步骤十一:
正如上述步骤二的说明,现将其在测试图像上执行,产生一个含噪声的测试数据矩阵,如表6所示:
表6 含噪声的测试数据矩阵
步骤十二:
如上述在步骤三和步骤四中的说明,先将其在含噪声的测试图像上执行,将生成一个滤除噪声的测试数据矩阵,如表7所示:
表7 滤除噪声的测试数据矩阵
步骤十三:
如上述步骤五到步骤九的程序,将其在滤去噪声的测试图像上执行,将产生的十进制数放置在测试数据矩阵TESTMAT[][]中,如表8所示:
表8 矩阵TESTMAT[][]
D.基于原始数据矩阵计算测试数据矩阵平均误差 步骤十四:
基于表4存储的原始数据矩阵,我们可以计算出存储在二进制矩阵中的估计误差和平均误差,如表9所示。其中平均误差为31%。估计误差如下所示:
表9 估计误差数据
步骤十五:
由于平均误差小于45%,为了进行识别,我们采取必要的步骤,利用人工神经网络的技术对测试图像进行处理。
E.利用人工神经网络对识别的图像进行处理 步骤十六:
相对于原始图像的数据矩阵,前馈反向传播神经网络被用在测试图像的测试数据矩阵进行训练与测试。结果就产生了一个新的数据矩阵,我们把它命名为NEWMAT[][],如表10所示。需要注意的是,矩阵
ORMAT[][],TESTMAT[][],NEWMAT[][]的列的数目只占了原始图像或测试图像数据总列数的四分之一,因此利用人工神经网络完成训练和测试所需的时间大大减少。
表10 应用ANN后的数据矩阵NEWMAT[][]
步骤十七:
数据矩NEWMAT[ ] [ ]的每个值被转换成32为二进制数。 步骤十八:
现在32位二进制数被分为四组8位二进制数。 步骤十九:
每组8位二进制数被转化为十进制数,每个十进制数被作为每行连续四个像素的像素值。
步骤二十:
重复上述步骤十七到步骤十九的说明,直到完成数据矩阵MEWMAT[][]中所有的值。结果产生了一个新的被修改了的数据矩阵,我们把它命名为MODMAT[][],如表11所示。需要注意的是,为了便于陈述,我们取第一个10x10像素存储在表11。
表11 修改后的数据矩阵MODMAT[][]
F.估计误差和平均误差的计算 步骤二十一:
参考存储在表3中的值,我们可以计算出估计误差和平均误差的值,并存储在表11。且计算出的平均误差为14.39%。基于存储在表11中的值,可以形成图像,如图8所示。
步骤二十二:
其它的测试图像如图9,被用来进行处理和识别。 第四章结果
一些原始图像和测试图像被取出来进行处理,结果显示如表12所示。