畢業(yè)論文-基于模板匹配的模糊數(shù)字識(shí)別研究

1、<p><b>　　摘 要</b></p><p>　　隨著經(jīng)濟(jì)的迅速發(fā)展，公路建設(shè)項(xiàng)目與日俱增，公路交通的安全運(yùn)營(yíng)問(wèn)題顯得越來(lái)越突出。如何使公路交通管理科學(xué)化、現(xiàn)代化、智能化已成為公路交通管理部門的首要問(wèn)題。本文通過(guò)對(duì)車牌模糊數(shù)字圖像的深入研究，提出了圖像處理算法與實(shí)現(xiàn)方案；分析了數(shù)字模糊車牌識(shí)別的基本方法</p><p>　　圖像匹配是計(jì)算機(jī)視覺(jué)和圖像處

2、理領(lǐng)域中一項(xiàng)非常重要的工作。本文針對(duì)圖像匹配方法進(jìn)行了深入細(xì)致的研究。模糊數(shù)字是交通系統(tǒng)的重要組成部分，主要涉及模式識(shí)別、數(shù)字圖像處理、計(jì)算機(jī)應(yīng)用和人工智能等科學(xué)。模板匹配的數(shù)字識(shí)別過(guò)程主要由提取模糊車牌數(shù)字、數(shù)字圖像預(yù)處理、數(shù)字識(shí)別組成。文中主要對(duì)車牌數(shù)字進(jìn)行了研究，并在MATLAB環(huán)境下進(jìn)行了相應(yīng)的實(shí)驗(yàn)。文中在模糊車牌數(shù)字識(shí)別中，主要采用了基于模板匹配的車牌數(shù)字識(shí)別方法。首先，將不同模糊程度的車牌數(shù)字存儲(chǔ)在電腦中備用，然后將待識(shí)別的

3、模糊車牌數(shù)字進(jìn)行灰度化、二值化，接著將歸一化后的數(shù)字與電腦中的模糊數(shù)字進(jìn)行匹配。文中選擇的匹配方法是將待識(shí)別數(shù)字與電腦中存儲(chǔ)的模板逐一進(jìn)行差運(yùn)算（或者平方差運(yùn)算，互相關(guān)系數(shù)運(yùn)算，歸一化互相關(guān)系數(shù)運(yùn)算）。進(jìn)行運(yùn)算后求出最小值，從而得出識(shí)別結(jié)果</p><p>　　關(guān)鍵詞：圖像采集；模糊數(shù)字模板；模板匹配；數(shù)字識(shí)別；MATLAB。</p><p><b>　　Abstract<

4、/b></p><p>　　Digital Fuzzy Recognition for traffic safety, traffic management and control scheme selection has very important theoretical and practical value. Through video image detection and recognition

5、, you can pay for the road Flow, traffic and other captured blurred video, image processing and analysis, extraction of traffic flow information (traffic lane representing any rate, speed, etc.).</p><p>　　An

6、alysis identifies blurred image by the video, but also the phenomenon of traffic violations can be detected in real time, identifying illegal vehicle's license plate number, provide strong evidence for the enforcemen

7、t of public security traffic management department. This paper studies a lot of traffic image processing technology, and propose effective, practical and fast recognition algorithm. Thesis research are: analysis of diff

8、erent digital image blur characteristics, fuzzy digital templa</p><p><b>　　目錄</b></p><p>　　前言............................................1</p><p><b>　　緒論</b>

9、</p><p>　　模板匹配的模糊數(shù)字識(shí)別的概念.............</p><p>　　1.1.1模板匹配概念及現(xiàn)狀...................</p><p>　　1.1.2 模糊數(shù)字圖像概念及內(nèi)容</p><p>　　模板匹配的模糊數(shù)字識(shí)別現(xiàn)狀及發(fā)展前景....</p><p>　　1.2.1模

10、板匹配分類.......................</p><p>　　1.2.2模糊數(shù)字圖像分類.......................</p><p>　　模板匹配的模糊數(shù)字識(shí)別主要應(yīng)用領(lǐng)域..... ..</p><p>　　本文主要內(nèi)容與安排.......................</p><p>　　基于模板匹配的

11、模糊數(shù)字別...................</p><p>　　2.1 模糊圖像收集.......................</p><p>　　2.2 模糊圖像特點(diǎn)分析.......................</p><p>　　2.3建立不同模糊程度的數(shù)字模板................</p><p>　　2.3.

12、1二值化.......................</p><p>　　2.3.2去噪.......................</p><p>　　2.3.3建立模板.......................</p><p>　　2.4匹配識(shí)別預(yù)處理.......................</p><p>　　2.4.1

13、灰度化.......................</p><p>　　2.4.2清晰化.......................</p><p>　　2.4.2.1運(yùn)動(dòng)模糊處理.................</p><p>　　2.4.2.2模糊數(shù)字圖像增強(qiáng).............</p><p>　　2.4.2.3直方圖均衡化

14、..................</p><p>　　2.4.3傾斜調(diào)整.......................</p><p>　　2.4.4大小調(diào)整.......................</p><p>　　小結(jié).......................</p><p>　　2.5 匹配識(shí)別.............

15、..........</p><p>　　2.5.1基于像素平方和的匹配原理.........</p><p>　　2.5.2基于互相關(guān)的匹配原理.............. 2.5.32.歸一化互相關(guān)匹配原理...................</p><p>　　第三章 改進(jìn)的匹配算法.......................</p>

16、;<p>　　3.1 模板修改.......................</p><p>　　3.2 匹配算法改進(jìn).......................</p><p>　　3.2.1 算法原理.......................</p><p>　　3.2．2仿真實(shí)現(xiàn).......................</p&g

17、t;<p>　　結(jié)論.......................</p><p>　　參考文獻(xiàn).......................</p><p><b>　　前言</b></p><p>　　科技和經(jīng)濟(jì)的飛速發(fā)展，使得人們的生活節(jié)奏不斷加快。因此，汽車已經(jīng)成為人們生活中不可或缺的重要組成部分。而現(xiàn)實(shí)生活中，存在著多種

18、多樣的可被我們感知的信號(hào)，其中，人的80％以上的信息來(lái)源是通過(guò)視覺(jué)系統(tǒng)獲得的。人類通過(guò)眼睛和大腦來(lái)獲取、處理與理解視覺(jué)信息的。周圍環(huán)境中的物體在光線刺激作用下，在人眼的視網(wǎng)膜上形成圖像，由感光細(xì)胞轉(zhuǎn)換成神經(jīng)脈沖信號(hào)，經(jīng)神經(jīng)纖維傳入大腦皮層進(jìn)行處理、理解。視覺(jué)，不僅指對(duì)光信號(hào)的感受，還包括了對(duì)視覺(jué)信息的獲取、傳輸、處理、存儲(chǔ)與理解全過(guò)程。</p><p>　　人和高等動(dòng)物都有著發(fā)達(dá)的視覺(jué)系統(tǒng)，使得客觀環(huán)境中存在的事

19、物或目標(biāo)可</p><p>　　以被識(shí)別，從而引發(fā)進(jìn)一步處理。對(duì)于人類來(lái)說(shuō)，這種功能是與身俱來(lái)的，十</p><p>　　分輕松的事情。信號(hào)處理理論與計(jì)算機(jī)出現(xiàn)以后，人們?cè)噲D用相機(jī)獲取環(huán)境圖</p><p>　　像并將其轉(zhuǎn)換成數(shù)字信號(hào)，用計(jì)算機(jī)實(shí)現(xiàn)對(duì)視覺(jué)信息處理全過(guò)程，這樣，就形</p><p>　　成了一門新興的學(xué)科-計(jì)算機(jī)視覺(jué)。一般的機(jī)器

20、視覺(jué)系統(tǒng)都是在某一領(lǐng)域內(nèi)作</p><p>　　用，故待識(shí)別目標(biāo)是特定領(lǐng)域內(nèi)的，而且類型有限，于是可以作一個(gè)樣本庫(kù)</p><p>　　容納可能出現(xiàn)的目標(biāo)類型模板。在判斷輸入的圖像是什么時(shí)，就可以將輸入的圖</p><p>　　像與存儲(chǔ)的樣本庫(kù)進(jìn)行匹配比較，進(jìn)行判斷識(shí)別。</p><p>　　在一些場(chǎng)合，需要對(duì)目標(biāo)進(jìn)行空間上定位。多數(shù)應(yīng)用場(chǎng)合

21、下，給出</p><p>　　了一個(gè)樣本圖像，它包含著一個(gè)特定的目標(biāo)對(duì)象，如實(shí)際物體， 符號(hào)或字符等等，需要從另一幅包含目標(biāo)實(shí)際背景圖像中尋找這個(gè)目標(biāo)對(duì)象的位置，進(jìn)行定位，也就是判斷這幅背景圖像或它的一部分是不是我們所要尋我的目標(biāo)，這時(shí)就需要用到圖像匹配技術(shù)。而有些時(shí)候，所相機(jī)所攝取的圖像模糊或者過(guò)于模糊以至于人眼無(wú)法識(shí)別，這時(shí)就得通過(guò)清晰化處理或者特征提取，為人眼辨別提供辨別依據(jù)。隨著科學(xué)技術(shù)的發(fā)展，圖像匹配技

22、術(shù)已經(jīng)成為現(xiàn)代信息處理領(lǐng)域中</p><p>　　的一項(xiàng)極為重要的技術(shù)，在許多領(lǐng)域內(nèi)有著廣泛而實(shí)際的應(yīng)用。因此，做好對(duì)圖</p><p>　　像匹配技術(shù)的深入研究，對(duì)推動(dòng)現(xiàn)代信息處理領(lǐng)域的發(fā)展，是密切聯(lián)系的。</p><p>　　我們生活環(huán)境中所有自然景物都是立體圖像，它們都是由可見(jiàn)光形成，都是人類視覺(jué)可以觀察到的圖像，因此稱為可見(jiàn)圖像。由X射線、紅外線、微波和超聲

23、波等形成的某種物理量平面或空間分布圖是人類視覺(jué)不能直接接受的，因此稱為不可見(jiàn)物理圖像。 </p><p>　　圖像處理技術(shù)基本可以分為兩類：模擬圖像處理、數(shù)字圖像處理。</p><p>　　模擬圖像處理（Analog Image Processing）主要包括光學(xué)處理、電子處理。照相、遙感圖像處理等就是模擬圖像處理。模擬圖像處理的特點(diǎn)就是速度快，理論上可以達(dá)到光速，并可以同時(shí)進(jìn)行并行處理。

24、但是，模擬圖像處理的缺點(diǎn)是精度較差、靈活性較差、容量大，很難擁有判斷能力和非線性處理能力。</p><p>　　數(shù)字圖像的概念:一幅圖像可以定義為一個(gè)二維函數(shù) f (x, y)，其中x和y是空間坐標(biāo)，而在任何一對(duì)空間坐標(biāo)(x, y)上的幅值 f 稱為該點(diǎn)圖像的強(qiáng)度或者灰度。當(dāng) x ， y 和幅值 f 為有限的、離散的數(shù)值時(shí)，稱該圖像為數(shù)字圖像。圖像其實(shí)是一種二維連續(xù)函數(shù)，即它的亮度是其位置的連續(xù)函數(shù)。為了得數(shù)字圖

25、像， 從而使其可以通過(guò)計(jì)算機(jī)進(jìn)行數(shù)字處理，首先要對(duì)圖像在空間上和亮度上進(jìn)行數(shù)字化。空間位置上的數(shù)字化使用一個(gè)有限的數(shù)列或數(shù)陣來(lái)表示一副連續(xù)圖像，稱為取樣，這些數(shù)就稱為樣本。而亮度上的數(shù)字化即是將亮度取離散值，稱為量化。 同樣，可以將取樣和量化理解為：一幅連續(xù)圖像 ，要把它轉(zhuǎn)換為數(shù)字形式。 該幅圖像的和坐標(biāo)及幅度可能都是連續(xù)的。為了把它轉(zhuǎn)換為數(shù)字形式，必須在坐標(biāo)和幅度上都做取樣操作。數(shù)字化坐標(biāo)值稱為取樣，數(shù)字化幅度值稱為量化。yxf( x

26、 ,y )產(chǎn)生一幅數(shù)字圖像的取樣和量化過(guò)程。</p><p><b>　　第一章 緒論</b></p><p>　　1.1基于模板匹配的模糊數(shù)字識(shí)別的概念</p><p>　　1.1.1模板匹配概念及現(xiàn)狀</p><p>　　模板匹配:把不同傳感器或同一傳感器在不同時(shí)間、不同成像條件下對(duì)同一景物獲取的兩幅或多幅圖像在空間

27、上對(duì)準(zhǔn),或根據(jù)已知模式到另一幅圖中尋找相應(yīng)模式的處理方法就叫做模板匹配。 簡(jiǎn)單而言，模板就是一幅已知的小圖像。模板匹配就是在一幅大圖像中搜尋目標(biāo)。已知該圖中有要找的目標(biāo)，且該目標(biāo)同模板有相同的尺寸、方向和圖像，通過(guò)一定的算法可以在圖中找到目標(biāo)，確定其坐標(biāo)位置,得出匹配結(jié)果。早期圖像匹配技術(shù)主要用于幾何校正后多波段遙感圖像的套準(zhǔn)，借助于求互相關(guān)函數(shù)極值來(lái)實(shí)現(xiàn)。如在遙感圖像處理中把不同波段的傳感器對(duì)同一景物的多光譜圖像按像點(diǎn)的性質(zhì)進(jìn)行對(duì)應(yīng)套

28、準(zhǔn)，然后根據(jù)像點(diǎn)的性質(zhì)進(jìn)行地物分類，如果利用在不同時(shí)間對(duì)同一地面拍攝的兩幅照片，經(jīng)套準(zhǔn)后找出其中特征有了變化的點(diǎn)，就可以用來(lái)分析圖中哪些部分發(fā)生了變化。匹配研究及到許多相關(guān)的知識(shí)領(lǐng)域，如圖像預(yù)處理、圖像采樣、特征提取等，并且將計(jì)算機(jī)視覺(jué)、數(shù)值計(jì)算等緊密結(jié)合在一起。圖像匹配技術(shù)與圖像融合、圖像匹配等研究方向密切相關(guān)，是圖像理解和圖像復(fù)原等領(lǐng)域的研究基礎(chǔ)。圖像匹配技術(shù)在諸多領(lǐng)域內(nèi)有著廣泛應(yīng)用，其中包括：地圖匹配，飛機(jī)導(dǎo)航，武器投射系統(tǒng)的末制

29、導(dǎo)，光學(xué)和雷達(dá)的圖像模板</p><p>　　模板匹配的工作方式跟直方圖的反向投影基本一樣，大致過(guò)程是這樣的：通過(guò)在輸入圖像上滑動(dòng)圖像塊對(duì)實(shí)際的圖像塊和輸入圖像進(jìn)行匹配。假設(shè)我們有一張100x100的輸入圖像，有一張10x10的模板圖像，查找的過(guò)程是這樣的： （1）從輸入圖像的左上角(0,0)開(kāi)始，切割一塊(0,0)至(10,10)的臨時(shí)圖像； （2）用臨時(shí)圖像和模板圖像進(jìn)行對(duì)比，對(duì)比結(jié)果

30、記為c； （3）對(duì)比結(jié)果c，就是結(jié)果圖像(0,0)處的像素值；  （4）切割輸入圖像從(0,1)至(10,11)的臨時(shí)圖像，對(duì)比，并記錄到結(jié)果圖像； （5）重復(fù)（1）～（4）步直到輸入圖像的右下角。</p><p>　　1.2．1模糊圖像概念及內(nèi)容</p><p>　　模糊數(shù)字圖像處理：主要是對(duì)模糊車牌數(shù)字處理，通過(guò)獲取車牌模糊數(shù)字并對(duì)其清晰化。數(shù)字圖像

31、恢復(fù)是數(shù)字圖像處理的重要組成部分，在航空航天技術(shù)、交通、軍事公安、機(jī)器人視覺(jué)等許多方面有廣泛應(yīng)用。在圖像拍攝過(guò)程中，由于景物與成像系統(tǒng)的由于某種條件的改變會(huì)導(dǎo)致圖像模糊，尤其是在車牌模糊數(shù)字成像得到了廣泛的研究。在數(shù)字圖像處理過(guò)程中，經(jīng)常需要對(duì)數(shù)字的品質(zhì)做出評(píng)價(jià)，圖像的品質(zhì)包括倆方面：一方面是該圖像與標(biāo)準(zhǔn)圖像相比的偏離情況，即是保真度。雖然定量貧家圖像品質(zhì)具有重要作用。但是由于其中包含了許多人工智能的概念并設(shè)計(jì)組多領(lǐng)域的只是。研究的難度

32、很大。到目前為止，對(duì)于圖像的保真度已有較多的研究，但是對(duì)于圖像品質(zhì)的模糊度還缺乏成熟的算法，需要進(jìn)一步研究。</p><p>　　模糊圖像的內(nèi)容：在成像系統(tǒng)中,成像面獲得的圖像可以認(rèn)為是原始像場(chǎng)景與成像系統(tǒng)的點(diǎn)擴(kuò)散函數(shù)的卷積。光學(xué)成像系統(tǒng)相當(dāng)于一個(gè)低通濾波器，且其截止頻率域系統(tǒng)的離散程度相關(guān)，即系統(tǒng)離焦量越大，則截止頻率越低，圖像越模糊。以上僅僅是對(duì)成像系統(tǒng)離焦模糊的原因進(jìn)行了分析，在可能引起圖像模糊的其他應(yīng)用中

33、，列如圖像壓縮圖像平滑濾波等。圖像的模糊也都是因?yàn)楦哳l分量的丟失造成或者細(xì)節(jié)不清晰。綜上所述，清晰圖像比模糊圖像有更豐富的細(xì)節(jié)信息，即高頻分量，所以通過(guò)衡量圖像包含高頻信息的多少來(lái)評(píng)價(jià)圖像的清晰度。</p><p>　　模糊圖像的評(píng)價(jià)標(biāo)準(zhǔn)：清晰的圖像比模糊的圖像含有更豐富的細(xì)節(jié)信息，即高頻分量。故可以通過(guò)衡量圖像包含高頻信息的多少來(lái)評(píng)價(jià)圖像清晰度。在當(dāng)前的大多數(shù)自動(dòng)調(diào)焦系統(tǒng)中，也都是通過(guò)計(jì)算圖像高頻分量的多少（列

34、如梯度平方和和能量熵）來(lái)進(jìn)行調(diào)焦判斷。但是調(diào)焦函數(shù)的輸出范圍是無(wú)界的，不能評(píng)價(jià)圖像清晰度。結(jié)合光學(xué)系統(tǒng)成像模型，如今提出了一種評(píng)價(jià)高頻分量多少的方法——NRSS。對(duì)原始圖像進(jìn)行低通濾波得到一度參考圖像，計(jì)算參考圖像與待評(píng)價(jià)圖像的結(jié)構(gòu)相似度。顯然，清晰圖像由于包含大量高頻信息，故經(jīng)過(guò)低通濾波之后損失成分多，得到的結(jié)構(gòu)相似度就小。模糊圖像剛好相反。這種方法很好地結(jié)合了成像系統(tǒng)的數(shù)學(xué)模型和SSM評(píng)價(jià)評(píng)價(jià)方法的優(yōu)點(diǎn)。實(shí)驗(yàn)證明該方法評(píng)價(jià)結(jié)果符合人

35、類主觀評(píng)價(jià)結(jié)果。</p><p>　　1.2基于模板匹配的模糊數(shù)字識(shí)別分類</p><p>　　1.2.1 模板匹配分類</p><p>　　1平方差匹配法：該方法采用平方差來(lái)進(jìn)行匹配；最好的匹配值為0；匹配越差，匹配值越大。  2相關(guān)匹配法：數(shù)值越大表明匹配程度越好。該方法不直接利用特征點(diǎn)鄰域的灰度值，而是依據(jù)特征點(diǎn)鄰域像素灰度值的互相關(guān)系數(shù)

36、（Cross Correlation）為匹配原則進(jìn)行匹配?；舅悸啡缦拢悍謩e在參考圖像和待配準(zhǔn)圖像中以每一個(gè)特征點(diǎn)為中心取一個(gè)(2N+1)×(2N+1)大小的相關(guān)窗，然后以參考圖像中的每個(gè)特征點(diǎn)為參考點(diǎn)在待配準(zhǔn)圖像中尋找對(duì)應(yīng)匹配點(diǎn)，匹配的依據(jù)是計(jì)算特征點(diǎn)相關(guān)窗之間的相關(guān)系數(shù)，數(shù)值越大表明匹配程度越好。  3相關(guān)系數(shù)匹配法：這類方法將模版對(duì)其均值的相對(duì)值與圖像對(duì)其均值的相關(guān)值進(jìn)行匹配,1表示完美匹配,-1表

37、示糟糕的匹配,0表示沒(méi)有任何相關(guān)性。</p><p>　　4歸一化平方差匹配法：</p><p>　　5歸一化相關(guān)匹配法：歸一化的目的就是消除上述方法對(duì)于光照變化敏感的 問(wèn)題。歸一化互相關(guān)法優(yōu)缺點(diǎn)：</p><p>　　1）該方法較好地解決了對(duì)于光照變化敏感的問(wèn)題。</p><p>　　2）矩形窗口的選用仍然是該類法的缺憾。所以這種方法只

38、適合于具有平移和小角度旋轉(zhuǎn)關(guān)系的圖像配準(zhǔn)。 </p><p>　　6歸一化相關(guān)系數(shù)匹配法：通常,隨著從簡(jiǎn)單的測(cè)量(平方差)到更復(fù)雜的測(cè)量(相關(guān)系數(shù)),我們可獲得越來(lái)越準(zhǔn)確的匹配(同時(shí)也意味著越來(lái)越大的計(jì)算代價(jià)). 最好的辦法是對(duì)所有這些設(shè)置多做一些測(cè)試實(shí)驗(yàn),以便為自己的應(yīng)用選擇同時(shí)兼顧速度和精度的最佳方案。</p><p>　　1.2.2 模糊數(shù)字圖像分類</p><p

39、>　　動(dòng)感模糊：由于攝像機(jī)與拍攝物體存在相對(duì)運(yùn)動(dòng)所產(chǎn)生的模糊，在監(jiān)控錄像中最為常見(jiàn)的一種模糊圖像。</p><p>　　高斯模糊：“高斯”是指將加權(quán)平均應(yīng)用于像素時(shí)生成的鐘形曲線。</p><p>　　進(jìn)一步模糊：“進(jìn)一步模糊”生成的效果比“模糊”濾鏡強(qiáng)三到四倍。</p><p>　　徑向模糊：旋轉(zhuǎn)相機(jī)所產(chǎn)生的模糊效果。</p><p>

40、;　　特殊模糊：產(chǎn)生一種清晰邊界的模糊。能夠找到圖像邊緣并只模糊圖像邊界線以內(nèi)的區(qū)域。</p><p>　　鏡頭模糊：圖像中的一些對(duì)象在焦點(diǎn)內(nèi)，使一些區(qū)域變模糊。</p><p>　　表面模糊：所謂的表面模糊指的是當(dāng)拍攝景物時(shí)由于天氣條件的影響，使得拍攝到的物體感覺(jué)表面蒙了一成霧或者灰層，使得圖像分辨不清 </p><p>　　1.3基于模板匹配的模糊識(shí)別主要應(yīng)用領(lǐng)

41、域</p><p>　　經(jīng)濟(jì)學(xué)：伴隨著各門學(xué)科，尤其是人文、社會(huì)學(xué)科及其他“軟科學(xué)”的不斷發(fā)展，數(shù)學(xué)化、定量化的趨勢(shì)也開(kāi)始在這些領(lǐng)域中顯現(xiàn)。模糊識(shí)別不再簡(jiǎn)單局限于自然科學(xué)的應(yīng)用，同時(shí)也被應(yīng)用到社會(huì)科學(xué)，特別是經(jīng)濟(jì)管理學(xué)科方面。</p><p>　　如陳守煜(2001)提出了可持續(xù)發(fā)展系統(tǒng)評(píng)價(jià)的模糊識(shí)別的模型和方法，其中包括確定評(píng)價(jià)指標(biāo)權(quán)向量的模糊安全決策原理與方法。該模型和方法可用于社會(huì)經(jīng)

42、濟(jì)、生態(tài)環(huán)境、資源、能源等可持續(xù)發(fā)展系統(tǒng)的評(píng)價(jià)。陳守煜(2002)依據(jù)經(jīng)濟(jì)區(qū)劃時(shí)“中心城市”概念的模糊性，提出確定中心城市的模糊識(shí)別模型。他還提出了確定多目標(biāo)指標(biāo)權(quán)重的模糊決策分析法，通過(guò)確定指標(biāo)對(duì)模糊概念“重要性”的相對(duì)隸屬度來(lái)確定目標(biāo)權(quán)重，避免了權(quán)重的主觀性。張守鳳等(2003)以三角模糊數(shù)來(lái)表示模糊概念，提出一種新的多層多級(jí)模糊模式識(shí)別模型，并運(yùn)用該模型對(duì)某企業(yè)競(jìng)爭(zhēng)力進(jìn)行模糊綜合評(píng)判和模式識(shí)別。在傳統(tǒng)的模糊識(shí)別基礎(chǔ)上，王穎(200

43、4)運(yùn)用正態(tài)隸屬云代替?zhèn)鹘y(tǒng)模糊識(shí)別方法中精確的隸屬函數(shù)，構(gòu)建了相關(guān)正態(tài)云模型，對(duì)云理論在經(jīng)濟(jì)管理領(lǐng)域中的應(yīng)用做了初步探討，并對(duì)企業(yè)市場(chǎng)競(jìng)爭(zhēng)性定位進(jìn)行識(shí)別，克服了由于隸屬度確定的惟一性所導(dǎo)致的最終失去模糊性的理論缺陷，從而使獲得的判識(shí)結(jié)論更加合理且貼近實(shí)際。王忠彬等(2004)運(yùn)用系統(tǒng)與模糊分析相結(jié)合的方法，首先將金融機(jī)構(gòu)面臨的資產(chǎn)風(fēng)險(xiǎn)分解成若干個(gè)風(fēng)險(xiǎn)因素子系統(tǒng)；然后以金融理論為指導(dǎo)建立各子系統(tǒng)風(fēng)險(xiǎn)因素評(píng)薦的隸屬度</p>

44、<p>　　公共財(cái)政：公共財(cái)政是國(guó)家(政府)為主體的經(jīng)濟(jì)活動(dòng)(分配活動(dòng))，是一種著眼于滿足社會(huì)公共需要的經(jīng)濟(jì)活動(dòng)或分配活動(dòng)。社會(huì)公共需要決定著公共財(cái)政的存在，決定著公共財(cái)政的活動(dòng)范圍和活動(dòng)效果。公共財(cái)政應(yīng)著眼于滿足社會(huì)成員的公共需要，而不應(yīng)該超越市場(chǎng)的力量去滿足社會(huì)成員的私人需要。</p><p>　　對(duì)公共財(cái)政情況的判斷，從實(shí)際的意義上講，需要綜合考慮兩方面的問(wèn)題：一是對(duì)公共財(cái)政的狀態(tài)作出綜合判斷，確

45、定公共財(cái)政此時(shí)處于何種情況，以利于采取相應(yīng)的措施；二是對(duì)公共財(cái)政管理中出現(xiàn)的多種情況進(jìn)行優(yōu)劣排序，判斷狀況好壞，以利于積累管理中的經(jīng)驗(yàn)并補(bǔ)充調(diào)研資料。這兩類問(wèn)題同時(shí)又是相互聯(lián)系的，后者為前者提供了更周密詳盡的判斷依據(jù)。</p><p>　　鑒于公共財(cái)政優(yōu)劣評(píng)價(jià)具有模糊性，因此可以將模糊識(shí)別理論用于優(yōu)劣評(píng)價(jià)中，對(duì)評(píng)估指標(biāo)體系進(jìn)行設(shè)計(jì)，利用模糊識(shí)別理論的方法，對(duì)公共支出情況作綜合評(píng)價(jià)并對(duì)10個(gè)省份的公共支出情況作出綜

46、合排序。</p><p><b>　　(1)模型建立</b></p><p>　　首先，需要確定用來(lái)作判斷的指標(biāo)體系，也就是確定進(jìn)行模糊識(shí)別的論域X。</p><p>　　本文將我國(guó)公共財(cái)政中的公共支出情況作為識(shí)別的對(duì)象，這里，我們將研究的口徑確定在10個(gè)省份(北京、上海、浙江、廣東、山西、湖北、湖南、陜西、云南、甘肅)，并且將財(cái)政支出系統(tǒng)模糊

47、確定為基本建設(shè)支出、農(nóng)林業(yè)支出、教育支出、醫(yī)療衛(wèi)生支出、社會(huì)保障補(bǔ)助支出、行政管理支出、公檢法司支出以及專項(xiàng)支出等幾個(gè)子塊組成，由它們構(gòu)成論域X={基本建設(shè)支出、農(nóng)林業(yè)支出、教育支出、醫(yī)療衛(wèi)生支出、社會(huì)保障補(bǔ)助支出、行政管理支出、公檢司支出、專項(xiàng)支出}。</p><p>　　根據(jù)模糊模式識(shí)別的基本原則，結(jié)合公共財(cái)政管理長(zhǎng)期的經(jīng)驗(yàn)積累和實(shí)際情況，可以建立論域X上的一系列模糊子集，這一系列的模糊子集分別表示公共財(cái)政管

48、理的各種不同的模糊狀態(tài)。根據(jù)上述假設(shè)，令j=10，那么，模糊子集A</p><p>　　根據(jù)模糊識(shí)別矩陣規(guī)定閥值λ，依據(jù)閥值原則，可以得到入截矩陣R，從而可選擇出最優(yōu)的向量。去掉該向量，重復(fù)此方法可依次得出此優(yōu)向量。</p><p><b>　　(2)數(shù)據(jù)收集</b></p><p>　　以我國(guó)10個(gè)省份(北京、上海、浙江、廣東、山西、湖北、湖

49、南、陜西、云南、甘肅)的公共財(cái)政支出(基本建設(shè)支出、農(nóng)林業(yè)支出、教育支出、醫(yī)療衛(wèi)生支出、社會(huì)保障補(bǔ)助支出、行政管理支出、公檢法司支出、專項(xiàng)支出)為口徑加以研。</p><p>　　1.4本文主要內(nèi)容與安排</p><p>　　在查閱文獻(xiàn)了解有關(guān)視頻監(jiān)控及圖像處理技術(shù)的基礎(chǔ)上，分析不同模糊程度圖像中的數(shù)字特點(diǎn)，建立模糊數(shù)字模板，探索模糊數(shù)字的自動(dòng)識(shí)別方法。在嚴(yán)重模糊情況下不要求識(shí)別絕對(duì)準(zhǔn)確，

50、只要求通過(guò)技術(shù)分析為人眼辨識(shí)提供借鑒。</p><p>　　本論文旨在運(yùn)用模式識(shí)別理論，通過(guò)對(duì)監(jiān)控圖像進(jìn)行適當(dāng)處理和建立模糊數(shù)字字符模板，研究基于模板匹配的模糊數(shù)字識(shí)別方法，以期提高視頻監(jiān)控效果，更好地維護(hù)社會(huì)治安和人民生命財(cái)產(chǎn)安全</p><p>　　第二章，2.1節(jié)主要講述模糊數(shù)字識(shí)別模糊數(shù)字圖像收集，2.2節(jié)模糊數(shù)字圖像頻譜分析特點(diǎn)分析和灰度直方圖分析，了解不同模糊程度不同數(shù)字的特點(diǎn)

51、;2.3闡述了通過(guò)收集的模糊圖像制作不同模糊程度模糊模板的過(guò)程，2.4節(jié)講述匹配識(shí)別前待識(shí)別模糊數(shù)字圖像處理方法。</p><p>　　第三章，3.1節(jié)修改模板庫(kù)。3.2節(jié)主要講改進(jìn)匹配算法，算法流程，算法實(shí)現(xiàn)，算法仿真。</p><p>　　第二章 基于模板匹配的模糊數(shù)字識(shí)別</p><p><b>　　2.1模糊圖像收集</b></

52、p><p>　　圖2.1.1、2.1.2是收集到的不同程度的模糊數(shù)字圖像：</p><p><b>　　圖2.1.1</b></p><p><b>　　圖2.1.2</b></p><p>　　收集的數(shù)字圖像中有由于運(yùn)動(dòng)模糊的圖像，如圖2.1.1；有由于遠(yuǎn)距離拍攝產(chǎn)生的模糊圖像，如圖2.1.2，收集不

53、同程度的車牌模糊數(shù)字圖像，為后續(xù)模糊數(shù)字圖像的制作，模糊數(shù)字模板庫(kù)制作提供素材。</p><p>　　2.2模糊數(shù)字圖像特點(diǎn)分析</p><p>　　通過(guò)對(duì)場(chǎng)外車牌數(shù)字的拍攝，制作不同模糊程度數(shù)字。如下是我收集到的車牌數(shù)字模糊圖像：</p><p>　　圖2.2.1為清晰化的車牌數(shù)字：</p><p><b>　　圖2.2.1<

54、;/b></p><p>　　通過(guò)截圖獲取單個(gè)清晰化的數(shù)字模板，如圖2.2.2：</p><p><b>　　圖2..2.2</b></p><p>　　通過(guò)制作清晰化的車牌數(shù)字圖像，為模糊數(shù)字圖像分析提供借鑒，與模糊數(shù)字圖像形成對(duì)比。也為后續(xù)改進(jìn)模板匹配算法提供良好的素材</p><p>　　將圖2.2.2轉(zhuǎn)化為

55、灰度圖像，可以利用MATLAB里的自帶的灰度轉(zhuǎn)換函數(shù)將其轉(zhuǎn)化。效果如圖：如圖2.2.3：</p><p><b>　　圖2.2.3</b></p><p>　　將圖2.2.3的圖像通過(guò)對(duì)其做傅里葉變換，得到不同數(shù)字圖像頻譜圖，如圖2.2.4：</p><p><b>　　圖2.2.4</b></p><

56、p>　　圖2.2.的主要作用是為后續(xù)數(shù)字圖像預(yù)處理即圖像調(diào)整時(shí)提供借鑒。</p><p>　　將標(biāo)準(zhǔn)清晰度2.3.3圖像得到其灰度圖，如圖2.2.4：</p><p><b>　　圖2.2.4</b></p><p>　　圖2.2.4的清晰數(shù)字直方圖與下面的模糊數(shù)字圖像直方圖形成對(duì)比，更好的看出模糊數(shù)字圖像的特點(diǎn)，方便匹配預(yù)處理時(shí)模糊數(shù)字

57、圖像的清晰化</p><p>　　由于戶外模糊數(shù)字圖像不好拍攝，下面用的是通過(guò)PHOTOSHOP模擬戶外拍攝條件的改變制作了下列輕微模糊數(shù)字圖像，如圖2.2.5：</p><p><b>　　圖2.2.5</b></p><p>　　將圖2.4.5的模糊數(shù)字圖像進(jìn)行傅里葉變換得到表面輕微模糊的數(shù)字圖像頻譜圖，如圖2.2.6：</p>

58、<p><b>　　圖2.2.6</b></p><p>　　圖2.2.5的灰度直方圖如圖2.2.7：</p><p><b>　　圖2.2.7</b></p><p>　　對(duì)圖2.2.5的數(shù)字圖像進(jìn)一步模糊得到嚴(yán)重模糊的數(shù)字圖像，如圖2.2.8所示：</p><p><b>

59、;　　圖2.2.8</b></p><p>　　對(duì)圖2.2.8的數(shù)字圖像進(jìn)行傅里葉變換，如圖：2.2.9：</p><p>　　圖2.2.8的數(shù)字模糊圖像的灰度直方圖如圖2.2.10：</p><p><b>　　圖2.2.9</b></p><p><b>　　圖2.2.10</b>&

60、lt;/p><p><b>　　小結(jié)</b></p><p>　　通過(guò)上面各種模糊數(shù)字圖像的頻譜分析、灰度直方圖分析發(fā)現(xiàn)，他們的頻譜圖、灰度直方圖都是各不相同，各有各的特點(diǎn)。數(shù)字一：其傅里葉頻譜是一個(gè)非常清晰的十字圖；數(shù)字2除了清晰的十字架外還多了傾斜的一小模糊線和中心點(diǎn)的清晰小橢圓；數(shù)字三有清晰的十字架和中心圓的高清亮點(diǎn)；數(shù)字4十字架不是很清晰尤其是垂直方向，中心高清不

61、成形圓和傾斜的小亮線；數(shù)字5清晰十字架，水平方向多了一條平衡亮線；數(shù)字6垂直亮線十分清晰，水平亮線則顯得有點(diǎn)模糊；數(shù)字7垂直亮線雖然清晰但粗糙，以數(shù)字6細(xì)小的亮線形成對(duì)比；數(shù)字8水平亮線十分清晰而垂直亮線模糊；數(shù)字9的唯一特點(diǎn)就是倆條相互垂直的垂直亮線；數(shù)字0垂直、水平線都是模糊不清的。</p><p>　　2.3建立不同模糊程度的數(shù)字模板</p><p>　　通過(guò)讀取圖像，對(duì)讀取的圖像進(jìn)

62、行處理。</p><p><b>　　2.3.1 二值化</b></p><p>　　圖像二值化（binary image），就是將圖像上的像素點(diǎn)的灰度值設(shè)置為0或255，也就是將整個(gè)圖像呈現(xiàn)出明顯的黑白效果。</p><p>　　將256個(gè)亮度等級(jí)的灰度圖像通過(guò)適當(dāng)?shù)拈撝颠x取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在數(shù)字圖像處理中，

63、二值圖像占有非常重要的地位，首先，二值化的圖像有利于圖像的進(jìn)一步處理，使圖像變得簡(jiǎn)單，而且數(shù)據(jù)量減小，能凸顯出感興趣的目標(biāo)的輪廓。其次，要進(jìn)行二值圖像的處理與分析，首先要把灰度圖像二值化，得到二值化圖像。</p><p>　　所有灰度大于或等于閥值的像素被判定為屬于特定物體，其灰度值為255表示，否則這些像素點(diǎn)被排除在物體區(qū)域以外，灰度值為0，表示背景或者例外的物體區(qū)域。</p><p>

64、　　本文采用的是自適應(yīng)閾值二值化方法，使用迭代法求出灰度閥值，高于該閥值灰度設(shè)為255，低于該閥值灰度設(shè)為0。</p><p>　　方法1：迭代法是基于逼近的思想,其步驟如下:(1)求出圖象的最大灰度值和最小灰度值,分別記為Rmax和Rmin,令閾值=(Rmax+Rmin)/2。(2)根據(jù)閾值將圖象的平均灰度值分成兩組R1和R2。(3)分別求出兩組的平均灰度值μ1和μ2。(4)求出新閾值=(μ1+μ2)/

65、2。</p><p>　　是二值化后輸出的圖像，通過(guò)閥值（設(shè)為）來(lái)二值化圖像的公式為</p><p><b>　　公式 2-1</b></p><p>　　其效果如圖2.3.1，圖2.3.2:</p><p>　　圖 2.3.1（待識(shí)別字符圖片） 圖 2.3.2（二值化圖片

66、）</p><p>　　但待識(shí)別數(shù)字不是很清晰情況下，此方法不在適用，如圖3.2：</p><p>　　圖2.3.3 左圖為待處理圖像，右圖為處理后圖像</p><p>　　方法2：利用MATALAB自帶的函數(shù)中的最大類間方差法找到適合閥值。在使用im2bw函數(shù)將灰度圖像轉(zhuǎn)換為二值圖像時(shí)， 需要設(shè)定一個(gè)閾值。 這個(gè)函數(shù)可以幫助我們獲得一個(gè)合適的閾值， 利用這個(gè)閾值通

67、常比人為設(shè)定的閾值能更好地把一張灰度圖像轉(zhuǎn)換為二值圖像。調(diào)用格式為：</p><p>　　[level EM] = graythresh(I)</p><p>　　處理效果如圖2.3.4：</p><p>　　圖2.3.4二值化后圖像</p><p>　　再對(duì)二值化的圖像進(jìn)行去噪，本文采用低通濾波來(lái)進(jìn)行。 低通的數(shù)學(xué)表達(dá)式如下式所示:

68、 （ 2-2）</p><p>　　式中F（u,v）一含有噪聲的原圖像的傅立葉變換; H(u,v)一為傳遞函數(shù)，也稱轉(zhuǎn)移函數(shù)（即低通濾波器）;G(u,v)一為經(jīng)低通濾波后輸出圖像的傅立葉變換。H濾波濾去高頻成分，而低頻信息基本無(wú)損失地通過(guò)。濾波后，經(jīng)傅立葉變換反變換可得平滑圖像。</p><p><b

69、>　　2.3.2 去噪</b></p><p>　　圖像在生成和傳輸過(guò)程中常常因受到各種噪聲的干擾和影響而使圖像降質(zhì)，這對(duì)后續(xù)圖像的處理(如分割、壓縮和圖像理解等)將產(chǎn)生不利影響。噪聲種類很多，如：電噪聲、機(jī)械噪聲、信道噪聲和其他噪聲。在圖像處理中，圖像去噪是一個(gè)永恒的主題，為了抑制噪聲，改善圖像質(zhì)量，便于更高層次的處理，必須對(duì)圖像進(jìn)行去噪預(yù)處理。</p><p>　　

70、本文是根據(jù)噪聲能量一般集中于高頻而圖像頻譜則分布于一個(gè)有限區(qū)間的這一特點(diǎn)，采用低通濾波方式來(lái)進(jìn)行去噪。低通濾波是頻率域?yàn)V波的一種，頻率域?yàn)V波是將圖像從空間或時(shí)間域轉(zhuǎn)換到頻率域，再利用變換系數(shù)反映某些圖像特征的性質(zhì)進(jìn)行圖像濾波的方法。傅立葉變換是一種常用的變換。在傅立葉變換域，頻譜的直流分量正比于圖像的平均亮度，噪聲對(duì)應(yīng)于頻率較高的區(qū)域，圖像實(shí)體位于頻率較低的區(qū)域。圖像在變換具有的這些內(nèi)在特性可被用于圖像濾波。可以構(gòu)造一個(gè)低通濾波器，使低

71、頻分量順利通過(guò)而有效地阻于高頻分量，即可濾除圖像的噪聲，再經(jīng)過(guò)反變換來(lái)取得平滑的圖像。</p><p>　　2.3.3 建立模板</p><p>　　本文在在建立標(biāo)準(zhǔn)的字符模板庫(kù)時(shí)需要手動(dòng)將樣本輸入，建立臨時(shí)標(biāo)準(zhǔn)的字符模板庫(kù)，然后保存，這就需要在之前已經(jīng)有模板樣本，進(jìn)行必要的樣本訓(xùn)練。</p><p>　　樣本訓(xùn)練的過(guò)程也是提取樣本圖像字符的特征值的過(guò)程，方便之后

72、匹配時(shí)使用。</p><p>　　2.4匹配識(shí)別預(yù)處理</p><p>　　在進(jìn)行匹配識(shí)別之前要先對(duì)待識(shí)別圖像進(jìn)行預(yù)處理，其中包括：灰度化、清晰化、傾斜調(diào)整、二值化、大小調(diào)整（調(diào)整成與模板大小一致）</p><p><b>　　2.4.1灰度化</b></p><p>　　基于所研究的課題主要針對(duì)灰度圖像，而攝像機(jī)拍攝到

73、的圖像都是彩色，需要將待識(shí)別的圖像轉(zhuǎn)化為灰度圖像。在這可以利用MAYLAB里自帶的函數(shù)rgb2gray將其進(jìn)行轉(zhuǎn)換，這不影響后面的圖像識(shí)別。</p><p><b>　　2.4.2清晰化</b></p><p>　　要處理的圖像是模糊圖像，需要的匹配識(shí)別之前將模糊的數(shù)字圖像進(jìn)行清晰化處理。不同模糊數(shù)字圖像處理的步驟都不一致，從下面幾方面入手：</p>&

74、lt;p><b>　　運(yùn)動(dòng)模糊處理</b></p><p>　　在空間域，圖像特征不明顯，不容易找出可用于識(shí)別運(yùn)動(dòng)模糊尺度的量。因此，需要將圖像以某種形式轉(zhuǎn)換到另外一些空間。對(duì)于不帶噪聲的勻速直線運(yùn)動(dòng)模糊圖像，可以通過(guò)傅里葉變換將其轉(zhuǎn)換到頻率域再尋找圖像特征。在頻譜圖中，呈</p><p>　　現(xiàn)出亮暗相間的平行線條紋，這些條紋的方向與運(yùn)動(dòng)模糊方向垂直，而間距則

75、與運(yùn)動(dòng)模糊尺度有關(guān)系。</p><p><b>　　運(yùn)動(dòng)模糊角度識(shí)別：</b></p><p>　　為了把任意方向的勻速直線運(yùn)動(dòng)的模糊情況轉(zhuǎn)化為水平方向，就需要識(shí)別出運(yùn)動(dòng)模糊角度，這就可以利用Rodon變換實(shí)現(xiàn)。圖像的Rodon表?yè)Q即圖像I(x,y)在角度為、與原點(diǎn)的距離為（=xcos()+ysin()）的直線上的投影。Radon變換的定義：</p>&

76、lt;p>　　R（,）= （2-3）</p><p>　　對(duì)于數(shù)字圖像，，通過(guò)Radon變換可計(jì)算其在某一指定角度射線方向上的線積分。比如角度在～變化時(shí)，則可通過(guò)Radon變換計(jì)算出這個(gè)角度范圍內(nèi)沿著每一個(gè)角度射線方向的投影值。由于勻速直線運(yùn)動(dòng)模糊圖像的頻譜圖中沿條</p><p>　　紋方向的線積分值最大，所以最大投影值對(duì)應(yīng)的角度即為運(yùn)動(dòng)模糊角度。&

77、lt;/p><p><b>　　頻率域特征提?。?lt;/b></p><p>　　在勻速直線運(yùn)動(dòng)模糊圖像的頻譜圖中平行暗條紋是等間距分布的，它們之間的距離與運(yùn)動(dòng)模糊尺度有關(guān)，所以，這個(gè)距離可以作為識(shí)別運(yùn)動(dòng)模糊尺度的特征，但間距不容易精確測(cè)定，這個(gè)問(wèn)題可以利用頻譜圖中的幅度和來(lái)解決。以水平方向勻速直線運(yùn)動(dòng)模糊圖像為例(以下相同)，在其頻譜圖中，平行暗條紋是豎直方向的，將頻譜圖中

78、的幅度(這里的幅度指的是取對(duì)數(shù)之后的幅度，以下相同)逐列相加，得到一行值，這就得到了可以使用的一組圖像特征。</p><p>　　為了提高訓(xùn)練和辨識(shí)精度，只需要對(duì)頻譜圖中央?yún)^(qū)域計(jì)算幅度和。因?yàn)橹車鷧^(qū)域的頻譜幅度接近零值，而這些區(qū)域會(huì)給網(wǎng)絡(luò)訓(xùn)練和參數(shù)辨識(shí)帶來(lái)一定誤差，因此計(jì)算每列幅度和不需要考慮這些區(qū)域，同時(shí)還可以降低相應(yīng)的網(wǎng)絡(luò)訓(xùn)練和參數(shù)辨識(shí)的計(jì)算量，從而提高網(wǎng)絡(luò)訓(xùn)練和參數(shù)辨識(shí)的速度。</p><

79、;p><b>　　數(shù)據(jù)歸一化</b></p><p>　　豎直方向幅度求和后，得到一組圖像特征，但各組特征中的數(shù)據(jù)差別比較大，這就有可能導(dǎo)致識(shí)別結(jié)果不準(zhǔn)確。為了改善這一狀況，需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。 </p><p>　　數(shù)據(jù)歸一化是神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)前對(duì)數(shù)據(jù)常做的一種處理方法。數(shù)據(jù)歸一化處理把所有數(shù)據(jù)都轉(zhuǎn)化為[o，1]內(nèi)的數(shù)，其目的是取消各維數(shù)據(jù)間數(shù)量級(jí)

80、的差別，從而避免因?yàn)檩斎胼敵鰯?shù)據(jù)數(shù)量級(jí)差別較大而造成的較大網(wǎng)絡(luò)預(yù)測(cè)誤差。數(shù)據(jù)歸一化的方法主要有以下2種。</p><p>　　最大最小法。函數(shù)形式如下：</p><p>　　=()/() (2-4)</p><p>　　式中，為數(shù)據(jù)序列中的最小數(shù)；為序列中的最大數(shù)。</p><p>　

81、　平均數(shù)方差法。函數(shù)形式如下：</p><p><b>　　(2-5)</b></p><p>　　式中，為數(shù)據(jù)序列的均值，為數(shù)據(jù)的方差。本文采用第一種數(shù)據(jù)歸一化方法。</p><p><b>　　運(yùn)動(dòng)模糊尺度識(shí)別</b></p><p>　　根據(jù)幅度和，利用BP神經(jīng)網(wǎng)絡(luò)可以識(shí)別出運(yùn)動(dòng)模糊尺度。BP

82、神經(jīng)網(wǎng)絡(luò)是一種多層網(wǎng)絡(luò)的逆推學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)采用有指導(dǎo)的學(xué)習(xí)方式進(jìn)行訓(xùn)練和學(xué)習(xí)，即當(dāng)將一對(duì)學(xué)習(xí)模式提供給BP神經(jīng)網(wǎng)絡(luò)后，神經(jīng)元的激活值就從輸入層經(jīng)各個(gè)隱含層向輸出層傳播，在輸出層的各個(gè)神經(jīng)元獲得網(wǎng)絡(luò)的實(shí)際輸出響應(yīng)。通過(guò)比較輸出層各個(gè)神經(jīng)元的實(shí)際輸出與期望輸出，獲得二者之間的誤差，然后按照減小誤差的方向，從輸出層經(jīng)各個(gè)隱含層并逐層修正各個(gè)連接權(quán)值，最后回到輸入層。這種“正向計(jì)算輸出一反向傳播誤差”的過(guò)程不斷重復(fù)進(jìn)行，直至誤差降至可以

83、接受的范圍，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程也就隨之結(jié)束。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。</p><p>　　圖2中，R為輸入量的個(gè)數(shù)，a=f(W*P+b), w為權(quán)向量，P為輸入向量，b為網(wǎng)絡(luò)偏移量。將幅度和作為BP神經(jīng)網(wǎng)絡(luò)的輸入量，經(jīng)過(guò)訓(xùn)練，達(dá)到一定訓(xùn)練次數(shù)和精度后，用訓(xùn)練好的網(wǎng)絡(luò)可以識(shí)別出運(yùn)動(dòng)模糊尺度。利用Fourier變換將原始的勻速直線運(yùn)動(dòng)模糊圖像轉(zhuǎn)換到頻域后，現(xiàn)有的主流算法是先計(jì)算出相鄰2條暗條紋(例如圖l

84、(a)中的暗條紋)之間的距離d，然后應(yīng)用公式L—N／d求解運(yùn)動(dòng)模糊尺度(N是圖像尺寸)。但是，應(yīng)用圖像處理算法精確計(jì)算距離d存在較大困難，容易產(chǎn)生一定的測(cè)量誤差△d，從而給最終的運(yùn)動(dòng)模糊尺度計(jì)算帶來(lái)較大誤差。本文在頻譜圖中央?yún)^(qū)域按列計(jì)算幅度和，得到一個(gè)行向量，從而得到了一組可以使用的圖像特征。這就避免了應(yīng)用公式L—N／d求解時(shí)，Ad產(chǎn)生的誤差傳播作用，同時(shí)也保證了特征提取精度。</p><p><b>

85、　　模糊數(shù)字圖像增強(qiáng)</b></p><p><b>　　加入噪聲</b></p><p><b>　　圖2.4.1</b></p><p>　　待識(shí)別的數(shù)字圖像的預(yù)處理，在某些圖像邊緣不是很清晰的情況下，可以通過(guò)加入噪聲的方法使其變得清晰化，如圖2.4.1:所示</p><p>　　圖

86、像的平滑：鄰域平均模板加權(quán)平均模板</p><p><b>　　M1=</b></p><p><b>　　M2=</b></p><p><b>　　M3=</b></p><p><b>　　M4=</b></p><p>

87、<b>　　圖2.4.2</b></p><p>　　對(duì)有噪聲干擾而造成模糊的數(shù)字圖像可以通過(guò)領(lǐng)域平均的方法將其除去，如圖2.4.2所示;有時(shí)領(lǐng)域平均的效果不是很好，這時(shí)可以考慮加權(quán)平均的方法，效果如圖2.4.3</p><p><b>　　圖2.4.3</b></p><p><b>　　圖像銳化：</b

88、></p><p>　　Laplacian銳化模板</p><p><b>　　M1=</b></p><p><b>　　M1=</b></p><p>　　I=imread('fabric.png');%讀取圖像K=rgb2gray(I); M1=[0,1,0;1,-4

89、,1;0,1,0];M2=[1,1,1;1,-8,1;1,1,1];K=double(K);J=conv2(K,M1,'same'); %卷積G=conv2(K,M2,'same'); F=K-J; E=K-G;figure,imshow(K,[]),figure,imshow(J),figure,imshow(G),figure,imshow(F,[])figure,imshow(E,[])

90、</p><p><b>　　圖2.4.4</b></p><p>　　圖像銳化可以使得圖像邊緣變得清晰化，如圖2.4.4所示，雖然圖像整體變得模糊但目標(biāo)圖像在整張圖像中更為突出了。</p><p><b>　　直方圖均衡化</b></p><p>　　利用imhist函數(shù)查看模糊數(shù)字圖像的灰度直

91、方圖，若是灰度分布不均勻可利用histeq函數(shù)將其均衡化，效果圖如圖2.4.5：</p><p><b>　　圖2.4.5</b></p><p><b>　　傾斜調(diào)整</b></p><p>　　對(duì)于待識(shí)別圖像由于拍攝角度問(wèn)題導(dǎo)致所拍攝的圖像傾斜，在匹配之前需要對(duì)其進(jìn)行調(diào)整。本人所介紹的調(diào)整方式是基于傅里葉變換</

92、p><p><b>　　調(diào)整步驟：</b></p><p>　　1讀取圖像imread(‘name’)’;</p><p>　　2將其轉(zhuǎn)化為灰度圖像rgb2gray(name);</p><p>　　3利用fft2函數(shù)將其進(jìn)行傅里葉變換并將其直流分量移到移動(dòng)頻譜中心，接著對(duì)其進(jìn)行歸一化處理得到其頻譜圖。</p>

93、<p>　　實(shí)現(xiàn)代碼：I=rgb2gray(RGB);</p><p>　　K=fft2(I);</p><p>　　M=fftshift(K); 直流分量移到移動(dòng)頻譜中心</p><p><b>　　N=abs(M);</b></p><p>　　P=(N-min(min(N)))/(max(max(N)

94、)-min(min(N)))*225; 歸一化處理</p><p><b>　　4</b></p><p>　　4在其頻譜上取三點(diǎn)計(jì)算出其傾斜的角度，利用傅里葉的性質(zhì)：</p><p>　　f(r,)F(w,)</p><p><b>　　將其進(jìn)行調(diào)正。</b></p><p&

95、gt;<b>　　大小調(diào)整</b></p><p>　　模板匹配必需是大小一致的模板才能進(jìn)行相減運(yùn)算，可利用imcrop函數(shù)對(duì)其進(jìn)行剪切。剪切之前計(jì)算好邊緣位置，邊緣位置的計(jì)算可利用投影技術(shù)獲取。</p><p><b>　　小結(jié)</b></p><p>　　平均濾波和加權(quán)濾波的效果都不怎么好，不能完全除去高斯噪聲，它們對(duì)

96、椒鹽噪聲的處理效果比較理想但仍舊存在提升的空間；另外，在對(duì)4鄰域8鄰域的比較以及1/5加權(quán)以及1/16加權(quán)平均的比較可以看出，多領(lǐng)域的處理效果比較好，但是它的缺點(diǎn)是會(huì)引起圖像的模糊。可以肯定的是不同的模版其效果不同，對(duì)特定的圖像要使用特定的模版。</p><p>　　圖像變模糊的原因一般為成像系統(tǒng)聚焦不好、信道過(guò)窄以及平均過(guò)積分運(yùn)算。圖像的銳化使得目標(biāo)物輪廓變模糊，細(xì)節(jié)輪廓不清晰，加重目標(biāo)物輪廓，使模糊圖像變清晰

97、。拉普拉斯算子是常用的邊緣增強(qiáng)算子，拉普拉斯運(yùn)算也是偏導(dǎo)數(shù)運(yùn)算的線性組合運(yùn)算，而且是一種各向同性（旋轉(zhuǎn)不變性）的線性運(yùn)算。3</p><p>　　在比較4鄰域以及8鄰域的銳化圖像我們可以發(fā)現(xiàn)，4鄰域銳化在邊緣以及與原圖像的相似程度上都有比較滿意的效果，8鄰域銳化在灰度級(jí)對(duì)比上比4鄰域更加優(yōu)秀，但它的一個(gè)缺點(diǎn)是丟失了一部分圖像細(xì)節(jié)，從而導(dǎo)致圖片看起來(lái)變得“模糊”。</p><p><b

98、>　　2.5 匹配識(shí)別</b></p><p>　　2.5.1基于像素差平方和的匹配原理</p><p>　　該方法類似于基于模板匹配的圖像配準(zhǔn)算法，基于模板匹配的圖像配準(zhǔn)算法是在參考圖像中取得一個(gè)能包含圖像主要信息的模板作為基準(zhǔn)特征塊，然后在待配準(zhǔn)圖像中查找與該基準(zhǔn)特征塊最為相似的匹配塊，匹配的原則是以兩幅圖像重疊部分（這里是指重疊塊）的像素差的平方和（Sum of S

99、quared Differences，簡(jiǎn)稱SSD）為標(biāo)準(zhǔn)來(lái)衡量此區(qū)域是否與基準(zhǔn)特征塊最相似。而該方法只是將模板的概念應(yīng)用到了特征點(diǎn)局部的鄰域窗口，以特征點(diǎn)鄰域窗口的灰度信息值作為該特征點(diǎn)的描述符，直接進(jìn)行比較來(lái)實(shí)現(xiàn)特征點(diǎn)的匹配</p><p><b>　　具體步驟：</b></p><p>　　首先對(duì)需要配準(zhǔn)的兩幅圖像I1和I2分別提特征點(diǎn)，分別得到兩個(gè)特征點(diǎn)集合，記

100、作 p={p1,p2,p3......pn}和p′={p1′ ,p2′,p3′...... pn′}，以每一個(gè)特征點(diǎn)為中心，將其鄰域窗口（記作w）的像素值作為該特征點(diǎn)的描述符，對(duì)于圖像中的每一個(gè)特征點(diǎn)分別計(jì)算其與圖像I2中提取的各個(gè)特征點(diǎn)的鄰域像素值差的平方和：</p><p><b>　　SSD=</b></p><p>　　取其最小者作為圖像中與pi匹配的點(diǎn)。&l

101、t;/p><p>　　基于像素平方和（SSD）匹配的優(yōu)缺點(diǎn)</p><p>　　該方法是進(jìn)行特征點(diǎn)匹配的一種簡(jiǎn)單可行的方法，但是因?yàn)樗苯永脠D像的灰度信息值，所以最大的缺點(diǎn)就是對(duì)光照的變化十分敏感，一旦需要配準(zhǔn)的兩幅圖像在重疊區(qū)域的曝光不一致，那么該方法將不再準(zhǔn)確。其次，是進(jìn)行特征點(diǎn)匹配時(shí)采用的鄰域窗口為矩形，當(dāng)需要配準(zhǔn)的兩幅圖像存在較大角度的旋轉(zhuǎn)和較大尺度的縮放時(shí)，特征點(diǎn)鄰域窗口的特征將產(chǎn)

102、生較大的改變，因此對(duì)于圖像的旋轉(zhuǎn)和縮放就會(huì)比較敏感。匹配效果如表2.5.1</p><p><b>　　表2.5.1</b></p><p>　　2.5.2 基于互相關(guān)的匹配原理</p><p>　　該方法不直接利用特征點(diǎn)鄰域的灰度值，而是依據(jù)特征點(diǎn)鄰域像素灰度值的互相關(guān)系數(shù)（Cross Correlation）為匹配原則進(jìn)行匹配?；舅悸啡缦?/p>

103、：分別在參考圖像和待配準(zhǔn)圖像中以每一個(gè)特征點(diǎn)為中心取一個(gè)(2N+1)×(2N+1)大小的相關(guān)窗，然后以參考圖像中的每個(gè)特征點(diǎn)為參考點(diǎn)在待配準(zhǔn)圖像中尋找對(duì)應(yīng)匹配點(diǎn)，匹配的依據(jù)是計(jì)算特征點(diǎn)相關(guān)窗之間的相關(guān)系數(shù)：</p><p>　　CC= （2-5-2）</p><p>　　其中，W是相關(guān)窗的大小， 和 分別為兩幅待配準(zhǔn)圖像中特征點(diǎn)相關(guān)窗內(nèi)像素的灰度

104、值，CC是相關(guān)系數(shù)。特征點(diǎn)匹配時(shí)選取相關(guān)系數(shù)中最大的相關(guān)系數(shù)所對(duì)應(yīng)的特征點(diǎn)作為該參考點(diǎn)的匹配點(diǎn)。 </p><p>　　2.5.3 歸一化互相關(guān)法匹配原理</p><p>　　歸一化的目的就是消除上述方法對(duì)于光照變化敏感的問(wèn)題。該方法同上述方法類似，只是在計(jì)算互相關(guān)系數(shù)時(shí)進(jìn)行了歸一化處理:</p><p><b>　　NCC=</b></

105、p><p><b>　?。?.5.3.1）</b></p><p>　　其中 和 分別表示圖像和特征點(diǎn)相關(guān)窗內(nèi)像素灰度值的均值</p><p><b>　　（2.5.2）</b></p><p><b>　?。?.5.3）</b></p><p>　　

106、歸一化互相關(guān)法優(yōu)缺點(diǎn)：</p><p>　　1）該方法較好地解決了對(duì)于光照變化敏感的問(wèn)題。</p><p>　　2）矩形窗口的選用仍然是該類法的缺憾。所以這種方法只適合于具有平移和小角度旋轉(zhuǎn)關(guān)系的圖像配準(zhǔn)。匹配效果如表2.5.3.1</p><p><b>　　表2.5.3.1</b></p><p><b>

107、　　第三章 改進(jìn)匹配算</b></p><p><b>　　3.1 模板修改</b></p><p>　　通過(guò)改變之前的模糊數(shù)字模板操作，將其統(tǒng)一轉(zhuǎn)化為只有一個(gè)像素點(diǎn)的數(shù)字模板也就是對(duì)所有的模糊數(shù)字模板進(jìn)行細(xì)化操作得到只有一個(gè)像素點(diǎn)構(gòu)成的細(xì)化模板。分別在水平方向5/12,1/2，7/12處劃?rùn)M線，分別得到數(shù)字圖像與三條橫線的交點(diǎn)個(gè)數(shù)，記下交點(diǎn)左邊；同理，在

108、垂直方向1/3,1/2，2/3處劃線，分別得到數(shù)字圖像與三橫線的交點(diǎn)，記下他們的坐標(biāo)。列表記錄他們相交點(diǎn)個(gè)數(shù)以及相交點(diǎn)的坐標(biāo)，為后續(xù)匹配識(shí)別做準(zhǔn)備。如圖3.1.1：</p><p><b>　　圖3.1.1</b></p><p>　　3.2 匹配算法改進(jìn)</p><p><b>　　3.2.1算法原理</b></p

109、><p>　　特征提取的目的是從原數(shù)字圖像文件中抽取出能用于區(qū)分其與其他字符不同類型的本質(zhì)特征，對(duì)研究對(duì)象本質(zhì)的，固有的重要特征和屬性進(jìn)行量測(cè)并將結(jié)果數(shù)值化，形成特征矢量，對(duì)圖像的識(shí)別，學(xué)習(xí)過(guò)程都要非常重要。</p><p>　　能描述對(duì)象本質(zhì)特征的元素有很多，但是為了節(jié)約資源，有時(shí)更是為了可行性，在保證分類識(shí)別正確率的前提下，盡量選擇識(shí)別作用較大的特征，使得用較少的特征就能完成分類識(shí)別任務(wù)，

110、有一種簡(jiǎn)單的方法就是減少特征矢量的維數(shù)或符號(hào)字符數(shù)，本文中采用對(duì)待識(shí)別數(shù)字圖像進(jìn)行行列掃描與數(shù)字起點(diǎn)結(jié)合的方法提取特征。</p><p>　　結(jié)構(gòu)特征提取的算法如下：</p><p>　　對(duì)細(xì)化后的數(shù)字圖像取豎直的三條直線，分別取在5 ／ 12，1 ／ 2，7 ／ 12 處，記下這三條豎直直線與數(shù)字筆段的交點(diǎn)數(shù)。</p><p>　　2）再取水平三條直線，分別取在1

111、 ／ 3，1 ／ 2，2 ／ 3 處，分別記下這三條水平直線與數(shù)字筆段的交點(diǎn)數(shù)。</p><p><b>　　如圖表4-1所示</b></p><p>　　經(jīng)細(xì)化后的數(shù)字圖像其特征較為穩(wěn)定，且筆劃簡(jiǎn)單，因此對(duì)其抽取的基本結(jié)構(gòu)組件能反映數(shù)字的本質(zhì)特征， 從而可快速有效地識(shí)別數(shù)字符號(hào)，并達(dá)到較好的分類效果。</p><p>　　提取筆劃特征的算法如

112、下：</p><p>　　1）按從上到下，從左到右的順序掃描預(yù)處理后圖像并選擇黑像素點(diǎn)P；</p><p>　　2）計(jì)算像素 P 的 8———領(lǐng)域之和 N；</p><p>　　3）若N＝1，則像素P 為端點(diǎn)，端點(diǎn)計(jì)數(shù)器加1；</p><p>　　4）重復(fù)步驟（1）－（3），直到遍歷整個(gè)圖像。</p><p>　　依據(jù)