)字部分 rate=16/max(size(bw1); bw1=imresize(bw1,rate); %對輸入文件變尺寸處理 i,j=size(bw1)

5、; i1=round(16-i)/2); j1=round(16-j)/2); p1(i1+1:i1+i,j1+1:j1+j)=bw1; %建立起16*16的矩陣 p1=-1.*p1+ones(16,16); %反色處理 for m=0:15 p(m*16+1:(m+1)*16,kk+1)=p1(1:16,m+1); end %將處理的源樣本輸入供神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本 pcolum是樣本數(shù)循環(huán)變量 switch kk case0,10,20,30,40,50,60,70,80,90 t(kk+1)=0; %數(shù)字0 case1,11,21,31,41,51,61,71,81,91 t(kk+1)=

6、1; %數(shù)字1 case2,12,22,32,42,52,62,72,82,92 t(kk+1)=2; %數(shù)字2 case3,13,23,33,43,53,63,73,83,93 t(kk+1)=3; %數(shù)字3 case4,14,24,34,44,54,64,74,84,94 t(kk+1)=4; %數(shù)字4 case5,15,25,35,45,55,65,75,85,95 t(kk+1)=5; %數(shù)字5 case6,16,26,36,46,56,66,76,86,96 t(kk+1)=6; %數(shù)字6 case7,17,27,37,47,57,67,77,87,97 t(kk+1)=7; %數(shù)字

7、7 case8,18,28,38,48,58,68,78,88,98 t(kk+1)=8; %數(shù)字8 case9,19,29,39,49,59,69,79,89,99 t(kk+1)=9; %數(shù)字9 endend %建立與訓(xùn)練樣本對應(yīng)的輸出值t 'LOAD OK.' save E52PT p t;% 創(chuàng)建和訓(xùn)練BP網(wǎng)絡(luò) clear all;load E52PT p t; %加載樣本 pr(1:256,1)=0;pr(1:256,2)=1;%創(chuàng)建BP網(wǎng)絡(luò) net=newff(pr,25 1,'logsig' 'purelin', 'trai

8、ngdx', 'learngdm'); net.trainParam.epochs=2500; %設(shè)置訓(xùn)練步數(shù) net.trainParam.goal=0.001; %設(shè)置訓(xùn)練目標(biāo) net.trainParam.show=10; %設(shè)置訓(xùn)練顯示格數(shù) net.trainParam.lr=0.05; %設(shè)置訓(xùn)練學(xué)習(xí)率 net=train(net,p,t); %訓(xùn)練BP網(wǎng)絡(luò) 'TRAIN OK.' save E52net net; % 識別for times=0:9 clear all; p(1:256,1)=1; p1=ones(16,16); load E

9、52net 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); %測試網(wǎng)絡(luò) imshow(p1); a=round(a) %輸出網(wǎng)絡(luò)識別結(jié)果 end4. 運行程序：主窗口會出現(xiàn)如下內(nèi)容：在FileName：后面輸入要識別的數(shù)字的圖像的存儲路徑，系統(tǒng)就會顯示該數(shù)字并打