数字字符分类模拟演示系统

论文字数:11770,页数:39

摘 要
 目前，模式识别领域在日常生活中的应用已经越来越广泛，比如人脸、指纹识别，字符识别，车牌识别。所以，对字符识别进行学习与研究是非常有必要的。
 本课题为数字字符识别模拟演示系统。主要是利用正态分布下的最小错误率Bayes方法和最小风险Bayes方法，来实现手写数字从0到9的识别。该系统首先是实现模拟手写数字；然后利用5*5的模板提取出样品的特征，采用模板可以使同一形状、不同大小的样品得到归一化的特征提取，所以有能力对同一形状、不同大小的样品视为同类；最后结合Bayes决策进行判别。使用最小错误率Bayes方法，在判别过程中能使错误率达到最小，即使错分类出现的可能性最小，而最小风险Bayes方法，在判别过程中可以使风险达到最小，减少危害大的错分类情况。
 本设计是利用Visual C++ 6.0实现的，实验证明，该系统对于模拟手写的数字基本上能正确识别，但是对于手写不规范的数字会存在错判的情况，这跟样品库的有限有关。
关键词： 最小错误,最小风险,特征选择,模拟手写,MFC  
 
 ABSTRACT
 Now,the application of Pattern Recognition is more and more popular  in our daily life,for example the  man’s  Face、Fingerprint recognition, Character recognition  License plate recognition.
This project is talking about the digital character recognition simulation demonstration system.It mainly use Least error of Bayes method and  Least risk of Bayes method under the Normal Distribution to realize handwritten figures recognition from 0 to 9. First, handwritten digitals should be simulated;then, extract the sample characteristics by useing 5*5 templates，using templates can get feature what not very difference from samples what have the same appearance and different size,so the samples what have the same appearance and different size would be divided to similar
 ;at last,combine with Bayes method to recognition , this two kinds of methods avoided a lot of classification errors and attaining the wrong probability to be smallest.
 This design realized by using Visual C++ 6.0, experimental evidence , this system for any handwritten figures could correctly identify.But for the relatively small handwritten figures ,miscalculated the probability will be greater,the reason is that the sample is limited,usually,the number of samples to the number of features from five to ten times.
Key :Least error,Least risk, Feature selection，Handwritten simulation,
MFC 
 
 
目录
摘 要 I
ABSTRACT II
第一章 绪论 1
1.1 课题研究背景 1
1.2 应用现状及存在的问题 1
1.3 国内外最新发展情况 2
1.4 系统研究的内容 2
第二章 系统相关技术 3
2.1 Visual C++ 6．0 简介 3
2.2 MFC的应用 3
2.3 模拟手写数字 5
2.4 特征模板提取 错误！未定义书签。
2.5风险对话框 6
第三章 基于概率统计的Bayes分类器 8
3.1 模式识别的概述 8
3.2 最小错误及最小风险Bayes决策引出的背景 9
3.3 基于最小错误率的Bayes决策 10
3.3.1 两类问题 10
3.3.2 多类问题 11
3.4 基于最小风险的Bayes决策 12
3.4.2 实际问题中的最小风险Bayes决策的计算 14
3.5 最小错误率与最小风险Bayes决策比较 14
第四章 手写数字字符识别的实现 16
4.1 特征选择 16
4.2 基于最小错误率的Bayes分类的实现 18
4.2.1 手写数字样品的均值 18
4.2.2 协方差矩阵 19
4.2.3 逆矩阵 20
4.2.4 行列式 21
4.2.5 先验概率 21
4.2.6 判别函数 22
4.4 基于最小风险的Bayes分类的实现 22
4.4.1 与最小错误Bayes决策的相同之处 22
4.4.2 后验概率 23
4.4.3 损失函数 23
4.5 系统实现的最终界面与操作 26
4.5.1 界面框架的实现 26
4.5.2系统的操作与说明 27
4.5.3 下面举一些主要的程序 27
第五章 工作总结 29
致谢 30

相关论文