论文研究-手写数字特征提取与选择的研究 .pdf

本文研究了手写数字特征提取与选择的问题，目的在于提高手写数字识别的精确度。在脱机手写字符识别的研究领域中，尽管已经取得了相当的进展，但仍然存在实用化的距离。为了提高识别性能，研究中通常会关注两个方面：一方面是改进神经网络分类器的性能，另一方面是寻找新的特征提取方法。本文集中讨论了手写数字的特征提取和特征选择，提出了5种共60维的特征集，并通过分类准则函数和直方图方法对这些特征进行筛选和优化，最终选出了33维特征，有效地降低了输入维度，并且提升了神经网络的学习效率。 特征提取是模式识别中的一个核心问题，其目的是找到一种有效的方法，从原始数据中提取出有助于分类和识别的关键信息。特征提取方法的优劣直接影响到分类器的性能。手写数字的特征提取需要关注的方面包括特征的可靠性、独立性、可分辨性以及特征数量的多少。如果特征数量过多，会导致模式识别系统的复杂度增加，同时需要更多的样本数据来训练模型，这不仅增加了计算量，也有可能引入过拟合的风险。 本文提出了五种特征提取方法，包括： 1. 八点特征：通过记录各个方向上第一个黑点出现的坐标来提取特征，每个方向（45度为一方向）上各提取两个坐标，共八个方向，因此共有16个特征（F1-F16）。 2. 笔划密度特征：在样本图像的垂直和水平方向上每隔一定行数扫描并提取特征值，最终得到6个特征值的特征向量（F17-F22）。 3. 投影特征：将字符图像划分为四个区域，对所有黑点进行垂直和水平投影，得到的投影长度作为特征，共有12个特征（F23-F34）。 4. 重心特征：利用图像的像素值计算重心位置，以此来表示字符的大致中心点，共有两个特征（F35-F36）。 5. 傅里叶变换特征：对图像进行二维离散傅里叶变换后，选取反映图像轮廓变化的离散傅里叶变换系数作为特征，共选取了24个特征（F37-F60）。 特征选择是特征提取之后的重要步骤，它的目的是从大量的特征中挑选出最有用的特征子集，以达到减少计算复杂度和提高分类准确性的目的。特征选择方法包括KW检验和直方图方法。KW检验是一种基于秩次的统计方法，通过计算不同类别中特征值的平均秩次差异来评估特征的分类能力。直方图方法则通过观察不同类别样本特征的直方图相交面积来评估特征的分类性能，相交面积越小表示分类性能越好。 在本文的研究中，首先提出了5种共60维的手写数字特征集。然后通过k-w分类准则函数和直方图方法对特征集进行选择，最终确定了33维的特征集。实验证明，这些特征具有良好的分类效果，并且降低了输入维度，显著提升了神经网络的学习效率。这为后续的手写数字识别工作提供了一种有效的特征提取和选择方法。