MATLAB仪表表盘数字识别
摘要
针对无指针式仪表表盘的数字识别问题，提出了一种基于特征提取和粗糙集特征约简的神经网络数字识别方法。 该方法首先采用数字图像预处理技术处理图像，采用特征提取方法提取数字图像的特征，然后采用粗糙集理论进行特征约简，最后将约简信息输入训练神经网络进行识别。
关键词：神经网络、数字识别、粗糙集、特征提取
现在，在指针式表盘中，可以通过二值化指针的朝向来识别表盘的读数，但在一些特殊类型的表盘中，由于没有判断读数的指针，所以只能通过表盘上的数字来读取表盘数据，识别的难度一定会提高。 在这种表盘上，数字识别尤为重要。 针对这种情况，本文在对识别数字图像进行预处理和特征提取的基础上，利用粗糙集理论进行特征约简，降低神经网络的规模和结构复杂度，最后利用神经网络进行仪表表盘的数字识别。
1数字识别的基本过程
本文的数字图像识别过程如图1所示，主要包括数字图像获取、数字图像预处理、特征提取、粗糙集特征约简和神经网络数字识别几个阶段。
图1数字识别的基本流程图
2数字图像预处理
数字图像的预处理如图2所示，主要有图像的灰度变换、图像的二值化处理、图像的灰度的锐化处理、去噪、图像的分割、正规化、细线化处理等阶段。
数字图像预处理
灰度变换二值化处理梯度锐化去噪图像分割归一化处理细化处理
图2数字图像预处理工序图
跟踪电视拍摄无指针式表盘，将得到的录像带导出VCD，通过图像处理软件获取VCD中表盘的数字图像，进行一系列预处理。
灰度化是指使图像的红、绿、蓝三种颜色的灰度值相等的过程，结果图像只有亮度差异，没有颜色差异。 本文采用加权系数法对图像进行灰度变换。 即，对3种颜色的各像素赋予加权系数并相加。 图像二值化是将原始灰度图像转换为只包含两种颜色的图像。 本文采用人工确定阈值的方法将灰度图像转换为二值图像，采用模糊c均值(FCM )聚类算法确定黑与白两个中心，根据隶属度的大小确定其颜色的黑白。 图像锐化的目的是澄清原始模糊图像，选择了微分法的一种Roberts锐化方法。 图像噪声去除的目的是去除影响图像上的画质的噪声，可以用去除噪声的方法进行处理。 分割图像文字而得到的各个数字，为了容易提取特征，还需要数字图像的裁剪、缩放、排列等图像的归一化和细分处理。
3特征提取
将数字图像预处理后的数据直接作为神经网络的输入，在网络数据膨胀、网络规模非常大的同时，由于表盘多样化和数字图像预处理过程中的一些干扰的影响，神经网络具有较强的抗干扰能力这样，为了有效地利用神经网络进行数字识别，就需要特征提取。
本论文通过采用逐行扫描图像、遇到黑像素时将其特征值设为1、遇到白像素时将其特征值设为0的每个像素的特征提取方法，在扫描结束时形成一个与图像中的像素点的数量相同维度的特征向量矩阵。
考虑到特征向量的维数和识别精度的要求，将字符归一化为96x96像素的位图，并以像素为单位。 或形成一个网络的96x96个输入特征值，这无疑会导致网络急剧复杂和庞大。 因此，在进行特征提取后，只将反映数字特征的重要信息提供给神经网络，消除冗馀的输入量，提高网络识别的效率和
63
准确度。 采用粗糙集特征约简算法进一步简化了特征向量矩阵。
4粗糙集特征约简
特征退化是指在不改变其决策能力的情况下，从特征向量矩阵中去除冗馀特征，通常采用可识别矩阵进行特征退化计算。 本文采用的特征退化算法对生成的可辨识矩阵进行改进，得到新的矩阵，经过运算得到特征退化后的特征向量矩阵。 相对于传统方法，可以减少数学逻辑运算的计算量，更容易理解。 具体算法如下
计算特征向量矩阵的可分辨矩阵c。 考虑到可识别矩阵，如果矩阵中存在一个元素且其值是包含单个特征元素的集合，则该特征是区分对应于该矩阵元素的两个实例所必需的特征，是能够区分这两个实例的唯一特征，且包含在这些元素中的特征在提取这些特征的同时，将可识别矩阵中包含核属性的元素的值变更为0，从而得到新的矩阵。 对于新矩阵中的值取非零集合的所有要素c0(I，j )，如果制作对应的提取逻辑式Wjj=V tiO并将核属性追加到中，则各提取项成为特征的概略结果。 木屐的特征承诺简单的结果。 5实现数字识别
本文采用BP神经网络
进行数字识别，神经网络数字识别 的基本流程为：初始化—网络训练一网络识别一识别结果显示。选取300个无指针式仪表表盘图像作为初始样本，经过预 处理、特征提取、粗糙集特征约简和神经网络数字识别等环节 后，得到识别结果。整个识别过程快速准确，数字识别精确率令 人满意，如表1所示。其中“BP网络输出值”一列为网络四位输 出值中对应期望值相应位的平均值。
试验表明，采用BP神经网络方法进行无指针式仪表表盘 数字识别，结果是令人鼓舞的。利用神经网络的自适应学习能统的各个状态的变化值，看系统在不同温度时的输出与输入是 否符合实际情况。其次,在采用Hopfield网络仿真的过程中，只 看了网络的最终结果是符合用户需求的，但是没有考虑其过程。 而采用BP网络仿真的过程中，网络较好地反映了各个温度点 的系统状态，但是由于网络的训练的不可预见性以及训练过程具 有一定的随机性，这些因素对整个网络的稳定性产生了负面影 响。最后，虽然系统模型中有3个输入向量,但是最终的用户设定 温度值会与环境温度值相同，所以Hopfield网络中的稳态平衡 向量只用到了输入向量中的两个值，即环境温度及温度变化率。 而BP网络把问题转化为输入向量仍然为输入的3个向量，但是 输出变为17个温度点的系统输出值。因此，可以说这两个系统都 是从不同侧面反映整个制冷过程的，两个网络各有其利弊点。需 要说明的一点是，以上两个仿真程序中调用的函数以及建立的网 络中训练函数、学习函数、性能函数和传递函数等都是Matlab中 直接提供的，均不需要用户自己编写，可以直接调用。
3结束语
智能节能空调器的人工神经系统仿真主要借鉴了目前市场 上较为成熟和普遍釆用的智能变频空调方案，通过不断改变制
表1期望值与BP网络实际输出值比较表
期望值BP网络 输出值期望值BP网络 输出值00.09235255.00789211.00653165. 99532822.00786576.99778932.99532188.00235643.99763299.008901力，可以从数字图像中发掘有用信息，从而找到影响分类的非线 性映射关系，为快速、准确地进行数字识别提供了一种新的途 径。但是，由于在神经网络的应用研究中，研究对象不同、研究对 象的复杂程度不同以及一些固有特性的差异，神经网络模型的 结构也不同，不同的网络结构对网络的训练和识别效果都会产 生影响。除此之外，网络的学习率、动量系数、目标值的表达方式 以及训练程度等对网络也都有影响。对于数字图像本身，预处理 的算法、特征向量的提取方法等因素对数字识别率的影响也很 大。这些问题仍旧需要进一步研究和提高。
[1]qxdc.人工神经网络实用教程[M].杭州：浙江大学出版社，2001： 1-15
〔2]飞思科技产品研发中心，神经网络理论与MAYLAB 7实现[M].北 京：电子工业出版社,2005:84
[3]飞思科技产品研发中心.MATLAB 6.5辅助神经网络分析与设计[M]. 北京：电子工业出版社,2003:64-65
〔4]thdxs.神经网络与应用[M].北京：国防工业出版社,2005-64-74 [5]闻新，yldzc，懦弱的银耳汤，等.MATLAB神经网络仿真与应用[M].北京:科学 出版社,2003:329-330