數(shù)字圖像處理與識別實驗報告參考模板

數(shù)字圖像處理與識別實驗報告數(shù)字圖像處理與識別實驗報告數(shù)字圖像處理與識別實驗報告數(shù)字圖像處理與識別實驗報告1/61/6數(shù)字圖像處理與識別實驗報告實驗題目：手寫數(shù)字識別實驗?zāi)康模菏褂蒙窠?jīng)網(wǎng)絡(luò)圖像識別方法對鼠標滑動輸入的手寫數(shù)字進行訓(xùn)練和識別，使計算機能夠識別0~9十個數(shù)字。了解機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)原理并且將其應(yīng)用在圖像處理識別中。實驗方法：基于反向傳播(BP)神經(jīng)網(wǎng)絡(luò)方法BP拓撲網(wǎng)絡(luò)結(jié)構(gòu)：BP網(wǎng)絡(luò)包含輸入層、隱含層和輸出層，每層包含了許多并行運算的神經(jīng)元，層與層之間的神經(jīng)元采用全互連方式，當樣本輸入網(wǎng)絡(luò)后，各神經(jīng)元的激勵值由輸入層經(jīng)各隱含層向輸出層傳播。然后計算目標輸出與實際輸出的誤差，并按照誤差減小的方向，從輸出層逐層修正各連接權(quán)值，最后回到輸入層，如此反復(fù)直到達到期望的輸出。這種信息的正向傳遞和誤差的反向傳播過程，就是BP網(wǎng)絡(luò)每一層權(quán)值不斷調(diào)整過程，也就相當于網(wǎng)絡(luò)的學(xué)習(xí)過程。它的實質(zhì)是計算誤差信號的最小值，采用的是梯度下降算法,按誤差函數(shù)的負梯度方向修改權(quán)值。本實驗中可以將訓(xùn)練與測試同步結(jié)合起來，測試的過程中也在不斷的學(xué)習(xí)。本次實驗采用的是神經(jīng)網(wǎng)絡(luò)中的監(jiān)督式學(xué)習(xí)，也就是說外部環(huán)境有一個監(jiān)督元。它能為一組輸入提供期望得到的輸出，系統(tǒng)可以根據(jù)實際輸出與目標輸出的差值反饋給權(quán)重來調(diào)節(jié)權(quán)重的值，這一差值也就是誤差信號。在試驗中，系統(tǒng)每次做出一個預(yù)測，會提問你預(yù)測的是否正確，若正確則不用對參數(shù)進行重新訓(xùn)練，若錯誤，則需要輸入正確的值，系統(tǒng)對參數(shù)進行訓(xùn)練，這就是一個監(jiān)督學(xué)習(xí)的方式?；贐P神經(jīng)網(wǎng)絡(luò)的數(shù)字識別算法步驟為:初始化神經(jīng)單元參數(shù)。包括輸入層、隱藏層和輸出層節(jié)點數(shù)量，本次實驗的輸入層是400(20X20的灰度值)，隱藏層是26,輸出層是10,設(shè)置最大迭代次數(shù)為50.加載訓(xùn)練數(shù)據(jù)集。將已經(jīng)訓(xùn)練過的數(shù)字圖像數(shù)據(jù)導(dǎo)入進來。我輸入的是一個20X20像素的手寫數(shù)字圖像，將其轉(zhuǎn)化為灰度圖，取400個像素值作為輸入層的值。實驗中需要大量的訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)中的參數(shù)進行訓(xùn)練。本實驗，下圖為輸入的黑白手寫數(shù)字圖像。初始化訓(xùn)練參數(shù)。這里是采取的隨機生成兩組權(quán)重參數(shù)。迭代找誤差最小值對應(yīng)的訓(xùn)練參數(shù)。梯度下降算法找誤差最小值，再反饋回參數(shù)。實驗結(jié)果：識別阿拉伯數(shù)字“3”

lEMLion]E?E*Ai:i-3nlE-mcaan]c?rvt3-3rnlE-HCJIE^-SnIfc^rvtian1E4EALiOH]^?rvt3-sn]E?E*Ai:i-3nIs-irna-in]hcc?LJan36ICMC.ZEICue3TICMC離it*潔ItMC-IDICue41IMlEMLion]E?E*Ai:i-3nlE-mcaan]c?rvt3-3rnlE-HCJIE^-SnIfc^rvtian1E4EALiOH]^?rvt3-sn]E?E*Ai:i-3nIs-irna-in]hcc?LJan36ICMC.ZEICue3TICMC離it*潔ItMC-IDICue41IMICp3^12ICace44IC&it4^IMk46ICMC-I.TI3cIEICns4。ICnhS￡>ICfrcc-E.8^4r55eHM2.跆Z.EnKIrtm2■知W*。E,K^^!3?+W2.GQ2E-SS44M：LiB￡Wm>0E.ftW41「p*M2.￡1727IM4MZ-ELimZvrM例CHW2.ni-5D3E44-MZ.FM+lSrKW占由】WlOO2.EI^!O97m4MiHiHlneSetj^-cifiruy.頂打骨齡寫夠向i六Li.WNJHlfjtiKB->Z￡Mly/nJT|（2）識別中文數(shù)字a二v迷X庁■口[c?rxt34n|Cwtz.Bsaaam口勢1Cm:&31C"：Z.Ea7M]e*]CirEmJgM1GiKl；：A囲3弱由AD[t?rxt34n3|Coxt土快DTiyW[E-irxla-an育ICtxlLEO7H4i-h]DEc-irxia-an40ICtxt妄E^m訟歇土。[t<=nt]>in4.L1Cort五的卻?！笨部?Ckt:411r婦:&EEB&9XJQ4J|C&si.E_E2EM3e*]D[c?rxt34n43|Cwt史整［詡AHWEc?ri.t3an切ICcxtLE237i4?-H]b[c?rxt34n4"|Cwt土釀1所SiU【Mrrdg1Cm:g1C"：ABED頂婦WM1GiKl；：&.EL9]3fe^0t^ianinj日rtAccunry^0.6^6647NW￥^ftT.*l：3在m地回網(wǎng)強彳站筆由asivi^?I（3）識別錯誤時進行修正訓(xùn)練□_1HIiliT^fbE：l的.IleratlmiIleratlmiIteritLen.IteritLen.Iteracti&nIteracti&nIte-ratlohIte-ratlohIt4E-bXL>!Xn.It4E-bXL>!Xn.IleratlmiIleratlmiIteritLen.IteritLen.Iteracti&nIteracti&n3JICdit2Z712L44i+i：iDIC目弒=IC目弒=ICoTt-30ICoTt-ICast:功ICast:ICflit.ICelt.41ICfiit：ICfiit：ICqtI：:ICqtI：:ICoTt-ICoTt-19ICast:50ICast:M709?7e-Ki0亀7Q35E7e+<!02.7WSODrK)D2.7n3727E+flD2.7021911=^102.6975001=^02.舶6田盹H<02.695351e+<iQZi5Q2?]Da*<>DZfiB9!?5A*ODM我920艮Hi。M5a3530eKi02.明？的0*02.明加B*02.&的SilEHmZbfl5S17e^iOTTmmi牌.S?T QJ.BJB3CJffiSJ?寫勃字為；1卜七北所後。的拈用為nfxiXCj.MVi的前學(xué)二2Qf^Lr-el分析討論：（1） 這是一個可以邊測試邊學(xué)習(xí)的過程，隨著輸入數(shù)據(jù)的增加，識別率也會逐漸變高，可以收入大量不同人寫的數(shù)字，避免全部由一個人手寫，這樣系統(tǒng)隨著訓(xùn)練就愈發(fā)的能識別各種不同字跡的數(shù)字。（2） 識別的正確與否與手寫數(shù)字的大小和位置有一定關(guān)系，寫的偏小或者寫在邊角識別不準確。

系統(tǒng)具有自學(xué)習(xí)過程，我原本訓(xùn)練的是阿拉伯數(shù)字3,后來嘗試加入中文數(shù)字三,經(jīng)過反復(fù)訓(xùn)練，系統(tǒng)對于3和三都能正確識別。附錄：Matlab重點程序棉開啟圖形視窗case'start',FigHandle=figure('WindowButtonDownFcn','NumberDrawdown','Color','black');axis([1imSize1imSize]);%設(shè)定圖軸范圍％axisoff;gridoff;boxon;%將圖軸加上圖框title('手寫體輸入框');%按鍵回調(diào)函數(shù)調(diào)用，判斷結(jié)論是否正確，若不正確加入訓(xùn)練集重新訓(xùn)練uicontrol('Parent',FigHandle,'Position',[36067030],'String','識別0','Callback',...['exa=(rgb2gray(frame2im(getframe(gca))));','B=imresize(exa,[2020]);',...'BB=double(B)./255;','pred=predict(Theta1,Theta2,reshape(BB,1,400));','correct(reshape(BB,1,400),pred);','training'])uicontrol('Parent',FigHandle,'Style','pushbutton','Position',[27067030],'String','訓(xùn)練'，'Callback','training');uicontrol('Parent',FigHandle,'Style','pushbutton','Position',[45067030],'String','清除','Callback','cla');訓(xùn)練部分：%%input_layer_size=hidden_layer_size=numlabels=10;%%input_layer_size=hidden_layer_size=numlabels=10;1:設(shè)置神經(jīng)單元參數(shù)=%20X20輸入灰度值%26個隱藏層單元%10個輸出 Part2:加載訓(xùn)練數(shù)據(jù)集===Part400;26;%%fprintf('LoadingandVisualizingData...\n')load('data.mat');m=size(X,1);%%================Part3:初始化訓(xùn)練參數(shù)================fprintf('\nInitializingNeuralNetworkParameters...\n')initialTheta1=[initial_Theta1(:);initial_Theta2(:)];Part4:迭代找誤差最小對應(yīng)的參數(shù)============NeuralNetwork...\n')randInitializeWeights(input_layer_size,hidden_layer_size);initial_Theta2=randInitializeWeights(hidden_layer_size,num_labels);initial_nn_params=%%================fprintf('\nTrainingoptions=optimset('MaxIter',50);%[initial_Theta1(:);initial_Theta2(:)];Part4:迭代找誤差最小對應(yīng)的參數(shù)============NeuralNetwork...\n')costFunction=@(p)nnCostFunction(p,.數(shù)字圖像處理與識別實驗報告數(shù)字圖像處理與識別實驗報告input_layer_size,.hidden_layer_size,...num_labels,X,y,lambda);%誤差反饋找參數(shù)[nn_params,cost]=fmincg(costFunction,initial_nn_params,options);Thetal=reshape(nn_params(1:hidden_layer_size*(input