C#中调用Matlab人工神经网络算法实现手写数字识别

手写数字识别实现设计技术参数：通过由数字构成的图像，自动实现几个不同数字的识别，设计识别方法，有较高的识别率关键字：二值化投影矩阵目标定位 Matlab 手写数字图像识别简介：手写阿拉伯数字识别是图像内容识别中较为简单的一个应用领域，原因有被识别的模式数较少（只有0到9，10个阿拉伯数字）、阿拉伯数字笔画少并且简单等。手写阿拉伯数字的识别采用的方法相对于人脸识别、汉字识别等应用领域来说可以采用更为灵活的方法，例如基于规则的方法、基于有限状态自动机的方法、基于统计的方法和基于神经网络的方法等。本文的开始部分先对手写阿拉伯数字识别的整个处理流程进行论述，而这个流程也可以用于图像中其他模式的识别。当然这个处理流程也不是唯一的，可以根据不同的模式识别应用场景进行与之不同的预处理流程。手写数字图像识别的主要流程：第一步：对源图像进行黑白二值化处理；0数字的二值化（左）和1的二值化处理（右）第二步：将图像在水平方向上和竖直方向上进行投影，这样通过投影图形就可以区分1和0的特征；第三步：用投影计算出区域的横纵坐标，将其分为九份。定位出数字所在图像中的位置，提取该部分进行分析。第四步：数字0和1的特征比较与识别在0和一的比较中发现，在分成的九个区域的中间区域，0中间区域灰度为0，1中间区域灰度为1。

人工神经网络

人类之所以能够思考，学习，判断，大部分都要归功于人脑中复杂的神经网络。虽然现在人脑的机理还没有完全破译，但是人脑中神经元之间的连接，信息的传递都已为人所知晓。于是人们就想能否模拟人脑的功能用于解决其他问题，这就发展出人工神经网络。
人工神经网络（artificial neural network，缩写ANN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。
神经网络是一种运算模型，由大量的节点（或称“神经元”，或“单元”）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

samples

识别流程

流程如图，首先要对数据进行处理，这个主要是批量读取图片和特征提取的过程，特征提取的方法很多，这里只挑选最简单的来实现，然后是训练出一个神经网络的模型，最后用测试数据进行测试。为了方便，这里的神经网络的创建，训练和测试采用Matlab函数来实现。

构造标签

要构造出适合神经网络的标签，在这个例子中有10个类，若为某个标签，那么这个位置的值为1，其余为0。

Matlab实现代码

数字特征提取部分

featureextract.m

% featureextract 数字特征提取部分clear;clc;% global定义全局变量P T,by:chenglobal P T; I = imread（"0.bmp"）;% 读入数字图片，为个人用画图板制作的图片p（1,:）=inputvar（I）;% inputvar（x）函数为特征提取函数,对第一个0样本的图片进行特征提取 %I = imread（"00.bmp"）;I = imread（"cccc0.bmp"）;p（2,:）=inputvar（I）;% 读入第二个关于字符0的样本 I = imread（"000.bmp"）;p（3,:）=inputvar（I）; I = imread（"0000.bmp"）;p（4,:）=inputvar（I）; I = imread（"1.bmp"）;p（5,:）=inputvar（I）; %I = imread（"11.bmp"）;I = imread（"cc15.bmp"）;p（6,:）=inputvar（I）; I = imread（"111.bmp"）;p（7,:）=inputvar（I）; I = imread（"1111.bmp"）;p（8,:）=inputvar（I）; I = imread（"2.bmp"）;p（9,:）=inputvar（I）; I = imread（"22.bmp"）;p（10,:）=inputvar（I）; %I = imread（"222.bmp"）;I = imread（"cccc2.bmp"）;p（11,:）=inputvar（I）; I = imread（"2222.bmp"）;p（12,:）=inputvar（I）; %I = imread（"3.bmp"）;I = imread（"cccc3.bmp"）;p（13,:）=inputvar（I）; I = imread（"33.bmp"）;p（14,:）=inputvar（I）; I = imread（"333.bmp"）;p（15,:）=inputvar（I）; I = imread（"3333.bmp"）;p（16,:）=inputvar（I）; I = imread（"4.bmp"）;%I = imread（"cc444.bmp"）;p（17,:）=inputvar（I）; I = imread（"44.bmp"）;p（18,:）=inputvar（I）; I = imread（"444.bmp"）;p（19,:）=inputvar（I）; %I = imread（"4444.bmp"）;I = imread（"cc444.bmp"）;p（20,:）=inputvar（I）; %I = imread（"5.bmp"）;I = imread（"cccc5.bmp"）;p（21,:）=inputvar（I）; I = imread（"55.bmp"）;p（22,:）=inputvar（I）; I = imread（"555.bmp"）;p（23,:）=inputvar（I）; I = imread（"5555.bmp"）;p（24,:）=inputvar（I）; I = imread（"6.bmp"）;p（25,:）=inputvar（I）; I = imread（"66.bmp"）;p（26,:）=inputvar（I）; I = imread（"666.bmp"）;p（27,:）=inputvar（I）; I = imread（"6666.bmp"）;p（28,:）=inputvar（I）; I = imread（"7.bmp"）;p（29,:）=inputvar（I）; I = imread（"77.bmp"）;p（30,:）=inputvar（I）; I = imread（"777.bmp"）;p（31,:）=inputvar（I）; I = imread（"7777.bmp"）;p（32,:）=inputvar（I）; I = imread（"8.bmp"）;p（33,:）=inputvar（I）; I = imread（"88.bmp"）;p（34,:）=inputvar（I）; I = imread（"888.bmp"）;p（35,:）=inputvar（I）; I = imread（"8888.bmp"）;p（36,:）=inputvar（I）; I = imread（"9.bmp"）;p（37,:）=inputvar（I）; I = imread（"99.bmp"）;p（38,:）=inputvar（I）; I = imread（"999.bmp"）;p（39,:）=inputvar（I）; I = imread（"9999.bmp"）;p（40,:）=inputvar（I）; I = imread（"test0.bmp"）;p（41,:）=inputvar（I）; I = imread（"test00.bmp"）;p（42,:）=inputvar（I）; I = imread（"test1.bmp"）;p（43,:）=inputvar（I）; I = imread（"test11.bmp"）;p（44,:）=inputvar（I）; I = imread（"test2.bmp"）;p（45,:）=inputvar（I）; I = imread（"test22.bmp"）;p（46,:）=inputvar（I）; I = imread（"test3.bmp"）;p（47,:）=inputvar（I）; I = imread（"test33.bmp"）;p（48,:）=inputvar（I）; I = imread（"test4.bmp"）;p（49,:）=inputvar（I）; I = imread（"test44.bmp"）;p（50,:）=inputvar（I）; I = imread（"test5.bmp"）;p（51,:）=inputvar（I）; I = imread（"test55.bmp"）;p（52,:）=inputvar（I）; I = imread（"test6.bmp"）;p（53,:）=inputvar（I）; I = imread（"test7.bmp"）;p（54,:）=inputvar（I）; I = imread（"test8.bmp"）;p（55,:）=inputvar（I）; I = imread（"test9.bmp"）;p（56,:）=inputvar（I）; P = p;% 输入的训练与测试样本集T = [0 0 0 0; 0 0 0 0; 0 0 0 0; 0 0 0 0; 0 0 0 1; 0 0 0 1; 0 0 0 1; 0 0 0 1; 0 0 1 0; 0 0 1 0; 0 0 1 0; 0 0 1 0; 0 0 1 1; 0 0 1 1; 0 0 1 1; 0 0 1 1; 0 1 0 0; 0 1 0 0; 0 1 0 0; 0 1 0 0; 0 1 0 1; 0 1 0 1; 0 1 0 1; 0 1 0 1; 0 1 1 0; 0 1 1 0; 0 1 1 0; 0 1 1 0; 0 1 1 1; 0 1 1 1; 0 1 1 1; 0 1 1 1; 1 0 0 0; 1 0 0 0; 1 0 0 0; 1 0 0 0; 1 0 0 1; 1 0 0 1; 1 0 0 1; 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0 1 0 0 0 1 1 0 0 1 1 0 1 0 0 0 1 0 0 0 1 0 1 0 1 0 1 0 1 1 0 0 1 1 1 1 0 0 0 1 0 0 1];% 输出的训练与测试样本ttest = [0 0 0 0 0 0 0 1 0 0 1 0 0 0 1 1 0 1 0 0 0 1 0 1 0 1 1 0 0 1 1 1 1 0 0 0 1 0 0 1];% 1至9数字的标准输出 P = P";T = T";ttest = ttest";save featureextractPTttest% 保存特征提取后的输入输出样本数据,生成mat文件以便训练与测试时对样本数据的调用

特征提取

% inputvar 特征提取

function y=inputvar（I）% inputvar 特征提取b = find（I>130）;%I：读入的待辨认的数字图片，find（I>130）：找出I中大于130的坐标，返回的是线性索引I（b） = 1;%将图像中大于130的地方置1 % 对数字图片进行二值化处理，读入的图片形式简单以致于二值化方法简单% 图像预处理部分 [m,n] = size（I）;%获取图片的尺寸,m=16,n=8p = zeros（1,17）;%产生一个1*17的零向量for k=1:4 for i=1+（k-1）*4:m/4+（k-1）*4 for j=1:n/2 if I（i,j）==0 p（k） = p（k）+1; else p（k） = p（k）; end end for j=n/2+1:n if I（i,j）==0 p（k+4） = p（k+4）+1; else p（k+4） = p（k+4）; end end endend % 把图片分成八个独立区域计算各自的图象密度,作为部分特征向量p（9） = p（1）+p（2）;p（10） = p（3）+p（4）;p（11） = p（5）+p（6）;p（12） = p（7）+p（8）;p（13） = p（1）+p（5）;p（14） = p（2）+p（6）;p（15） = p（3）+p（7）;p（16） = p（4）+p（8）;p（17） = p（9）+p（10）+p（11）+p（12）;y = p/128; % 合并区域的图像密度作为其他部分特征向量

网络训练与仿真部分

% bpnntrain 网络训练与仿真部分clear clc %load featureextract;load（"D:featureextract"）;% 调用输入输出样本数据P_train = P（:,1:40）;%P_train：训练样本集合T_train = T（:,1:40）;P_test = P（:,40:56）;T_test = T（:,40:56）; echo onnet=newff（minmax（P_train）,[9 4],{"tansig","tansig","tansig"},"trainlm"）; %newff:建立一个BP网络%minmax（P_train）:对神经网络输入的最大最小值的限制%[9 4]:神经网络的层结构%{"tansig","tansig","tansig"}:神经网络各层转移函数%"trainlm":训练函数% 利用工具箱建立前向BP网络,输入输出隐层的传递函数均为S型的正切函数,使用Levenberg-Marquard算法进行训练% 隐层设置9个神经元，4个神经元输出net = init（net）;% 网络初始化[m1,n1]=size（net.IW{1,1}）;net.IW{1,1}=0.3*ones（m1,n1）;% 初始化当前输入层权值[m2,n2]=size（net.LW{2,1}）;net.LW{2,1}=0.3*ones（m2,n2）;% 初始化隐层与输出层的连接权值net.trainParam.show=100; %显示的间隔次数net.trainParam.lr=0.01; %网络学习速率net.trainParam.mc=0.9; %动量因子net.trainParam.epochs=1000; %最大训练次数net.trainParam.goal=0.001;%性能目标值% 设置训练参数[net,tr] = train（net,P_train,T_train）;% 静态批处理方式进行网络训练，net：更新了权值的神经网络，tr：训练次数和每次训练的误差fig = plotperf（tr） Y = sim（net,P_train）;% 对训练后的网络进行仿真E = T_train-Y;perf=mse（E）% 计算仿真误差echo off save bpnntrainnetfig

网络测试与检测部分

% nnceshi 网络测试与检测部分function result = TestDigit（ img ）%UNTITLED Summary of this function goes here% Detailed explanation goes here % global定义全局变量P T,by:chenglobal P T;% 数字特征提取%load featureextract;load（"D:featureextract"）; % 网络训练与仿真部分%load bpnntrain net;load（"D:pnntrain"）; % P_test：测试样本的特征向量P_test = P（:,40:56）;T_test = T（:,40:56）; % 对训练后的网络进行测试，net：训练完成了的网络，P_test：测试样本的特征向量，Y：神经网络的输出% 仿真Y = sim（net,P_test）; E = T_test-Y; % 计算测试误差,暂时注释掉====== by:chenqp%perf=mse（E）perf=mse（E）;% 读入待辨认的数字图片，检测网络I = imread（img）;% 调用特征提取函数提取数据特征ptest = inputvar（I）; ptest = ptest";Y = sim（net,ptest）;D = round（Y）;%对Y取整Num = 8*D（1,1）+4*D（2,1）+2*D（3,1）+D（4,1）;% 暂时注释掉ttest======= by:chenqp% ttest = ttest（:,Num+1）ttest = ttest（:,Num+1）;E = ttest-abs（Y）;%均方误差perf=mse（E）;result = Num; end

封装成C#可以调用的DLL

C#调用代码实现

using System;
using System.Collections.Generic;
using QpSolution;
using MathWorks.MATLAB.NET.Arrays;
using MathWorks.MATLAB.NET.Utility;

namespace TestMatlab
{
class Program
{
static void Main（string[] args）
{
// 直接使用Math.Pow计算x的y次方
List<double> x = new List<double>（）;
List<double> y = new List<double>（）;
List<double> z1 = new List<double>（）;
List<double> z2 = new List<double>（）;
Random random = new Random（）;

for （int i = 0; i < 1000000; i++）
{
x.Add（random.Next（1000） * random.NextDouble（））;
y.Add（random.Next（1000） * random.NextDouble（））;
}
DateTime a = DateTime.Now;
for （int i = 0; i < x.Count; i++）
{
z1.Add（Math.Pow（x[i], y[i]））;
}
DateTime b = DateTime.Now;
// 直接使用Math.Pow计算x的y次方,第一次运算花费时间ms
Console.WriteLine（（b - a）.TotalMilliseconds）;

a = DateTime.Now;
for （int i = 0; i < x.Count; i++）
{
z2.Add（Math.Pow（x[i], y[i]））;
}
b = DateTime.Now;
// 直接使用Math.Pow计算x的y次方,第二次运算花费时间ms
Console.WriteLine（（b - a）.TotalMilliseconds）;

a = DateTime.Now;
TestClass tc1 = new TestClass（）;
var z3 = tc1.TestFun（（MWNumericArray）x.ToArray（）, （MWNumericArray）y.ToArray（））.ToArray（）;
b = DateTime.Now;
Console.WriteLine（（b - a）.TotalMilliseconds）;

a = DateTime.Now;
TestClass tc2 = new TestClass（）;
var z4 = tc2.TestFun（（MWNumericArray）x.ToArray（）, （MWNumericArray）y.ToArray（））.ToArray（）;
b = DateTime.Now;
Console.WriteLine（（b - a）.TotalMilliseconds）;

// MWArray是数据类型的一个父类,下面包括了很多数据类
MWNumericArray mw1 = new MWNumericArray（MWArrayComplexity.Real, 1）;
mw1[1] = 2;
MWNumericArray mw2 = new MWNumericArray（MWArrayComplexity.Real, 1）;
mw2[1] = 3;
var z5 = tc1.TestFun（mw1, mw2）;
Console.WriteLine（z5）; // 8

// 传入字符串
MWCharArray str = "D:\test7.bmp";
var z6 = tc1.TestChar（str）;
Console.WriteLine（z6）;

// 测试传入的文件是否存在,并拿到Matlab返回值
MWCharArray file = "D:\test7.bmp";
var z7 = tc1.TestFileExist（file）;
Console.WriteLine（z7）;

// 测试人工神经网络识别手写数字，返回matlab函数识别结果
MWCharArray img1 = "D:\testPic\c2.bmp";
Console.WriteLine（"开始识别第1个图片...."）;
var pic1 = tc1.TestDigit（img1）;
Console.WriteLine（"第1个图片识别结果为:" + pic1）;

MWCharArray img2 = "D:\testPic\cccc0.bmp";
Console.WriteLine（"开始识别第2个图片...."）;
var pic2 = tc1.TestDigit（img2）;
Console.WriteLine（"第2个图片识别结果为:" + pic2）;

MWCharArray img3 = "D:\testPic\cccc2.bmp";
Console.WriteLine（"开始识别第3个图片...."）;
var pic3 = tc1.TestDigit（img3）;
Console.WriteLine（"第3个图片识别结果为:" + pic3）;

MWCharArray img4 = "D:\testPic\cccc3.bmp";
Console.WriteLine（"开始识别第4个图片...."）;
var pic4 = tc1.TestDigit（img4）;
Console.WriteLine（"第4个图片识别结果为:" + pic4）;

MWCharArray img5 = "D:\testPic\cccc5.bmp";
Console.WriteLine（"开始识别第5个图片...."）;
var pic5 = tc1.TestDigit（img5）;
Console.WriteLine（"第5个图片识别结果为:" + pic5）;

MWCharArray img6 = "D:\testPic\abc7.bmp";
Console.WriteLine（"开始识别第6个图片...."）;
var pic6 = tc1.TestDigit（img6）;
Console.WriteLine（"第6个图片识别结果为:" + pic6）;

MWCharArray img7 = "D:\testPic\abc8.bmp";
Console.WriteLine（"开始识别第7个图片...."）;
var pic7 = tc1.TestDigit（img7）;
Console.WriteLine（"第7个图片识别结果为:" + pic7）;

Console.Read（）;

}
}
}

运行结果

本文永久更新链接地址：http://www.linuxidc.com/Linux/2016-04/130564.htm