BP神经网络手写数字/字母识别 matlab代码 数字或者字母 有数据集训练 bp神经网络训练...

BP神经网络手写数字/字母识别 matlab代码 数字或者字母 有数据集训练 bp神经网络训练 有图像处理部分 可以识别字符串 直接运行

最近在搞一个有意思的小项目——用Matlab实现BP神经网络的手写字符识别，不仅能处理单个数字/字母，还能直接识别完整字符串。实测效果还不错，代码直接扔到Matlab里就能跑，咱们边看代码边聊实现细节。

先看图像预处理部分。原始图片都是手机拍的作业本照片，噪点不少：

% 读取原始图像 img = imread('test.jpg'); gray_img = rgb2gray(img); binary_img = imbinarize(gray_img, 'adaptive'); % 自适应二值化 denoised_img = bwareaopen(binary_img, 50); % 去除小面积噪点 figure, imshow(denoised_img), title('预处理后的图像');

这里用了形态学操作去噪，实际测试发现面积阈值设50能有效去掉散点又不损伤笔画。接着要分割单个字符，这里用边界框检测：

% 字符分割 stats = regionprops(denoised_img, 'BoundingBox'); for i = 1:length(stats) rect = stats(i).BoundingBox; char_img = imcrop(denoised_img, rect); char_img = imresize(char_img, [28 28]); % 统一尺寸 % 存储分割后的字符图像 imwrite(char_img, sprintf('char_%d.png', i)); end

注意imresize这步不能少，神经网络输入层需要固定尺寸。这里统一缩放到28x28，和MNIST数据集保持一致，方便迁移训练好的模型参数。

神经网络结构是经典的三层BP网络：

net = feedforwardnet([200]); % 单隐藏层200节点 net.layers{1}.transferFcn = 'logsig'; % 隐藏层用Sigmoid net.trainFcn = 'trainlm'; % Levenberg-Marquardt算法 net.trainParam.epochs = 1000; % 最大迭代次数 net.trainParam.goal = 1e-5; % 目标误差

输入层784节点对应28x28图像，输出层根据识别目标设定。比如识别大写字母就是26个输出节点。这里有个坑要注意：输出标签要做one-hot编码，字母A对应[1 0 0 ...]，B对应[0 1 0 ...]这样。

训练部分的代码反而简单：

% 假设train_data是784xN的矩阵，train_label是26xN的矩阵 [net, tr] = train(net, train_data, train_label);

重点在数据准备环节。建议用已知数据集先跑通，比如MNIST数字或EMNIST字母。自己采集数据时记得要多角度光照、不同书写风格，否则实际应用时容易翻车。

识别单字符时要做预处理对齐：

function char = recognize_char(img) global net; % 加载训练好的网络 processed = preprocess(img); % 和训练时相同的处理流程 output = sim(net, processed(:)); [~, idx] = max(output); char = char('A' + idx - 1); % 转ASCII码 end

扩展到字符串识别就是逐个处理分割后的字符。实测发现，字符间距过小时regionprops可能误判，这时候可以改用投影法分割，或者上CNN搞端到端识别——不过那就是另一个故事了。

完整流程跑下来，识别率大概能在85%左右。想再提升的话可以试试这些招：

1. 数据增强：给训练集加旋转、平移、噪声
2. 改用ReLU激活函数+交叉熵损失
3. 加Dropout层防止过拟合
4. 集成多个神经网络投票

代码仓库里已经整理好了数据集和完整实现，需要的小伙伴评论区自取。遇到字符分割不准的情况，可以试试调整bounding box的扩展系数，有时候给矩形框加点padding有奇效。