图像识别与处理汇编.docVIP

研究生课程论文（作业）封面 （ 2015 至 2016 学年度 第 1 学期） 课 程 名 称： 图像识别与处理技术 课 程 编 号： 211320 学 生 姓 名： 潘琪 学 号： 140710611 年 级： 2014级 任 课 教 师: 吴秋峰 提 交 日 期： 2016 年 1 月 20 日 成 绩：__________________ 教 师 签 字：__________________ 开课---结课：第 周---第 周 评 阅 日 期： 年 月 日 东北农业大学研究生院制 利用神经网络进行数字识别的方法探索 摘 要：本文介绍了一种利用BP神经网络进行印刷体数字像识别的方法。利用MATLAB软件提取图像里的数字信息，进行灰度处理和二值化处理，作为输入建立一个BP神经网络，并对其进行测试。最终可对特定大小的数字图像进行识别。 关键词：BP神经网络，灰度，特征值 Abstract: This paper introduces a method of using BP neural network to carry out the digital image recognition of the printed body. Using MATLAB software to extract digital information from the image, the gray processing and binarization processing, as an input to build a BP neural network, and to test its. Finally, the specific size of the digital image can be distinguished. Keywords: BP neural network, gray level, characteristic value 1 BP神经网络的基本原理和学习算法 1.1 BP神经网络处理信息的基本原理 自然神经系统是由结构上相对独立的神经细胞构成的，这些细胞被称为神经元。单个神经元完成相对比较简单的功能，然而神经元之间的广泛连接、复杂结构使得神经系统具有高级智能活动的能力。基于这种认识，人们提出了多种人工神经网络的模型从不同角度来模拟自然神经。一个神经网络的模型主要由神经元的计算特性、网络的结构、连接权值的学习规则三方面要素来决定。 BP神经网络采用并行网络结构，包括输入层、隐层和输出层，经过作用函数后，把隐含层节点的输出信号传递到输出节点，最后给出输出结果。输入信号通过隐层点作用于输出节点，经过非线性变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量，网络输出值与期望输出值之间的偏差，通过调整输入节点与隐层节点的联接强度取值和隐层节点与输出节点之间的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的权值和阈值后停止训练。经过训练后的网络能对类似样本的输入信息自行处理，输出经过非线性转换的误差最小的信息。 1.2 BP神经网络的学习算法 基本BP学习算法包括信号的前向传播和误差的反向传播两个方面，根据从出入到输出方向得到的输出值，从输出到输入方向进行权值和阈值的调整。BP神经网络结构如图所示。 其中：表示输入层第个输入节点，； 表示第个输入节点到第个隐层节点之间的权值，； 表示第个隐层节点的阈值； 表示隐层的激励函数； 表示第个隐层节点到第个输出节点之间的权值，； 表示第个输出节点的阈值； 表示输出层的激励函数； 表示第个输出节点的输出。 信号的前向传播： 第个隐层节点的输入： 第个隐层节点的输出： 第个输出层节点的输入： 第个输出层节点的输出： 误差的反向传播： 首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出接近期望值。 每一个样本的二次型误差准则函数为：