用BP人工神经网络识别手写数字——《Python也可以》之三

?

参考：http://blog.csdn.net/lanphaday/article/details/7109898#comments

?

?

?

赖勇浩（http://laiyonghao.com）

这是我读工程硕士的时候完成课程作业时做的，放在?dropbox?的角落中生尘已经有若干年头了，最近?@shugelee?同学突然来了兴致搞验证码识别，问到我的时候我记起自己做过一点点东西，特发上来给他参考，并趁机补充了一下《Python也可以》系列。

图像预处理

使用下图（后方称为 SAMPLE_BMP）作为训练和测试数据来源，下文将讲述如何将图像转换为训练数据。

灰度化和二值化

在字符识别的过程中，识别算法不需要关心图像的彩色信息。因此，需要将彩色图像转化为灰度图像。经过灰度化处理后的图像中还包含有背景信息。因此，我们还得进一步处理，将背景噪声屏蔽掉，突显出字符轮廓信息。二值化处理就能够将其中的字符显现出来，并将背景去除掉。在一个[0，255]灰度级的灰度图像中，我们取 196 为该灰度图像的归一化值，代码如下：

下图是二值化的图像，可以看到背景已经完全去除：

图片的分割和规范化：

通过二值化图像，我们可以分割出每一个字符为一个单独的图片，然后再计算相应的特征值，如下图所示：

这些图片是由程序自动进行分割而成，其中用到的代码片段如下：

训练结果

本实验中的采用的样本个数为 50 个，将样本图像进行预处理，得到处理后的样本向量P，再设定好对应的网络输出目标向量T，把样本向量 P 和网络输出目标向量 T 都保存到 train.data 文件中。设置好网络训练参数，对网络进行训练和测试，并将最佳的一个网络权值保存到 number_char_recognize.net 文件中。下面就将本文中设置和训练网络参数的程序列举如下：

通过 666 次迭代之后，错误率已经低于 0.001，学习中止，并将结果保存起来。

测试结果

实验的测试是通过从保存好的 NN 数据文件中创建 NN 的形式来实验的，具体的代码如下：

可见两个向量的欧氏距离已经接近于 0，识别效果非常好。

小结

本文为该项研究的初步实验阶段，由于样本字符的数目较少，选取了50 个样本用来训练，对10 个待检数字字符进行识别和仿真，成功识别出字符的个数为9 个，识别效率为90.0%。对于神经网络而言，在这样少的训练样本的情况下，能够取的这种效果已经比较成功，表明该方法具有较好识别性能。

?