基于BP神经网络的图书编号识别

合集下载

基于BP神经网络的数字字母识别系统设计——系统分析设计【开题报告】

开题报告电气工程及其自动化基于BP神经网络的数字字母识别系统设计——系统分析设计一、课题研究意义及现状随着信息科技技术的飞速发展，神经网络从当年的无人问津到现在广泛应用于各个领域，这个不是偶然而是其功能大部分能适应生产生活的各方面需求。

特别是在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别等方面有重大的应用。

BP神经网络已被广泛地应用于各个领域，它的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。

正向传播时，输入样本从输入从输入层传入，经各隐层逐层处理后，传向输出层。

若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段。

误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。

这种信号正向传播与误差反向传播的各层权值调整过程是周而复始地进行的。

此过程一直进行到网络输出误差减少到可以接受的程度，或进行预先设定的学习次数为止。

本课题就是利用BP神经网络的工作原理，对0、1、2、3、4、5、6、7、8、9十个数字的图像提取特征向量作为神经网络识别输入向量的基础上，分析建立对0、1、2、3、4、5、6、7、8、9十个数字进行识别的BP神经网络拓扑结构，为程序实现识别系统创造条件。

目前，手写体字符识别是一个非常重要和活跃的研究领域，它涉及到模式识别、图像处理、人工智能、模糊数学、信息论、计算机等学科，是一门综合性技术，有广阔的应用背景与巨大的市场需求。

因此，对字符识别的研究具有理论与应用的双重意义。

二、课题研究的主要内容和预期目标（一）研究内容（1）熟悉BP神经网络的基本原理及其算法；（2）掌握人工神经网络的拓扑结构模型，并利用该模型构建识别系统（3）在含有噪声的情况下对识别系统的影响，并能提高识别的准确率（4）研究出最好的方案分别使识别率，复杂度方面达到理想状态（二）预期目标结合自己的所学的BP神经网络知识对0到9十个数字字符进行编码，变成神经网络可以接受的输入向量形式，构建数字字符识别的BP神经网络拓扑结构模型，完成基于BP神经网络数字识别系统设计。

基于BP神经网络的字符识别技术研究的开题报告

基于BP神经网络的字符识别技术研究的开题报告1. 研究背景与意义随着计算机技术的发展，字符识别技术的研究也越来越受到关注。

字符识别技术的应用范围广泛，如文字识别、图像处理、手写签名等领域。

其中，基于BP神经网络的字符识别技术受到了广泛关注。

BP神经网络具有强大的学习和归纳能力，可以自适应地进行模式识别和分类，因此被广泛应用于字符识别领域。

本论文旨在研究基于BP神经网络的字符识别技术，提高字符识别的准确率和稳定性，扩展其应用范围，具有一定的理论和实际应用意义。

2. 研究内容和目标本论文的研究内容主要包括以下几个方面：(1) BP神经网络字符识别原理的分析和研究(2) BP神经网络参数设置和训练过程的优化(3) 实现基于BP神经网络的字符识别系统，并进行实验验证目标是实现一个高效、准确、稳定的字符识别系统，提高字符识别的准确率和稳定性，拓展其应用范围，为相关领域的应用提供一定的理论和实际支持。

3. 研究方法本论文主要采用理论和实验相结合的方法，具体研究方法包括：(1) 分析和研究BP神经网络字符识别原理，探讨其优点和不足之处；(2) 从网络结构、学习率、激活函数等方面优化BP神经网络训练过程；(3) 收集符合该研究对象的数据集，进行网络训练和实验验证；(4) 对实验结果进行比较分析，并提出进一步改进的建议。

4. 预期成果(1) 对基于BP神经网络的字符识别技术原理进行深入探讨，提出相应的优化策略；(2) 实现基于BP神经网络的字符识别系统，并对实验结果进行分析；(3) 提高字符识别的准确率和稳定性，拓展其应用范围；(4) 对字符识别技术研究提供一定的理论和实践支持。

5. 研究计划与进度安排本论文的研究周期为一年，具体的进度安排如下：第一、二个月：对BP神经网络字符识别原理进行分析，撰写相关文献综述。

第三、四个月：从网络结构、学习率、激活函数等方面优化BP神经网络训练过程。

第五、六个月：收集符合该研究对象的数据集，进行网络训练和实验验证。

基于BP神经网络的数字识别

[收稿日期]20090315　[作者简介]卜富清(1979),男,2002年大学毕业,讲师,硕士生,现主要从事图像识别方面的研究工作。

基于BP 神经网络的数字识别卜富清　(成都理工大学信息管理学院,四川成都610059;长江大学一年级工作部,湖北荆州434023) 王茂芝,于庆刚　(成都理工大学信息管理学院,四川成都610059)[摘要]介绍了字符识别的几种方法及神经网络的基本原理,并将BP 神经网络应用于数字识别,选取最佳的隐含层节点数及训练样本个数,实现了基于BP 神经网络的数字识别。

仿真试验结果表明,BP 神经网络可以对阿拉伯数字进行快速、准确的识别,具有广泛的应用前景。

[关键词]BP 神经网络;数字识别;MA TL AB[中图分类号]TP391[文献标识码]A [文章编号]16731409(2009)02N29302数字字符识别[1](Numeral Recognition )是光学字符识别(Optical Character Recognition ,OCR )技术的一个重要分支。

在大规模数据统计,邮件分拣,汽车牌照、支票、财务、税务、金融等有关数字编号的识别方面得到广泛应用,因此成为多年来研究的一个热点。

而人工神经网络(Artificial Neural Networks ,简称ANN )具有良好的容错能力、强大的分类能力、自适应和自学习等特点,备受人们的重视,在字符识别领域得到了广泛的应用。

用ANN 进行字符识别主要有2种方法:一是先对待识别字符进行特征提取,然后用所获得的特征来训练神经网络分类器。

这种网络的识别效果与字符特征提取的完备性有关;二是充分利用神经网络的特点,直接把待处理的图像输入网络,由网络自动实现特征提取直至识别。

这种网络的识别速度与输入的待处理图像大小有关。

笔者利用第2种方法将B P 网络应用于数字识别中。

图1　BP 神经网络结构图1　BP 神经网络的基本原理BP 神经网络是一种典型的前馈神经网络[2],其网络的基本结构如图1所示,B P 算法属于有监督式的学习算法,其主要思想是:输入学习样本,使用反向传播算法对网络的权值和偏差进行反复的调整训练,使输出的向量与期望向量尽可能地接近,当网络输出层的误差平方和小于指定的误差时训练完成,保存网络的权值和偏差。

基于bp神经网络的数字识别方法

基于bp神经网络的数字识别方法一．问题描述数字识别能够在汽车牌照、支票等有关数字的编号的识别方面有广泛的应用。

车牌等有字符和数字组成，采用固定的印刷字体。

在车牌识别中，因自然因素或采样因素导致采集到的数字样本存在一定的模糊与混杂等不同程度的污染，给字符识别带来很大的困难。

此处因字符和汉字识别的复杂性，并且对于车牌字符支票字符等图片数字要进行单个数字分割等设计很多图像处理内容，此处设计只对单个数字进行识别处理，本设计采用通过三种不同的字体及不同字号的数字为训练样本，并且选取不同大小数字和被污染得字体做为测试样本，通过图形处理等操作对被污染单个数字进行处理后识别，对其他不予考虑。

二．求解思路首先对图像进行预处理，以便于进行像素值的提取，对设计好的神经网络进行训练，对比训练的结果与期望的结构，并根据对比的结果对神经网络的一些权值进行修改，最终得到训练好的神经网络。

并选择测试样本，进行仿真测试。

三．设计方案1．图像预处理由于自然和人为因素影响，可能造成数字图像笔划缺损、噪声严重及几何形变等现象。

故识别前必须对图像进行必要的预处理。

图像处理流程：图1：图像处理流程2．特征提取对图像字符分割处理后得到单个数字，进行归一化处理，消除各个数字在位置和大小上的差异，提高识别的准确率。

过程为：截取数字图像像素值为0的最大矩形区域，将此区域的图像经过变换，将数字字符归一化为16*16的像素点阵图。

所有的训练样本和测试样本都要经过这样的处理。

3．bp神经网络设计与训练（1）bp神经网络的设计方法按照BP神经网络设计方法选用两层BP网络。

采用newff函数来建立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，隐层节点数为256=++aa，取25。

1(10~1)（2）神经网络仿真程序设计构造训练样本集，并构成训练所需的输入向量p和目标向量t.通过画图工具获得数字。

基于BP神经网络的数字识别研究

ｄｒ．ａｅｎｔｕｃｓｕｓｌｔｎｆｉｅｙｒａｄｗｉｔｎｔｉｔｎｆｎｔｎ．ｔｉｐｐｒｅ— ｅｅＢｓｏｅＳｃｅｓｌｅｅｉｓｄｎｌｅｓｅｉａｚｉｃｏｓｈｓａｅａｄｄｈｆｃｏｏｈｄａｎｈｇｉｉａｏｕｉｌｒ
的模型，模拟人工智能的一种重要方法，有模拟是具人的部分形象思维的能力。它是由简单信息处理单
于ＢＰ神经网络的数字识别系统取得了良好效果。
１ＢＰ神经网络基本原理
ＢＰ神经网络是一种典型的前馈神经网络，其网络的基本结构如图１所示，它包含输入层、隐层及输出层，隐层可以为一层或多层，每层上的神经元称为
元互连组成的网络，能接受处理信息，网络的信息处理由处理单元间的相互作用来实现，是通过把问它
题表达成处理单元间的连接权来处理的。人工神经网络技术的迅速发展，为模式识别开辟了新的途径，特别是它的信息并行分布式处理能力和自学习功能等显著优点，是激起了人们的研究兴趣。误差反更向传播网络（ａｋｒａａｏ）即ＢＢｃ —Ｐｏｇｔｎ，Ｐ神经网络，ｐｉ是
ＬＢＥｐｒｅｔｓｌｄｍｎｔｔｔｔｅｅｏｏｓｅｃｇｚｔｇ．Ａ．ｘｉｎｌｅｔｅｏｓａａｔｔｄｒｌｉｒｏｎ￣ｈｄｉｅｍａｒｕｓｒｅｍｈｗｋｗｌｎｅｉｈｈｅｉｔ

基于BP神经网络的数字识别研究

基于BP神经网络的数字识别研究摘要：比较了各种数字识别方法，采用bp神经网络设计了一个数字识别系统。

首先对数字图像进行二值化处理，构造输入向量矩阵；接着通过选取初始权值、隐层节点数和权值学习算法，创建bp 神经网络，对样本数据进行训练；之后对加有噪声的样本再次进行训练，以提高网络的鲁棒性；最后制作了图形用户界面进行实验。

测试结果表明，该系统对噪声系数小于0.85的字符识别率可达96%，且网络训练时间可以接受。

关键词：bp神经网络；数字识别；特征提取中图分类号：tp183 文献标识码：a 文章编号：1009-3044（2013）14-3362-041 概述数字识别在车辆牌照识别、银行支票识别和邮政储蓄票据识别等领域有着广泛的应用，因而成为研究人员近年来研究的一个焦点[1]。

而人脑神经系统模型的建立为人工神经网络的产生提供了理论模型依据，使其具有模拟人脑部分形象思维的能力[2]，因而使其成为人工智能技术的重要组成部分和常用方法。

人工神经网络由简单信息处理单元相互连接组成，通过简单处理单元间的相互作用来实现对其所接收信息的处理。

而随着人工神经网络技术的快速发展，其为解决模式识别邻域的相关问题提供了新的解决思路和方法，其突出的优点在于它具有对接收信息可进行并行分布式处理能力和自我学习反馈能力，因而吸引了众多研究人员对其进行广泛和深入的研究。

而误差反向传播网络（back-propagation），即bp神经网络，是一种典型的人工神经网络，它具有人工神经网络的所有优点，因而在众多技术邻域有着广泛的应用[3]。

该文首先对bp神经网络的基本原理进行了详细介绍，在分析了其基本原理的基础上，针对数字识别问题，设计了一种利用bp神经网络技术进行数字识别的方法。

经实验表明，该方法合理可行，且其识别效果正确有效。

2 相关原理与知识由于本文针对数字识别问题，利用bp神经网络技术对其进行方法设计和实现，首先必须了解bp神经网络的基本原理，即了解其具体构成形式、模型分类和其功能特点。

基于BP神经网络的数字识别

速度和识别精度。２．４输出识别结果本文选择典型的三层ＢＰ网络作为工具，对文中的提取的图像７个不变矩进行训练识别。ＢＰ网络结构设置如下：
利用ＢＰ算法对测试号码数字图像进行识别 — 输出识别结果
２１图像预处理由于采集的图像是彩色图像，而彩色图像是三通道（ＲＧＢ）的图像，为了既
减少计算量又便于处理，我们首先要把三通道的图像转变成单通道的灰度图像，灰度图（Ｇｒａｙｓｃａｌｅ）是指只含亮度信息，不含色彩信息的图像，就如平时看到的亮度由暗到明的黑白照片，变化连续。然后把连续的图像离散化，转变成计算机能够处理的数字图像。接着将灰度图像转化为二值图像，二值化一般采用阈值分割法，基本原理为：根据图像的大致灰度分布情况，选取一个合适的灰度值（称为阈值），这个灰度值可以理解为一个临界值，它将图像中的灰度分成２个灰度级，图像中凡是大于或是等于该灰度ｉｎ值的像素点将其灰度值设置为ｌ，凡是小于该灰度值的像素点将其灰度值设为０。接着对图像中的噪声和干扰进行去噪，平滑处理。
１前言
２３８Ｐ算法原理介绍１９８６年，Ｒｕｍｅｌｈａｒｔ和ＭｃＣｅｌｌａｎｄ领导的科学家小组（（ＰａｒａｌｌｅｌＤｉｓｔｒｉｂ — ｕｔｅｄＰｒｏｃｅｓｓｉｎｇ））－书中提出了ＢＰ（ＥｒｒｏｒＢａｃｋＰｒｏｒａｇａｔｉｏｎ）算法，

基于BP神经网络的数字识别方法

２００６年第２５卷第ｌ０期
文章编号：１０ —５６（０６１－００００６１７２０）００４２
基于ＢＰ神经网络的数字识别方法
施少敏，马彦恒，陈建洲
（械：程学院光学与电子工程系，河北石家庄０００）军［５０３
ｉｌｎｃｕｄｅｒｉｎｇｎｕｍｅｒｃｌｒｏｇｎｉｉｗｏｒｎｄｍａｎｇｓｅｃｏｒｌｉｒｅｅｓｂｙｃｓｔａｎｉｉａｅｃｔｏｎｎｅｔｋａｋｉｕｒｒｅａｔｏｎｐａａｍｔｒｈｏｏｓｎｇｔｅｉｔａｅｇｈ，ｔｉｈｎｉｉｌｗｉｔｈｅｎｕｍｂｅｄｅｎｏｓａｈｅｌａｎｉｌｒｔｅｇｈｔＥｘｐｅｉｅｓｉｃａｅｈａｈｅｈｏｄｗｏｒｅｌｉｒｃｏｒｏｆｈｉｄｅｎｄｔｅｒｎｇａｇｏｉｈｍｏｆｗｉ．ｒｍｎｔｎｄｉｔｄｔｔｔｅｍｔｋｗｌｎｅｇｎｉｉｇｚｎｔｒｂｎｕｍｂｅｓｅｃｔｙａｃｋｌｈｅＡａｒｘａｌｎｄｑｕｉｙ．Ｋｅｙｗｏｄｒｓ：Ｎｅｕａｗｏｒｒｌｎｅｔｋ；Ｎｕｍｅｉａｌｒｃｏｒｃｅｇｎｉｉｔｏｎ；Ｂａｋｐｏｐａｔｏｎａｇｉｈｍｃｒａｇｉｌｏｒｔ
为１，遇到白色像素时取其特征值为０，即当扫描结
字。故使用Ｂ网络技术，经预处理图像并特征提Ｐ
取后，送入ＢＰ网络实现其数字别。

基于BP神经网络的手写数字识别

基于BP神经网络的手写数字识别一、引言二、BP神经网络原理BP神经网络（Back Propagation Neural Network）是一种常用的人工神经网络模型，它由输入层、隐层和输出层构成。

BP神经网络通过训练样本调整连接权值，在输入数据与输出数据之间建立映射关系。

其训练过程包括前向传播和反向传播两个阶段。

1.前向传播：当输入一个样本时，信号从输入层经隐层到输出层逐层传播，得到输出结果。

2.反向传播：计算输出层与期望输出的误差，通过误差反向传播更新每个连接权值，以降低误差。

通过多次迭代训练，BP神经网络能够学习到样本数据之间的映射关系，从而实现对未知数据的准确预测和分类。

三、手写数字识别方法基于BP神经网络的手写数字识别方法主要包括数据预处理、神经网络搭建和模型训练三个步骤。

1.数据预处理：手写数字图像通常需要进行二值化处理、尺寸归一化和特征提取等操作，以便于神经网络的学习和识别。

2.神经网络搭建：根据手写数字识别的实际需求，设计合适的BP神经网络结构，包括输入层、隐层和输出层的节点数、激活函数的选择等。

3.模型训练：将预处理后的手写数字图像输入神经网络，通过多次迭代训练，调整连接权值，使得神经网络能够准确地识别手写数字图像，并实现对未知数据的预测和分类。

基于BP神经网络的手写数字识别技术已经被广泛应用于各个领域，如邮政编码识别、银行支票识别、手写输入设备等。

数字图书馆、自动识读和人工智能助手等领域都有着广泛的应用需求。

1.数字图书馆：基于BP神经网络的手写数字识别技术可以实现对手写数字的自动识读，为数字图书馆的数字化建设提供了有效的技术支持。

2.自动识读：在邮政编码识别、银行支票识别等领域，手写数字识别技术可以实现对不同格式的手写数字信息的自动识读，提高处理效率和准确率。

3.人工智能助手：在智能手机、智能手表等智能设备中，基于BP神经网络的手写数字识别技术可以实现手写输入的智能识别，为用户提供更便捷的输入方式。

基于BP神经网络的图像识别算法研究

基于BP神经网络的图像识别算法研究近年来，人工智能技术在各个领域得到了广泛应用。

其中，图像识别技术是人工智能领域的重要应用之一。

在许多实际应用场景中，我们需要对图像进行自动化识别。

传统的图像识别方法往往需要手动提取特征，这个过程需要大量的人力和时间。

而基于BP神经网络的图像识别算法则可以通过学习训练数据来自动提取特征，能够更好地应对现实场景中的变化和噪声。

一、BP神经网络基础BP神经网络是一种常见的前馈神经网络，它通常由输入层、隐藏层和输出层组成。

每个神经元都有多个输入和一个输出。

其中，输入为前一层神经元的输出经过加权之后再加上一个偏置得到的。

每个神经元都有一个激活函数，它可以将输入转换成输出，并经过向后传播算法来进行权值的调整，从而达到对数据的分类和识别的目的。

在BP神经网络的训练中，常用的算法是误差反向传播算法。

该算法的目的是通过不断地调整权值和偏置，使得神经网络的输出尽可能接近真实值。

误差反向传播算法是一个迭代过程，每次迭代都会调整权值和偏置。

其中，每次迭代的误差是神经网络的输出和真实值之间的差距。

通过误差反向传播算法，我们可以得到神经网络中每个节点的权值和偏置，从而使得神经网络的输出在训练数据集上表现更好。

二、基于BP神经网络的图像识别算法基于BP神经网络的图像识别算法最重要的步骤是特征提取。

传统的图像识别算法需要手动提取特征，这个过程比较繁琐，需要人工干预。

而基于BP神经网络的图像识别算法则可以通过学习训练数据来自动提取特征。

在训练过程中，神经网络不断调整权值和偏置，从而使得神经网络的输出能够更好地匹配训练数据。

在测试数据上，我们可以直接使用已经训练好的神经网络进行分类和识别。

在实际应用中，基于BP神经网络的图像识别算法需要解决以下几个问题。

首先，特征提取的效果直接影响算法的性能。

如果特征提取的质量不好，那么算法的准确率也会大大降低。

其次，对于大型数据集来说，神经网络的训练可能需要花费很长时间，因此需要针对具体问题选择合适的神经网络模型和算法。

基于BP神经网络的数字识别

Science & Technology Vision
科技视界
反向传播袁经网络将误差信号沿着之前的链接通路gy Vision
科技视界
基于 BP 神经网络的数字识别
Digital Recognition based on BP Neural Network
饶志双黄宗珊渊西南科技大学计算机科学与技术学院袁四川绵阳 621010冤
揖摘要铱手写数字识别是人工智能技术中一个十分重要的分支袁在人们日常生活中也应用得越来越频繁袁例如在快递分拣尧金融等有关数字识别的领域中都有较多的应用袁这也使得越来越多人投入到手写数字识别技术研究中袁人工神经网不仅具有非常好的容错能力尧分类能力袁还具有自适应和自学习等特性袁备受人们的重视袁基于此袁本文在对神经网络介绍的基础上就神经网络在手写数字识别方面做了一些研究探讨遥
2 BP 神经网络
2.1 人工神经网络
人工神经网络通过一种称为连接的单向信号通路将一些处理单元互连而成袁每个处理单元都有一个单输出到所期望的连接遥每一个处理单元传送同样的信号即处理单元输出信号[3-5]遥 2 . 2 BP 神经网络 2.2.1 基本原理
图 1 BP 神经网络结构图 BP 神经网络是一种非常典型的前馈神经网络袁网络的基本结构如下面图 1 所示袁它包含了输入层尧输出层及隐层袁隐层可以是一层或多层袁每一层上的神经元被称为单元或节点遥 BP 算法分为两部分院信息的正向传递和误差的反向传播遥在正向传递过程中袁输入信息从输入层通过隐含层一层一层计算传向输出层袁每一层神经元的状态仅能够影响下一层神经元的状态遥如果在输出层没有得到期望的输出袁需要计算输出层的误差变化值袁然后转向

基于BP神经网络的字符识别系统(完整版)doc资料

基于BP神经网络的字符识别系统（完整版）doc资料计算机与现代化2021年第1期J I S UANJ I Y U X I A NDA I HUA总第161期收稿日期:2020205211项目:河南省自然科学资助项目(0511011500作者简介:张可(19842,女,河南三门峡人,南京航空航天大学信息科学与技术学院硕士研究生,研究方向:图像处理;张高燕(19872,女,河南三门峡人,北京师范大学信息科学与技术学院硕士研究生,研究方向:图像与语音信号处理;吴苏(19872,男,河南南阳人,哈尔滨工程大学计算机科学与技术学院硕士研究生,研究方向:I nternet 应用软件;范海菊(19792,女,河南新乡人,河南师范大学计算机与信息技术学院讲师,研究方向:语音和图像信号处理。

基于BP 神经网络的字符识别系统张可1,张高燕2,吴苏3,范海菊4(1.南京航空航天大学信息科学与技术学院,江苏南京210016;2.北京师范大学信息科学与技术学院,北京100875;3.哈尔滨工程大学计算机科学与技术学院,黑龙江哈尔滨150001;4.河南师范大学计算机与信息技术学院,河南新乡453007摘要:基于BP 神经网络设计了一个字符识别系统。

首先,对字符图像进行二值化处理,构造输入向量矩阵。

其次,通过选取初始权值、隐层节点数和权值学习算法,创建BP 神经网络,对样本数据进行训练,之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性。

最后进行仿真测试并制作图形用户界面G U I 来模拟与演示该系统。

仿真结果显示,该BP 网络对噪声系数小于0.8的字符识别率可达95%,且网络训练时间可接受。

关键词:BP 神经网络;G U I ;字符识别;鲁棒性中图分类号:TP311.52文献标识码:ASystem of Character Recogn iti on Ba sed on Back 2propaga ti on Neura l NetworkZHANG Ke 1,Z HANG Gao 2yan 2,WU Su 3,F AN Hai 2ju4(1.College of I nf or mati on Science and Technol ogy,Nanjing University of Aer onautics and Astr onautics,Nanjing 210016,China;2.College of I nf or mati on Science and Technol ogy,Beijing Nor mal University,Beijing 100875,China;3.College of Computer Science and Technol ogy,Harbin Engineering University,Harbin 150001,China;4.College of Computer and I nfor mati on Technol ogy,Henan Nor mal University,Xinxiang 453007,ChinaAbstract:This article designs a character recogniti on syste m based on the Back 2Pr opagati on neural net w ork .First,the character i m age is p r ocessed in binary t o construct the input vect or matrix .Second,by choosing the initial weight,the nu mber of hide nodes and the learning algorith m of weight,a perfect BP neural net w ork is created .And then the net w ork carries on the training t o the samp le data and after wards t o the sa mp le with noise once more,t o enhance the net w ork r obustness .Finally,it carries on the si m ulati on test and manufactures graphical user interface t o si m ulate and demonstrate this system.The si m ulati on result shows that the character recogniti on rate of thisBP net w ork is possible t o reach 95%with the noise fact or less than 0.8,and the training ti m e is accep table .Key words:BP neural net w ork;G U I ;character recogniti on;r obustness0引言为了解决计算机对字符的自动识别问题,使计算机达到真正智能化,人们对计算机的自动识别进行了多年研究,并取得了很大的进步。

基于BP_神经网络原理的智能图书推荐系统探究

442023年4月上第07期总第403期信息技术与应用China Science & Technology Overview1.绪论1.1 研究背景与意义2004年由美国导演亚历克斯·普罗亚斯执导的电影《I, Robot》上映，该电影改编自著名科幻作家阿西莫夫机器人系列作品。

电影中为人们描绘了未来机器人的图景，它们具有自己的思维和情感，对复杂问题能够做出快速准确的判断，具备严密的逻辑推理能力。

可以说，电影中所描绘的机器人是人工智能的高级发展形态，使机器具有人类一样的思维是人们的梦想。

然而随着科学的进步，人们离电影中描绘“未来”的距离越来越近。

2016年一款名为Alpha Go 的系统击败了国际围棋冠军李世石，取得了人机大战的胜利。

Alpha Go 的出现在国内外掀起了机器学习和人工智能的研究浪潮，我国于2017年7月发布了《新一代人工智能发展规划》，对我国人工智能的研究和应用进行了国家层面的部署，随着计算机理论和技术的发展，人工智能正不断融入我们的生活。

本文聚焦人工智能中的BP 神经网络，通过剖析BP神经网络基本原理，创新提出将BP 神经网络应用于图书智能推荐系统，并给出相应解决方案。

1.2 研究文献综述人工智能实现的关键在于计算机算法，除BP 神经网络算法外，目前已有多种不同原理、不同结构的算法，它们在各个领域也发挥着愈来愈重要的作用。

韩晓薇等对人工智能在财会方面的应用进行了展望[1]，论文指出人工智能的出现对传统财务工作产生的颠覆性影响，在此基础上提出了结合人工智能技术进行财务管理的设想，为人工智能背景下财会领域的融合发展提供了参考。

史斌等将人工智能技术应用于肝脏移植领域[2]，提出了人工智能技术在肝脏移植过程中的诊疗和干预后所发挥的重要作用，为借助现代信息技术提高肝移植成功率打开了新的思路。

贾焰等对人工智能时代下网络安全问题进行了探讨[3]，提出了网络安全人工智能大脑的构建设想，同时对人工智能技术的网络安全性提出了相应建议。

基于BP神经网络的字符识别算法的实现设计

摘要人工神经网络是通过对人脑生物神经机理进行简化，抽象和模拟之后建立起来的一种计算模型，属于机器学习的重要研究领域。

本设计主要提出一种用神经网络来识别含有数字字符的方法。

神经网络采用带有动量项和自适应学习率的反向传播算法(BP)进行训练。

在识别之前要对图像进行一系列的预处理，主要包含灰度化、二值化、锐化、噪声去除、字符分割、字符归一化、字符骨架提取等。

经过预处理的图片适合后续的训练及识别。

预处理后对图片上的字符进行特征提取，特征提取的方法很多，这里选择效果较好的十三特征提取法来进行特征提取。

最后采用BP神经网络来对待检测的图片上的数字进行识别。

关键词：反向传播算法;BP网络;人工神经网络;图像处理;特征提取ABSTRACTArtificial neural network is a computational model which is established after the simplification of the biological neural mechanism of human brain and abstract and simulation. It belongs to the important research field of machine learning.In this design, a neural network is proposed to identify the method of containing digital character. The neural network is trained by the back propagation (BP) algorithm with momentum and adaptive learning rate. Before identification, there are a series of image pretreatment which are graying, binarization, sharpening, noise removal, character segmentation, character normalization and character skeleton extraction. Images which are pretreated will be more suitable for the later training and recognition. After pretreatment, feature extraction is performed. There are a lot of ways of feature extraction, the extraction method of thirteen features which has better evaluation was chosen here. Finally, it uses BP neural network to identify the numbers on the pictures which are to be tested.Keywords: BP algorithm; BP Neural Network; ANN; image processing；Feature Extraction.目录第一章绪论 (1)1.1字符识别的简介 (1)1.2文字识别方法及研究现状 (1)1.3课题研究内容 (2)第二章人工神经网络 (3)2.1人工神经网络算法 (3)2.2BP网络 (6)第三章图像的预处理 (12)3.1256色位图灰度化 (12)3.2灰度图像二值化 (12)3.3图像的梯度锐化 (13)3.4去除离散的杂点噪声 (14)3.5整体倾斜度调整 (15)3.6字符分割 (16)3.7标准归一化 (18)3.8紧缩的紧缩重排 (19)3.9特征提取 (20)第四章基于人工神经网络的数字识别 (21)4.1系统框架 (21)4.2基于神经网络的数字识别的基本过程 (22)4.3程序的运行 (25)第五章总结与展望 (28)5.1总结 (28)5.2后续工作及展望 (28)参考文献外文资料中文译文致谢第一章绪论1.1 字符识别的简介字符识别是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，然后用字符识别方法将形状翻译成计算机文字的过程；即，对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。

BP神经网络对0-9数字识别

3.编程实现BP网络，并利用该程序实现数字（0-9）图片的识别。

解：采用BP进行数字（0-9）图片的识别，并使用MATLAB编程实现。

BP算法原理：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。

1）算法步骤：1.利用BP神经网络对阿拉伯数字进行识别前，应先对阿拉伯数字位图样本进行预处理，即先将256色位图转为灰度图，然后二值化，最后进行归一化处理，然后进行特征向量提取。

大小为20 X20像素。

图像是二值图。

下一步建立神经网络，如图1所示节点节点节点閤I神蚱网略结构2.建立BP网络，训练BP网络。

本设计采用40个训练样本训练BP网络。

训练流程如下：圏2 HP网坏调感就社3.训练完BP网络，就可以用数据进行识别。

识别流程图如下图3数字识别流程2)matlab 代码%预处理clear all;for pcolum=0:39 p1=ones(30,30);m=strcat( ‘ str(pcolum), ' .jpg'); 匸imread(m); 件11二im2bw(l,0.3);全局阈值0.3[m, n]=fi nd(l1==0); rowmi n=min( m); rowmax 二max(m); colummi n=min(n);colummax二max (n);I2=I1(rowmi n:rowmax,colummi n:colummax);% 截取是入图像中的数字部分rate=30/max(size(l2)); I3=imresize(I2,rate); %对输入文件变尺寸处理[I,j]=size(I3); row=rou nd((30-i)/2); colum=rou nd((30-j)/2);p1(row+1:row+l,colum+1:colum+j)=l3;30*30的矩阵p 仁-1*p1+o nes(30,30);% 反色处理for hh=1:30 p((hh-1)*30+1:(hh-1)*30+30,pcolum+1)=p1(hh,1:30);%建立全为1的样本矩阵',int2%循环读入0-39个样本数字文%对输入图像进行二值化处理采用%建立起end %将处理的源样本输入供神经网络训练的样本% pcolum是样本数循环变量switch pcolumcase {0,10,20,30}t(pcolum+1)=0; %数字0case{1,11,21,31}t(pcolum+1)=1 ; % 数字 1case{2,12,22,32}t(pcolum+1)=2 ; %数字 2case{3,13,23,33}t(pcolum+1)=3; %数字 3case{4,14,24,34}t(pcolum+1)=4; %数字 4case{5,15,25,35}t(pcolum+1)=5 ; %数字 5case{6,16,26,36}t(pcolum+1)=6 ; %数字 6case{7,17,27,37}t(pcolum+1)=7 ;case{8,18,28,38}t(pcolum+1)=8 ;case{9,19,29,39}t(pcolum+1)=9endtendsave 51ET p t;%训练网络代码clear all;load 51ET p t;pr(1:900,1)=0;pr(1:900,2)=1;n et=newff(pr,[25 1],{'logsig' 'pureli n'},'tra in gdx','lear ngdm');%创建BP网络n et.tra in Param.epochs=3000;n et.tra in Param.goal=0.005;n et.tra in Param.show=10;n et.tra in Param.lr=0.05;%数字7%数字8;%数字9%建立与训练样本对应的输出值%加载样本%设置训练步数%设置训练目标%设置训练显示格数%设置训练学习率n et=trai n(n et,p,t); %训练BP网络save ET51 net n et;%识别0-9过程clear allfor m=0:9c=m;%m=in put('请输入测试样本(C:\Users\91082\Desktop\ya ngbe n\try\):');匸strcat('C:\Users\91082\Desktop\ya ngbe n\try\',i nt2str(m),' .jpg');U=imread(I);imtool(U); %通过键盘输入添加试验样本load ET51 net net; %加载以训练好的BP神经网络p=zeros(900,1); %建立输入样本的空矩阵p仁on es(30,30); %建立临时存放样本的30*30的矩阵I1=im2bw(U,0.3); %对输入图像进行二值化处理采用全局阈值0.3[m, n]=fi nd(l1==0); rowmi n=min( m); rowmax二max(m); colummi n=min(n);colummax二max (n);I2=I1(rowmi n:rowmax,colummi n:colummax);入图像中的数字部分rate=30/max(size(l2));截取是13二imresize(l2,rate); %对输入文件变尺寸处理%[i,j]=size(I3);row=rou nd((30-i)/2);colum二rou nd((30-j)/2);p1(row+1:row+i,colum+1:colum+j)=l3; % 建立起30*30的矩阵p仁-1*p1+o nes(30,30); % 反色处理for hh=1:30p((hh-1)*30+1:(hh-1)*30+30,1)=p1(hh,1:30);end %将处理的源样本输入供神经网络训练的样本x=sim( net,p); % 测试网络x=rou nd(x); %输出网络识别结果fprintf('第%d 图片是数字:%d\n',c,x)end3)运行结果及分析训练网络结果如下图：由图可知，训练70次就达到训练目标。

用BP神经网络算法实现数字识别

/* =====================用BP神经网络算法实现数字识别************************/#include <>#include <>#include <>#include <>/***********************宏概念************************/typedef int BOOL;typedef int INT;typedef double REAL;typedef char CHAR;#define FALSE 0#define TRUE 1#define NOT !#define AND &&#define OR ||#define MIN(x,y) ((x)<(y) ? (x) : (y))#define MAX(x,y) ((x)>(y) ? (x) : (y))#define sqr(x) ((x)*(x))#define LO#define HI#define BIAS#define NUM_LAYERS 3 .\\n", / Error) * 100);}\n");getch();SaveWeights(&Net);\nPlease check the rusult in the file:.\\n"); printf("Please put any key to over this program.\\n");getch();getch();}/***********************产生随机数************************///设置伪随机数种子void InitializeRandoms(){srand(4711);}//产生一个LOW - TOP之间的伪随机整数INT RandomEqualINT(INT Low, INT High){return rand() % (High-Low+1) + Low;}//产生一个LOW - TOP之间的伪随机浮点数REAL RandomEqualREAL(REAL Low, REAL High){return ((REAL) rand() / RAND_MAX) * (High-Low) + Low;}/***********************//关闭文件************************/void FinalizeApplication(NET* Net){fclose(f);}/***********************//随机生成联接权************************/void RandomWeights(NET* Net){INT l,i,j;for (l=1; l<NUM_LAYERS; l++) { //每层for (i=1; i<=Net->Layer[l]->Units; i++) {for (j=0; j<=Net->Layer[l-1]->Units; j++) {Net->Layer[l]->Weight[i][j] = RandomEqualREAL, ;//随机值}}}}/***********************//保存连接权，防止丢失宝贵的联接权************************/void SaveWeights(NET* Net){INT l,i,j;for (l=1; l<NUM_LAYERS; l++) {for (i=1; i<=Net->Layer[l]->Units; i++) {for (j=0; j<=Net->Layer[l-1]->Units; j++) {Net->Layer[l]->WeightSave[i][j] = Net->Layer[l]->Weight[i][j];}}}}/***********************//恢复连接权，以便需要的时候可以重新调用，重组网络************************/void RestoreWeights(NET* Net){INT l,i,j;for (l=1; l<NUM_LAYERS; l++) {for (i=1; i<=Net->Layer[l]->Units; i++) {for (j=0; j<=Net->Layer[l-1]->Units; j++) {Net->Layer[l]->Weight[i][j] = Net->Layer[l]->WeightSave[i][j]; }}}}/***********************//创建网络，为网络分配空间************************/void GenerateNetwork(NET* Net){INT l,i;Net->Layer = (LAYER**) calloc(NUM_LAYERS, sizeof(LAYER*));for (l=0; l<NUM_LAYERS; l++) {Net->Layer[l] = (LAYER*) malloc(sizeof(LAYER));Net->Layer[l]->Units = Units[l];Net->Layer[l]->Output = (REAL*) calloc(Units[l]+1, sizeof(REAL));Net->Layer[l]->Activation = (REAL*) calloc(Units[l]+1, sizeof(REAL)); Net->Layer[l]->Error = (REAL*) calloc(Units[l]+1, sizeof(REAL));Net->Layer[l]->Weight = (REAL**) calloc(Units[l]+1, sizeof(REAL*));Net->Layer[l]->WeightSave = (REAL**) calloc(Units[l]+1, sizeof(REAL*)); Net->Layer[l]->dWeight = (REAL**) calloc(Units[l]+1, sizeof(REAL*));Net->Layer[l]->Output[0] = BIAS;if (l != 0) {for (i=1; i<=Units[l]; i++) {Net->Layer[l]->Weight[i] = (REAL*) calloc(Units[l-1]+1, sizeof(REAL)); Net->Layer[l]->WeightSave[i] = (REAL*) calloc(Units[l-1]+1, sizeof(REAL)) ;Net->Layer[l]->dWeight[i] = (REAL*) calloc(Units[l-1]+1, sizeof(REAL)); }}}Net->InputLayer = Net->Layer[0];//为输入层分配指针Net->OutputLayer = Net->Layer[NUM_LAYERS-1];//为输出层分配指针Net->Alpha = ;//冲量参数Net->Eta = ;//学习率Net->Epsilon =;//控制精度}/***********************将输入样本转换成为输入模式，并创建一个文件以保存显示结果************************/void InitializeApplication(NET* Net){INT n, i,j;for (n=0; n<NUM_DATA; n++) {for (i=0; i<Y; i++) {for (j=0; j<X; j++) {if ( Pattern[n][i][j] == ’O’)Input[n][i*X+j] = HI ;else Input[n][i*X+j] =LO ;//NUM_DATA输入模式，输入层X*Y个神经元}}}f = fopen("", "w");}/***********************//计算输出层误差，* Target是导师信号************************/void ComputeOutputError(NET* Net, REAL* Target){INT i;REAL Err,Out;Net->Error = 0;for (i=1; i<=Net->OutputLayer->Units; i++) {Out = Net->OutputLayer->Output[i];//输出层的输出Err = Target[i-1]-Out;//误差计算Net->OutputLayer->Error[i] = Out * (1-Out) * Err; //用delta规则计算误差，因为用了可导的s形函数Net->Error += * sqr(Err);//平方差公式}}/***********************//误差反向传播Upper 为前层，Lower为后层，层数值大的为前层************************/void BackpropagateLayer(NET* Net, LAYER* Upper, LAYER* Lower) {INT i,j;//循环变量REAL Out, Err;for (i=1; i<=Lower->Units; i++) {Out = Lower->Output[i];//后层的输出Err = 0;//用来记录隐含层输出的误差的估计值for (j=1; j<=Upper->Units; j++) {Err += Upper->Weight[j][i] * Upper->Error[j];//误差的反馈，通过已经处理的前层的delta值和联接权去估计，有理论基础}Lower->Error[i] =Out * (1-Out) * Err; //delta规则}}/***********************//整个网络误差的后传************************/void BackpropagateNet(NET* Net){INT l;//循环变量for (l=NUM_LAYERS-1; l>1; l--) {BackpropagateLayer(Net, Net->Layer[l], Net->Layer[l-1]);//对每层处理}}/***********************//调整网络每一层的联接权************************/void AdjustWeights(NET* Net){INT l,i,j;//循环变量REAL Out, Err, dWeight;//记录后层的输出、当前层的输出误差、当前神经元联接权上次的调整量for (l=1; l<NUM_LAYERS; l++) {for (i=1; i<=Net->Layer[l]->Units; i++) {for (j=0; j<=Net->Layer[l-1]->Units; j++) {Out = Net->Layer[l-1]->Output[j];//后层的输出Err = Net->Layer[l]->Error[i];//当前层的输出误差dWeight = Net->Layer[l]->dWeight[i][j];//将本神经元联接权上次的调整量取出，初始值为0，初始化网络时赋值的Net->Layer[l]->Weight[i][j] += Net->Eta * Err * Out + Net->Alpha * dWeight;//Alpha为冲量参数，加快网络的收敛速度Net->Layer[l]->dWeight[i][j] = Net->Eta * Err * Out;//记录本次神经元联接权的调整量}}}}/***********************//显示输入模式************************/void WriteInput(NET* Net, REAL* Input){INT i;for (i=0; i<N; i++) {if (i%X == 0) {fprintf(f, "\\n");}fprintf(f, "%c", (Input[i] == HI) ? ’0’: ’’); }fprintf(f, " -> ");}/***********************//显示输出模式************************/void WriteOutput(NET* Net, REAL* Output){INT i;//循环变量INT Index;//用来记录最大输出值的下标，也就是最后识别的结果REAL MaxOutput;//用来记录最大的输出值MaxOutput=0;//初始化for (i=0; i<M; i++){if(MaxOutput<Output[i]){MaxOutput=MAX(MaxOutput,Output[i]);//保存最大值Index=i;}}fprintf(f, "%i\\n", Index);//写进文件}/***********************初始化测试样本************************/void Initializetest(){INT n,i,j;//循环变量for (n=0; n<NUM_DATA; n++) {for (i=0; i<Y; i++) {for (j=0; j<X; j++)if (testPattern[n][i][j]==’O’)Inputtest[n][i*X+j] = HI;else Inputtest[n][i*X+j] =LO; //NUM_DATA输入模式，输入层X*Y个神经元}}}。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

２１年第４期０２（总第１０期）２
信息通信
Ｉ０ＲＭＡＴＩＮＦＯＮ＆ＣＯ＾仉ＩＩＣＡＴＯＮＳＩ
２１０２
（ｕ．Ｎ２）Ｓｍｏ１０
基于ＢＰ神经网络的图书编号识别
李相文，孙文慧，杨波
（中国矿业大学。北京１０８）００３
Ｐ（ｓ）＝ｎ／ｋ０，， … …Ｌ１ｋ：ｎ＝１２，．（．）２１
误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正个单元权值的依据。这种信号的正向
传播与误差的反向传播的各层权值调整过程是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此
１Ｐ网络模型Ｂ
采用ＢＰ算法的多层感知器是至今为止应用最广泛的神经网络，在多层感知器的应用中。以下图所示的单隐层的应
用最为普遍。一般习惯将单隐层感知器称为三层感知器，所谓的三层包括了输入层、隐含层和输出层，结构框图如图１１．
所示。
ｏｌｏＩ
信息通信
李相文等：基于ＢＰ神经网络的图书编号识别数和初始权值都先设为小于１的任意数，建立一个网络。先用此网络对神经元训练及其测试观察其是否合理，如果不合理我们应该修改参数继续观察，直到可以应用。
（）２自动闽值的选择。如果图像的灰度范围为１Ｌ，到首
区域，这里采用基于边缘检测的定位算法。经典的边缘检测方法，是对原始图像中像素的某小邻域内构造边缘检测算子。首先通过平滑处理滤除图像中的噪声，然后进行一阶微分或二阶微分运算，求的梯度最大值或二阶导数的过零点，最后选取适当的闽值来提取边缘点。
该式表示在第ｋ灰度级上的像素个数ｍ占全部像素总数
过程一直进行到网络的输出误差减小到可接受的程度，或进
行到预先设定的学习次数为止。
ｎ的比例，（）ｐ则给出了对Ｓ出现概率的一个估计。因此，该直方图函数实际上是图像的各灰度级的分布情况的反应，也就给出了该幅图像所有灰度值的整体描述。２２编号区域定位．把图像变换为灰度图像之后还要获取所需要的图书编号
经过灰度化处理、图像二值化、压缩等操作对图像进行预处
理。பைடு நூலகம்
（）１首先把整幅图像划分为一个不同的区域（口．窗）对每个
区域分别用以下两个水平和垂直的箅子；．０ｌ【ｒ［】、１０１１－对区域内的每一个像素进行计算，并取二者中绝对值最大值（）Ｄ作为这一像素的输出，把这个区域内所有像素点的输出累加起来作为这一区域的特征氐，即ｌ
模式识别等领域。关键词：Ｐ神经网络；Ｂ图书编号；图像识别
中图分类号：Ｐ９．Ｔ３１４
文献标识码：Ａ
文章编号：６３１３（０２０－０４０１７ —１２１）４０９－２１
ＢＰ算法的基本思想是，学习过程由信号的正向传播与误
６＝ｉ）ｔ（，Ｊ（．）２２
寻找每一个区域的６，并把每一个区域看成一个像素，把
相应的６看成这一像素的灰度值，则假设得到一个的新图像
（，）实际上这个图像是由ｎｎ个特征组成的矩阵。ｉ｛，・
２１灰度处理．
对图片格式的识别，首先要将图像读取到矩阵中去，如果
差的反向传播两个过程组成。正向传播时，输入样本输入层传入，经各隐含层处理后，向输出层。若输出层的实际输出传
与期望输出不符，择转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层逐层反传，并将
图片是彩色图片的话将其转化为灰度图像。图像的灰度变换处理是通过改变原始图像各像素在各灰度级上的概率分布来实现的，通过对图像的灰度值进行统计可以得到一个一维离散的图像灰度统计直方图函数：
摘要：随着自动化管理水平的提高，图书管理方面也都采用了在计算机自动识别技术来代替传统的人眼识别、手工记录的操作方式。经网络（ｒｆｉＮｅｒｌｔｒ）神ＡｔｃｌｕａＮｅｋ是一种模拟人脑神经元细胞的网络，用大量的处理部件，ｉａｉｗｏ运由人工方式建立起来的自适应非线性动态系统，能在一定程度上模仿生物神经系统的智慧和功能，他因此被广泛应用于信息处理和
先要把图像的全部像素分为两大组；即灰度范围是（，，１２ ……，ｋ的一组和灰度范围为（＋，＋，）ｋ１２…… ，）ｋＬ的一组，这两组的
概率分别如下：
；
∑ 玑 ∑ … ．
（）２．３
姜詈一㈨；：
ｎ灰度为ｉ —— 的像素数：Ｎ——整个图像的像素数：Ｐ一灰度ｉ－＿出现的频率的总和。
下；
２图像处理
我所用到的图像为ｂ格式的位图，ｍｐ由于输入的彩色图像包含着大量的颜色信息，不但在存储上开销很大，而且在处理上也会降低系统的执行速度，因此在对图像进行识别等处理中经常将彩色图像转化为灰度图像，以加快处理速度。
图２１边缘处理的流程田．
获取的图书编号区域为：
露辩
图２图书编号区域．２
２图像二值化．３
ｘｏｘ｜ｊｃ｝．，
图１１层Ｂ．三Ｐ网络
在获取了编号区域之后，我们希望只留下物体轮廓，而把所有背景灰度层次全部抹去。图像二值化处理的过程如