wx供重浩：创享日记
对话框发送：字母识别
获取完整源码源工程文件
一、 设计思想
字符识别在现代日常生活的应用越来越广泛，比如车辆牌照自动识别系统，手写识别系统，办公自动化等等。本文采用BP网络对26个英文字母进行识别。首先将待识别的26个字母中的每一个字母都通过长和宽分别为7×5的方格进行数字化处理，并用一个向量表示。其相应有数据的位置置为1，其他位置置为0。
二、 程序的调用
将M文件及相应的字母图标复制到桌面上。
（一）、打开shibie.m文件，1运行会出现下列提示：请直接按回车键正在生成输入向量和目标向量，请稍等…。2直接按回车键，会出现下列提示：输入向量和目标向量生成结束！请按回车键进行神经网络的训练。3再按回车键，会进行训练，训练完毕后会出现下图所示的结果（图1）
（二）、打开shibie2.m文件，1运行会出现下列提示：请输入测试的图像2输入图形编号如O的为143，回车。会出现如下图所示的结果
同理，字母M为123，其输出结果为
三、 总结
通过仿真结果可看出，基于BP算法的字母识别其容错性和识别率相对较高，在有噪声的情况下训练其识别出错率也相应增加，许进一步改进。
部分源码：（其余完整详见下载）
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%识别26个大写字母%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
clc;
clear all;
disp('回车键 ...')
chos=input('请直接按回车键正在生成输入向量和目标向量，请稍等… ');
if isempty(chos), chos=0; end
if chos==0,
for kk=0:256 p1=ones(16,16);% 初始化16×16的二值图像像素值(全白) m =strcat('nums\',int2str(kk),'.bmp');% 形成训练样本图像的文件名(0～89.bmp) x=imread(m,'bmp');% 读入训练样本图像文件 bw=im2bw(x,0.5);% 将读入的训练样本图像转换为二值图像 [i,j]= find(bw==0);% 寻找二值图像中像素值为0(黑)的行号和列号 imin=min(i);% 寻找二值图像中像素值为0(黑)的最小行号 imax=max(i);% 寻找二值图像中像素值为0(黑)的最大行号 jmin=min(j);% 寻找二值图像中像素值为0(黑)的最小列号 jmax=max(j);% 寻找二值图像中像素值为0(黑)的最大列号 bw1=bw(imin:imax,jmin:jmax);% 截取图像像素值为0(黑)的最大矩形区域 rate=16/max(size(bw1));% 计算截取图像转换为16×16的二值图像的缩放比例bw1=imresize(bw1,rate);% 将截取图像转换为16×16的二值图像(由于缩放比例 % 大多数情况下不为16的倍数,所以可能存在转换误差) [i,j]=size(bw1);% 转换图像的大小 i1=round((16-i)/2);% 计算转换图像与标准16×16的图像的左边界差 j1=round((16-j)/2);% 计算转换图像与标准16×16的图像的上边界差 p1(i1+1:i1+i,j1+1:j1+j)=bw1;% 将截取图像转换为标准的16×16的图像 p1= -1.*p1+ones(16,16);% 反色处理 % 以图像数据形成神经网络输入向量 for m=0:15 p(m*16+1:(m +1)*16,kk+1)=p1(1:16,m+1);
end % 形成神经网络目标向量
switch kk
case{0,1,2,3,4,5,6,7,8,9} % 字母A t(kk+1)=0;
case{10,11,12,13,14,15,16,17,18,19} % 字母B t(kk+1)=1;
case{20,21,22,23,24,25,26,27,28,29} % 字母C t(kk+1)=2;
case{30,31,32,33,34,35,36,37,38,39} % 字母D t(kk+1)=3;
case{40,41,42,43,44,45,46,47,48,49} %字母E t(kk+1)=4;
case{50,51,52,53,54,55,56,57,58,59} %字母F t(kk+1)=5;
case{60,61,62,63,64,65,66,67,68,69} % 字母G t(kk+1)=6;
case{70,71,72,73,74,75,76,77,78,79} % 字母H t(kk+1)=7;
case{80,81,82,83,84,85,86,87,88,89} % 字母I t(kk+1)=8;
case{90,91,92,93,94,95,96,97,98,99} % 字母J t(kk+1)=9;
case{100,101,102,103,104,105,106,107,108,109} % 字母K t(kk+1)=10;
case{110,111,112,113,114,115,116,117,118,119} % 字母L t(kk+1)=11;
case{120,121,122,123,124,125,126,127,128,129} % 字母M t(kk+1)=12;
case{130,131,132,133,134,135,136,137,138,139} % 字母N t(kk+1)=13;
case{140,141,142,143,144,145,146,147,148,149} % 字母O t(kk+1)=14;
case{150,151,152,153,154,155,156,157,158,159} % 字母P t(kk+1)=15;
case{160,161,162,163,164,165,166,167,168,169} % 字母Q t(kk+1)=16;
case{170,171,172,173,174,175,176,177,178,179} % 字母R t(kk+1)=17;
case{180,181,182,183,184,185,186,187,188,189} % 字母S t(kk+1)=18;
case{190,191,192,193,194,195,196,197,198,199} %字母T t(kk+1)=19;
case{200,201,202,203,204,205,206,207,208,209} % 字母U t(kk+1)=20;
case{210,211,212,213,214,215,216,217,218,219} % 字母V t(kk+1)=21;
case{220,221,222,223,224,225,226,227,228,229} % 字母W t(kk+1)=22;
case{230,231,232,233,234,235,236,237,238,239} % 字母X t(kk+1)=23;
case{240,241,242,243,244,245,246,247,248,249} % 字母Y t(kk+1)=24;
case{250,251,252,253,254,255,256,257,258,259} % 字母Z t(kk+1)=25;
end
end
end
save E52PT p t; % 存储形成的训练样本集(输入向量和目标向量)
disp('输入向量和目标向量生成结束！')
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%神经网络的训练%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
clear all;
disp(' ');
chos=input('请按回车键进行神经网络的训练 ');
if isempty(chos), chos=0; end
if chos==0,
load E52PT p t; % 加载训练样本集（输入向量和目标向量）
% 创建BP网
pr(1:256,1)=0;
pr(1:256,2)=1;
net= newff(pr,[26 1],{'logsig','purelin'},'traingdx','learngdm');
% 设置训练参数和训练BP网络
net.trainParam.epochs = 5000;
net.trainParam.goal= 0.002;
net.trainParam.show = 100;%步长为100
net.trainParam.lr=0.05;
net= train(net,p,t);
end
% 存储训练后的BP网络
save E52net net;
