实验七：基于神经网络的模式识别实验

实验七：基于神经网络的模式识别实验

一、实验目的

理解BP神经网络和离散Hopfield神经网络的结构和原理，掌握反向传播学习算法对神经元的训练过程，了解反向传播公式。通过构建BP网络和离散Hopfield网络模式识别实例，熟悉前馈网络和反馈网络的原理及结构。

综合掌握模式识别的原理，了解识别过程的程序设计方法。

二、实验内容

熟悉模式识别的理论方法，用选择一种合适的识别方法，对图像中的字符（英文字母）进行识别，能够区分出不同的形态的26个字母。

在Matlab中，采用BP神经网络，对读取的数据进行训练，进而识别。

1. 程序设计

(1)程序各流程图

实验中主程序流程图如图4-1所示：

图4-1主程序流程图

其中图像预处理的流程如图4-2 所示：

图4-2图像预处理的流程神经网络训练的具体流程如图4-3所示：

图4-3 神经网络训练流程

(2)程序清单

%形成用户界面

clear all;

%添加图形窗口

H=figure('Color',[0.85 0.85 0.85],...

'position',[400 300 500 400],...

'Name','基于BP神经网络的英文字母识别',...

'NumberTitle','off',...

'MenuBar','none');

%画坐标轴对象，显示原始图像

h0=axes('position',[0.1 0.6 0.3 0.3]);

%添加图像打开按钮

h1=uicontrol(H,'Style','push',...

'Position',[40 100 80 60],...

'String','选择图片',...

'FontSize',10,...

'Call','op');

%画坐标轴对象，显示经过预处理之后的图像

h2=axes('position',[0.5 0.6 0.3 0.3]);

%添加预处理按钮

h3=uicontrol(H,'Style','push',...

'Position',[140 100 80 60],...

'String','二值化',...

'FontSize',10,...

'Call','preprocess');

%添加识别按钮

h4=uicontrol(H,'Style','push',...

'Position',[240 100 80 60],...

'String','字母识别',...

'FontSize',10,...

'Call','recognize');

%添加显示识别结果的文本框%添加训练神经网络按钮

h6=uicontrol(H,'Style','push',...

'Position',[340 100 80 60],...

'String','网络训练',...

'FontSize',10,...

'Call','Example1Tr');

%预处理

%preprocess

p1=ones(16,16);

bw=im2bw(X,0.5);%转换成二值图像%用矩形框截取图像

[i,j]=find(bw==0);

imin=min(i);

imax=max(i);

jmin=min(j);

jmax=max(j);

bw1=bw(imin:imax,jmin:jmax);

%调整比例，变换成16*16图像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);

%显示预处理的结果

axes(h2);

imshow(p1);

%Example1Tr，训练网络

M=1;%人数

N=26*M;%样本数

%获取26个大写字母图像的数据

for kk=0:N-1

p1=ones(16,16);%初始化16*16的二值图像（全白）m=strcat(int2str(kk),'.bmp');%形成文件名

x=imread(m,'bmp');%读取图像

bw=im2bw(x,0.5);%转换成二值图像数据

%用矩形框截取

[i,j]=find(bw==0);%查找像素为黑的坐标

%取边界坐标

imin=min(i);

imax=max(i);

jmin=min(j);

jmax=max(j);

bw1=bw(imin:imax,jmin:jmax);%截取

%调整比例，缩放成16*16的图像

rate=16/max(size(bw1));

bw1=imresize(bw1,rate);%会存在转换误差

%将bw1转换成标准的16*16图像p1

[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);

%将p1转换成输入向量

for m=0:15

p(m*16+1:(m+1)*16,kk+1)=p1(1:16,m+1);

end

end

%形成目标向量

for kk=0:M-1

for ii=0:25

t(kk+ii+1)=ii;

end

end

%设置输入向量范围

pr(1:256,1)=0;

pr(1:256,2)=1;

%创建两层BP神经网络，隐层有25个节点

net=newff(pr,[25 1],{'logsig' 'purelin'},'traingdx','learngdm'); net.trainParam.epochs=2500;

net.trainParam.goal=0.001;

net.trainParam.show=10;