Java教程

【Matlab手写数字识别】BP神经网络手写数字识别系统【含GUI源码 1639期】

本文主要是介绍【Matlab手写数字识别】BP神经网络手写数字识别系统【含GUI源码 1639期】,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

一、手写数字识别技术简介(附lunwen)

1 案例背景
手写体数字识别是图像识别学科下的一个分支,是图像处理和模式识别研究领域的重要应用之一,并且具有很强的通用性。由于手写体数字的随意性很大,如笔画粗细、字体大小、倾斜角度等因素都有可能直接影响到字符的识别准确率,所以手写体数字识别是一个很有挑战性的课题。在过去的数十年中,研究者们提出了许多识别方法,并取得了一定的成果。手写体数字识别的实用性很强,在大规模数据统计如例行年检、人口普查、财务、税务、邮件分拣等应用领域都有广阔的应用前景"。
本案例讲述了图像中手写阿拉伯数字的识别过程,对手写数字识别的基于统计的方法进行了简要介绍和分析,并通过开发一个小型的手写体数字识别系统来进行实验。手写数字识别系统需要实现手写数字图像的读取功能、特征提取功能、数字的模板特征库的建立功能及识别功能。

2 BP算法与实现过程
2.1 BP算法基本原理
将已知输入向量和相应的输出向量(期望输出)作为训练样本,并假定即将学习的网络已被赋予一组权值。为消除梯度幅度的不利影响,利用弹性反向传播算法通过过如下步骤更新权值(图1):首先,使用初始权值(不管正确与否)从输入层开始向前传播,计算出所有神经元的输出,这样输出层的输出与期望输出(即输出值与目标值)之间存在较大的误差。然后,计算作为神经元权值函数的]误差函数(损失函数或目标函数、代价函数)的梯度,根据误差降低最快的方向来调整更新权值,通过将输出误差反向传播给隐含层来不断调整误差函数。在计算误差梯度的同时,使用与上面同样的方法更新隐含层的权值。反复迭代更新,直到损失函数达到预定的理想目标。在弹性反向传播算法的学习过程中,权值的修正值即为学习率,而梯度只影影响权值变化的方向,即正负。
在这里插入图片描述
图1 反向传播神经网络模型

1.2 感知器神经网络
感知器(multilayer perceptron, MLP) 神经网络是模式识别的简单二元分类人工网络, 它通过权值模仿神经细胞的突触,用激活函数模仿细胞体,偏置即为阈值。单层的感知器网络结构如图2所示。单层感知器可将外部输入x分成两类:当感知器的输出y为正数或零时,输入属于第一类;当感知器的输出为负数时,输入属于第二类。
在这里插入图片描述
1.3 实现过程
(1)图像读取

在本文中,设计并自建了样本的数据库,库中有0~9共10个阿拉伯数字的5000张不同的手写数字图像,均为白底黑色的bmp格式的文件, 每个数字对应500张图片。实验要从每一个数字中都随机选取450张手写图像作为训练样本,每一个数字剩下的50张作为测试样本。部分数字样张如图3所示。
在这里插入图片描述
图3 数字样张
(2)提取特征
本设计中的训练样本数量多,而而一般神经网络输入层的神经元数就是训练样本向量的维数,因此需要对训练样本向量做降维预处理。预处理过程就是通过灰度阈值函数将图像转换成二值图像。降维前需先将所有图像做一次缩放,以确保每个图像的输入向量都具有相同的像素。本设计选定图像缩放的高度和宽度分别为70像素点和50像素点,符合一般手写阿拉伯数字的高宽比。对这些缩放后的图像作纵横切割,如图4所示,每10×10个像素点作为一系列像素块,构成一张包含35个像素块的二值图像计算每一个像素块中0和1的占比,并用它作为模式的一个特征值,这样可以构成5x7的特征值矩阵。考虑到感知器神申经网络输入向量只能是一维,故需要将此矩阵转换成一维向量作为训练样本的输入,转置后共生成35个一维向量。
在这里插入图片描述
图4 缩放后的图像切割

(3)构造标签
无论是训练样本还是测试样本,都需要构造标签,前者用于映射的学习,后者用于判断训练网络的正确率。一般地,输出层神经元个数即为分类网络中的分类类别数。阿拉伯数字是10类,故输出神经元数为10。每个类由具体的500个图像构成,包含训练样本和测试样本。通过提取特征每个类均生成35个一维向量:用500个列向量(1000000000)T来标注模式1,即数字1;(0100000000)标注模式2,即数字2;(0010000000)标注模式3,即数字3;依此类推,最后的(0000000001)标注模式0,即数字0。运行代码如下:

(4)随机选定训练样本和测试样本测试
利用MATLAB中已有的rand()伪随机数生成函数来生成5000个介于0和1之间的伪随机数。将生成的伪随机数做升序排序,通过索引来记录随机数原来的位置,并将原来的位置组合成新的行向量。在本设计中,输入层的神经元有35个,输出层神经元有10个,选取25为中间隐含层神经元个数。

(5)数字识别与正确率的计算
对比测试前的标签和仿真后的输出,用测试前的标签值减去输出值,得到误差值,将误差为0的视为正确识别,求出神经网络的正确率。具体运行代码如下:

二、部分源代码

function varargout = szsb(varargin)
% SZSB M-file for szsb.fig
%      SZSB, by itself, creates a new SZSB or raises the existing
%      singleton*.
%
%      H = SZSB returns the handle to a new SZSB or the handle to
%      the existing singleton*.
%
%      SZSB('CALLBACK',hObject,eventData,handles,...) calls the local
%      function named CALLBACK in SZSB.M with the given input arguments.
%
%      SZSB('Property','Value',...) creates a new SZSB or raises the
%      existing singleton*.  Starting from the left, property value pairs are
%      applied to the GUI before szsb_OpeningFunction gets called.  An
%      unrecognized property name or invalid value makes property application
%      stop.  All inputs are passed to szsb_OpeningFcn via varargin.
%
%      *See GUI Options on GUIDE's Tools menu.  Choose "GUI allows only one
%      instance to run (singleton)".
%

gui_Singleton = 1;
gui_State = struct('gui_Name',       mfilename, ...
                   'gui_Singleton',  gui_Singleton, ...
                   'gui_OpeningFcn', @szsb_OpeningFcn, ...
                   'gui_OutputFcn',  @szsb_OutputFcn, ...
                   'gui_LayoutFcn',  [] , ...
                   'gui_Callback',   []);
if nargin && ischar(varargin{1})
    gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
    [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
    gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT


% --- Executes just before szsb is made visible.
function szsb_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
% varargin   command line arguments to szsb (see VARARGIN)

% Choose default command line output for szsb
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% UIWAIT makes szsb wait for user response (see UIRESUME)
% uiwait(handles.figure1);


% --- Outputs from this function are returned to the command line.
function varargout = szsb_OutputFcn(hObject, eventdata, handles) 
% varargout  cell array for returning output args (see VARARGOUT);
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;


% --- Executes when figure1 is resized.
function figure1_ResizeFcn(hObject, eventdata, handles)
% hObject    handle to figure1 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)


% --------------------------------------------------------------------
function Untitled_2_Callback(hObject, eventdata, handles)
% hObject    handle to Untitled_2 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
axes(handles.axes1);
clear all;
global im
global p1
global p5
global p3
global p4
global bw
global bw1
global bw2
global n
global t1
global i3
global i4
global i2
global b
global gray
filename=0;
[filename,pathname]=...
        uigetfile({'*.bmp'},'请选择图片');
 str=[pathname filename];
 l=length(filename);
 if l==1
     return;
 end
 test=filename(1,l-2:l);
 if test=='bmp'
 else 
     msgbox('请选择bmp文件','错误');
     return;
 end
im=imread(str);
imshow(im);
if(length(size(im))==3)
       gray = rgb2gray(im); %图像灰度化
end
p1=zeros(16,16); 
bw=im2bw(im,0.9); %图像二值化
[l,r]=size(bw);
i4=bw;
    for i=1:l
        for j=1:r
            if i4(i,j)==0
                i4(i,j)=1;
            else
                i4(i,j)=0;
            end
        end
    end
i2 = bwmorph(i4,'majority','inf');%图像细化
i3=i2;
[i,j]=find(i3==1);
imin=min(i);
imax=max(i);
jmin=min(j);
jmax=max(j);
lab=false;%lab 用作是否进入一个字符分割的标志
k=1;
for j = jmin:jmax+1
    if (max(size(find(i3(imin:imax,j)==1)))-1)==0 %在第j列中没有找到像素为1(白点)的点
        if lab==true;
            t1(1,k)=j-1;  %t1的第一行偶数记录分割数字的右边界
            k=k+1;
            lab=false;
        end     

    else%在第j列中存在像素为1(白点)的点
        if lab==false
            lab=true;
            t1(1,k)=j; %t1的第一行奇数记录分割数字的左边界
            k=k+1;
        end
    end
end
n=max(size(t1))/2;%m为待识别数字的个数
for i=1:n   
    j=2*i;
    for k=imin:imax%由上到下寻找上边界
         if (max(size(find(i3(k,t1(1,j-1):t1(1,j))==1)))-1)>0% 在对应的列中找到了分割数字的上边界
             t1(2,j-1)=k;  %t1的第二行奇数列分别记录分割数字的上边界
             break;
         end
             
    end
end
    
for i=1:n   
    j=2*i;
    for k=imax:-1:imin%由下到上寻找下边界
         if (max(size(find(i3(k,t1(1,j-1):t1(1,j))==1)))-1)>0% 在对应的列中找到了分割数字的下边界
             t1(2,j)=k;  %t1的第二行偶数列分别记录分割数字的下边界
             break;
         end
             
    end
end
    p4=zeros(l,r);
    p5=zeros(l,r);
    load numbernet net;
for i=1:n
        j=2*i;
        bw1=i3(t1(2,j-1):t1(2,j),t1(1,j-1):t1(1,j)); 
        p1=zeros(16,16);
        rate=16/max(size(bw1));
        bw1=imresize(bw1,rate);
        [z,x]=size(bw1);
        i1=round((16-z)/2);
        j1=round((16-x)/2);
        p1(i1+1:i1+z,j1+1:j1+x)=bw1;        
        p4(t1(2,j)-15:t1(2,j),t1(1,j-1):t1(1,j-1)+15)=p1;      
        p1 = bwmorph(p1,'thin',inf);
        p5(t1(2,j)-15:t1(2,j),t1(1,j-1):t1(1,j-1)+15)=p1;       
             for m=0:15
                if(0<=m&&m<=3)
                    mm=(m+1)*4;
                    p(m+1,1)=length(find(p1(1:4,mm-3:mm)==1));
                end
                if(4<=m&&m<=7)
                    mm=(m-3)*4;
                    p(m+1,1)=length(find(p1(5:8,mm-3:mm)==1));
                end
                 if(8<=m&&m<=11)
                    mm=(m-7)*4;
                    p(m+1,1)=length(find(p1(9:12,mm-3:mm)==1));
                 end
                 if(12<=m&&m<=15)
                    mm=(m-11)*4;
                    p(m+1,1)=length(find(p1(13:16,mm-3:mm)==1));
                 end
             end
            p(17,1)=length(find(p1(4 ,1:16)==1));
            p(18,1)=length(find(p1(8 ,1:16)==1));
            p(19,1)=length(find(p1(12,1:16)==1));
            p(20,1)=length(find(p1(1:16, 4)==1));
            p(21,1)=length(find(p1(1:16, 8)==1));
            p(22,1)=length(find(p1(1:16,12)==1));
            s1=0;
            for zz=1:16
                xx=17-zz;
                s1=p1(zz,xx)+s1;
                p(23,1)=s1;
            end
            s2=0;
            for zz=1:16
                s2=p1(zz,zz)+s2;
                p(24,1)=s2;
            end


       
        [a,Pf,Af]=sim(net,p);
       
        a=round(a) ;
        b(1,i)=a(1,1)*8+a(2,1)*4+a(3,1)*2+a(4,1);
end
 b=num2str(b);

三、运行结果

在这里插入图片描述

四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社,2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社,2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社,2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社,2015.
[5]黄一格,张炎生.基于BP神经网络的手写数字识别系统[J]机电工程技术. 2020,49(01)

五、获取代码方式

扫码CSDN二维码
在这里插入图片描述

这篇关于【Matlab手写数字识别】BP神经网络手写数字识别系统【含GUI源码 1639期】的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!