【手写数字识别】基于matlab GUI BP神经网络手写数字识别【含Matlab源码 518期】

一、获取代码方式

获取代码方式1：
完整代码已上传我的资源：【手写数字识别】基于matlab GUI BP神经网络手写数字识别【含Matlab源码 518期】

获取代码方式2：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。

备注：订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；

二、手写数字识别技术简介

1 案例背景
手写体数字识别是图像识别学科下的一个分支，是图像处理和模式识别研究领域的重要应用之一，并且具有很强的通用性。由于手写体数字的随意性很大，如笔画粗细、字体大小、倾斜角度等因素都有可能直接影响到字符的识别准确率，所以手写体数字识别是一个很有挑战性的课题。在过去的数十年中，研究者们提出了许多识别方法，并取得了一定的成果。手写体数字识别的实用性很强，在大规模数据统计如例行年检、人口普查、财务、税务、邮件分拣等应用领域都有广阔的应用前景"。
本案例讲述了图像中手写阿拉伯数字的识别过程，对手写数字识别的基于统计的方法进行了简要介绍和分析，并通过开发一个小型的手写体数字识别系统来进行实验。手写数字识别系统需要实现手写数字图像的读取功能、特征提取功能、数字的模板特征库的建立功能及识别功能。

2 BP算法与实现过程
2.1 BP算法基本原理
将已知输入向量和相应的输出向量(期望输出)作为训练样本，并假定即将学习的网络已被赋予一组权值。为消除梯度幅度的不利影响，利用弹性反向传播算法通过过如下步骤更新权值(图1)：首先，使用初始权值(不管正确与否)从输入层开始向前传播，计算出所有神经元的输出，这样输出层的输出与期望输出(即输出值与目标值)之间存在较大的误差。然后，计算作为神经元权值函数的]误差函数(损失函数或目标函数、代价函数)的梯度，根据误差降低最快的方向来调整更新权值，通过将输出误差反向传播给隐含层来不断调整误差函数。在计算误差梯度的同时，使用与上面同样的方法更新隐含层的权值。反复迭代更新，直到损失函数达到预定的理想目标。在弹性反向传播算法的学习过程中，权值的修正值即为学习率，而梯度只影影响权值变化的方向，即正负。

图1 反向传播神经网络模型

1.2 感知器神经网络
感知器(multilayer perceptron， MLP) 神经网络是模式识别的简单二元分类人工网络，它通过权值模仿神经细胞的突触，用激活函数模仿细胞体，偏置即为阈值。单层的感知器网络结构如图2所示。单层感知器可将外部输入x分成两类：当感知器的输出y为正数或零时，输入属于第一类；当感知器的输出为负数时，输入属于第二类。

1.3 实现过程
(1)图像读取
在本文中，设计并自建了样本的数据库，库中有0~9共10个阿拉伯数字的5000张不同的手写数字图像，均为白底黑色的bmp格式的文件，每个数字对应500张图片。实验要从每一个数字中都随机选取450张手写图像作为训练样本，每一个数字剩下的50张作为测试样本。部分数字样张如图3所示。

图3 数字样张
(2)提取特征
本设计中的训练样本数量多，而而一般神经网络输入层的神经元数就是训练样本向量的维数，因此需要对训练样本向量做降维预处理。预处理过程就是通过灰度阈值函数将图像转换成二值图像。降维前需先将所有图像做一次缩放，以确保每个图像的输入向量都具有相同的像素。本设计选定图像缩放的高度和宽度分别为70像素点和50像素点，符合一般手写阿拉伯数字的高宽比。对这些缩放后的图像作纵横切割，如图4所示，每10×10个像素点作为一系列像素块，构成一张包含35个像素块的二值图像计算每一个像素块中0和1的占比，并用它作为模式的一个特征值，这样可以构成5x7的特征值矩阵。考虑到感知器神申经网络输入向量只能是一维，故需要将此矩阵转换成一维向量作为训练样本的输入，转置后共生成35个一维向量。

图4 缩放后的图像切割

(3)构造标签
无论是训练样本还是测试样本，都需要构造标签，前者用于映射的学习，后者用于判断训练网络的正确率。一般地，输出层神经元个数即为分类网络中的分类类别数。阿拉伯数字是10类，故输出神经元数为10。每个类由具体的500个图像构成，包含训练样本和测试样本。通过提取特征每个类均生成35个一维向量：用500个列向量(1000000000)T来标注模式1，即数字1；(0100000000)标注模式2，即数字2；(0010000000)标注模式3，即数字3；依此类推，最后的(0000000001)标注模式0，即数字0。运行代码如下：

(4)随机选定训练样本和测试样本测试
利用MATLAB中已有的rand()伪随机数生成函数来生成5000个介于0和1之间的伪随机数。将生成的伪随机数做升序排序，通过索引来记录随机数原来的位置，并将原来的位置组合成新的行向量。在本设计中，输入层的神经元有35个，输出层神经元有10个，选取25为中间隐含层神经元个数。

(5)数字识别与正确率的计算
对比测试前的标签和仿真后的输出，用测试前的标签值减去输出值，得到误差值，将误差为0的视为正确识别，求出神经网络的正确率。具体运行代码如下：

三、部分源代码

%测试
clear all;
close all
p(1:256,1)=1;                %初始图像二值化像素
p1=ones(16,16);
load swjnet net;             %加载训练好的网络
% test=input('Please input a test image:','s');
x=imread('3 (10).bmp');         %特征提取
bw=im2bw(x,0.5);              %二值化
[i,j]= find(bw==0);           %寻找数字所在的像素索引
imin=min(i);                  %求取数字像素占据空间的最小行索引
imax=max(i);                  %求取数字像素占据空间的最大行的索引
jmin=min(j);                  %求取数字像素占据空间的最小列的索引
jmax=max(j);                  %求取数字像素占据空间的最大列的索引
bwl=bw(imin:imax,jmin:jmax);  %把图像由39×39缩放为实际数字像素所需的空间
rate=16/max(size(bwl));       %求取放大比率
bwl=imresize(bwl,rate);       %按比率放大图像
[i,j]=size(bwl);              %求取行列数
i1=round((16-i)/2);           %取整
j1=round((16-j)/2);
p1(i1+1:i1+i,j1+1:j1+j)=bwl;  %图像从右向暂存
function varargout = mian(varargin)
% MIAN MATLAB code for mian.fig
%      MIAN, by itself, creates a new MIAN or raises the existing
%      singleton*.
%
%      H = MIAN returns the handle to a new MIAN or the handle to
%      the existing singleton*.
%
%      MIAN('CALLBACK',hObject,eventData,handles,...) calls the local
%      function named CALLBACK in MIAN.M with the given input arguments.
%
%      MIAN('Property','Value',...) creates a new MIAN or raises the
%      existing singleton*.  Starting from the left, property value pairs are
%      applied to the GUI before mian_OpeningFcn gets called.  An
%      unrecognized property name or invalid value makes property application
%      stop.  All inputs are passed to mian_OpeningFcn via varargin.
%
%      *See GUI Options on GUIDE's Tools menu.  Choose "GUI allows only one
%      instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES% Edit the above text to modify the response to help mian% Last Modified by GUIDE v2.5 05-Mar-2021 18:29:30% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name',       mfilename, ...'gui_Singleton',  gui_Singleton, ...'gui_OpeningFcn', @mian_OpeningFcn, ...'gui_OutputFcn',  @mian_OutputFcn, ...'gui_LayoutFcn',  [] , ...'gui_Callback',   []);
if nargin && ischar(varargin{1})gui_State.gui_Callback = str2func(varargin{1});
endif nargout[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
elsegui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT% --- Executes just before mian is made visible.
function mian_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
% varargin   command line arguments to mian (see VARARGIN)% Choose default command line output for mian
handles.output = hObject;% Update handles structure
guidata(hObject, handles);% UIWAIT makes mian wait for user response (see UIRESUME)
% uiwait(handles.figure1);% --- Outputs from this function are returned to the command line.
function varargout = mian_OutputFcn(hObject, eventdata, handles)
% varargout  cell array for returning output args (see VARARGOUT);
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)% Get default command line output from handles structure
varargout{1} = handles.output;% --- Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton1 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
%% 特征提取
filename = dir('*.bmp');     %图像文件格式
for k=1:100p1=ones(16,16);          %缩放后用于存储的像素空间x=imread(filename(k).name);  %读取图像文件bw=im2bw(x,0.5);             %二值化[i,j]= find(bw==0);            %寻找数字所在的像素索引imin=min(i);                  %求取数字像素占据空间的最小行索引imax=max(i);                  %求取数字像素占据空间的最大行的索引jmin=min(j);                  %求取数字像素占据空间的最小列的索引jmax=max(j);                  %求取数字像素占据空间的最大列的索引 bwl=bw(imin:imax,jmin:jmax);  %把图像由39×39缩放为实际数字像素所需的空间rate=16/max(size(bwl));       %求取放大比率bwl=imresize(bwl,rate);       %按比率放大图像[i,j]=size(bwl);              %求取行列数i1=round((16-i)/2);            %取整j1=round((16-j)/2);p1(i1+1:i1+i,j1+1:j1+j)=bwl;  %图像从右向暂存p1=-1.*p1+ones(16,16);        %将图像反色for m=0:15                    %样本特征存于输入矢量p(m*16+1:(m+1)*16,k+1)=p1(1:16,m+1);end
switch k                         %对应各个输入样本求取对应的目标矢量case{ 1,2,3,4,5,6,7,8,9,10}t(k+1)=0;case{ 11,12,13,14,15,16,17,18,19,20}t(k+1)=1;case{ 21,22,23,24,25,26,27,28,29,30}t(k+1)=2; case{ 31,32,33,34,35,36,37,38,39,40}t(k+1)=3;case{ 41,42,43,44,45,46,47,48,49,50}t(k+1)=4;case{ 51,52,53,54,55,56,57,58,59,60}t(k+1)=5;case{ 61,62,63,64,65,66,67,68,69,70}t(k+1)=6;case{ 71,72,73,74,75,76,77,78,79,80}t(k+1)=7;case{ 81,82,83,84,85,86,87,88,89,90}t(k+1)=8;case{ 91,92,93,94,95,96,97,98,99,100}t(k+1)=9;end
end
save swjPT p t;                                   %保存输入矢量和目标矢量
warndlg('特征提取完毕', '提示');% --- Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton2 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
%样本训练
clear all;
load swjPT p t;       %加载输入矢量和目标矢量
pr(1:256,1)=0;        %初始权值设计
pr(1:256,2)=1;
net=newff(pr,[25 1],{'logsig','purelin'},'traingdx','learngdm'); %神经网络初始化net.trainParam.epocha=4500;                 %训练次数
net.trainParam.goal=0.001;                  %训练误差
net.trainParam.show=10;                     %显示间隔
net.trainParam.lr=0.09;                     %学习率
net=train(net,p,t);                         %样本训练
save swjnet net;                            %保存训练好的网络
warndlg('BP网络训练结束', '提示');% --- Executes on button press in pushbutton4.
function pushbutton4_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton4 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
%测试
p(1:256,1)=1;                %初始图像二值化像素
p1=ones(16,16);

四、运行结果

五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.