1、“.....张老师严谨的治学态度，广博的学识和平易近人的性格都深深地影响着我。徐老师良师益友般的教诲和帮助将使我终生受益，在此，谨向我的导师张哲老师徐小君老师表示最衷心的感谢,我还要感谢学院和电气系的各位老师，感谢他们四年来对我们的关心帮助和支持。同时，对同组的其他成员的大力帮助表示感谢。在这个团结奋斗，严谨求实的集体中，我获得了不断进取的动力。父母之恩，无言以述，感谢他们这么多年来默默的操劳和奉献，是他们的支持，基于的数字识别系统的设计与实现才使我能够有充裕的时间和充足的精力顺利完成学业。最后，对给予我大力支持和帮助的各位老师朋友和同学表示最衷心的感谢,分灵活。种方法是先使用小尺寸窗口，后逐渐加大窗口尺寸，直到中值滤波器的坏处多于好处为止。另种方法是维滤波器和二维滤波器交替使用。此外还有叠代操作，就是对输入图像重复进行同样的中值滤波，直到它不再有变化为止......”。

2、“.....对离散阶跃信号，斜升信号不产生影响，连续个数小于窗口长度半的高基于的数字识别系统的设计与实现图中值滤波示例阶跃斜坡单脉冲双脉冲三脉冲三角形离散脉冲将被平滑，三角函数的顶部平坦化见图令为常数，则中值滤波后，信号频谱基本不变。锐化图像的锐化处理主要用于增强图像中的轮廓边缘，细化以及灰度跳变部分，形成完整的物体边界，达到将物体从图像中分离出来或将表示同物体表面的区域检测出来的目的。它是早期视觉理论和算法中的基本问题，也是中期和后期视觉成败的重要因素之。与图像的平滑处理样，图像的锐化也有很多处理方法，如针对平均或积分运算使图像模糊，可逆其道而采取微分运算，使用高通滤波器优化高频分量，抑制低频分量，提高图像边界清晰度等。在设计中我选择使用了梯度锐化法对图像函数其在点......”。

3、“.....，的幅度为，在后面的讨论中，均以上式为基础。现在约定把，叫做梯度，而不再说，是，的幅度。对离散图像而言，可用差分近似表示上式，种常用的近似关系式是，为便于编程和提高运算精度，在些场合可进步简化为，还有种罗伯特梯度的算子，表达式是，对应的绝对值表达式是，式和式中各因子之间的关系分别如图所描述。对照此图是很容易记住梯度差分表达式的。式是沿水平轴和垂直轴两个方向的微分和，是取正反旋转度两个方向的微分的和。水平梯度锐化法罗伯特锐化法图二维梯度的两种差分算法知道了梯度，后，如何确定锐化输出......”。

4、“.....简单。但是，均匀的区域，因梯度值，很小极端情况下甚至为，会表现出暗的特性，这在有些场合是不适宜的。基于的数字识别系统的设计与实现辅以门限判断该方法基本上不破坏图像背景，又可增强图像边缘。给边缘规定个特定的灰度级，即，给背景规定特定的灰度级二值图像梯度是向量，各向同性，梯度方向对应与，最大变化率方向上，即梯度幅度比例于相邻像素的灰度级差值。在灰度陡变区域，梯度值大在灰度相似区域，梯度值小在灰度级为常数的区域，梯度为。熟悉梯度的这些性质，根据不同的目的选择不同的算法，就能获得满意的锐化效果。字符切分数字识别常用于邮政编码的自动识别和支票的检验等。在这些应用中，给出的数字往往是互相牵连......”。

5、“.....所以为了获得可以进行识别的输入样本表达，必须进行数字之间的分离，消除不必要的记号和符号。经过文字切分得到的个个独立的样本，可以用于进步的处理。通常可以依据两种原则进行分割。是依据各个象素点的灰度不连续性进行分割是依据同区域具有相似的灰度或组织特性这特征，寻求不同区域之边界。前者称为基于点相关的分割技术，后者称为基于区域相关的分割技术。本设计中选择使用基于灰度阈值的全局阈值化方法这是种最常用同时也是最简单的分割方法，它特别适用于对象和背景占据不同灰度级范围这类图像。此时，我们只要选取个适当的灰度级阈值，然后将每个象素灰度和它进行比较。超过阈值的重新分配以最大灰度例如，低于阈值的分配基于的数字识别系统的设计与实现以最小灰度例如，那么，我们就可以组成个新的二值图像，并成功地把对象从背景中显露出来。在分割之前进行背景平滑和噪声消除，常常能改善分割的性能......”。

6、“.....为了便于提取数字特征，需要对样本进行尺寸大小规化，或者说是将数字的长度和宽度都调整到充满整个的网格之中。细化在传统的模式识别中，对于数字的特征提取往往是从字形结构的提取入手。因而人们认为在二值化的字符图像中，对识别有价值的字符特征主要集中在字符的轮廓或者骨架上。基于这种认识，在经过以上几个步骤的处理，得到干净平滑规范的样本集合之后，往往要进行细化。即将字符中的粗细不等的笔划变换成只有层像素点构成的统的笔划。细化的基本原理都是从字的边界开始逐层移去黑点，直到寻找到个集合，此集合与其边界相重合，这种方法被称为脱壳算法。关于细化及快速细化的算法有许多，比如快速细化算法，算法简称，算法简称等。经过上面几个步骤的预处理变换，则可以获得种简单像素点输入样本表达。对传统的识别系统，这种样本不能直接进行识别，以上的步骤只是为特征提取选择打下基础。而对于神经网络识别系统......”。

7、“.....但是，这种简单的原始二值表达式在代表数字时有下面几点不足样本维数很大，而中间许多特征不定有用没有将那些真正反映数字特点的特征突出出来对于不同数字的外围或边缘及主干特征并没有考虑进去，这样对些有相似部分的数字容易出现误识。由于上面三方面的原因，在神经网络模式识别中，我们要用带污染的输入量去训练神经网络，使其具有定的抗干扰能力，这样对所要识别的数字，能达到更好的识别率。网络在数字识别中的应用算法的流程图如下图所示......”。

8、“.....分别用个向量来表示。个含个元素的输入向量被定义为个输入向量矩阵，向量代表个数字，其相应有数的位置值为，而其他位置值为。共有两类这样的数据作为输入类是在理想的状态下的信号另类是随机方式生成含有噪声的信号。如图所示。图理想信号上含有噪音的信号下网络通过输出个具有个元素的输出向量来区分这些数字字符，例如字符对应的向量，其第个位置的元素值为，而随后位置的元素值都是。确定好输入输出后可进行网络结构的设计。第层为输入层，根据以待识别的数据分析可确定神经网络输入层有个节点第层为隐含层，大，思维就会越来越开阔。有时候个会困扰我很长时间，只有不断的想新方法去尝试最终都会得到解决，经验就在次次克服中不断丰富。第章数字识别的发展与应用数字识别有着极为广泛的应用前景，这也正是它受到世界各国的研究工作者重视的个主要原因。下面我将介绍基于数字识别的应用系统的特殊要求......”。

9、“.....基于数字识别的应用系统的特殊要求尽管数字识别与般的文本如汉字，英文等识别同属于光学识别的大范畴，从应用的角度出发，数字识别系统有很多特殊的要求识别精度要达到较高的水平基于的数字识别系统的设计与实现在般的文本识别中，信息的冗余较大，有充分的上下文信息，因而对识别的精度要求不是十分高就足够了。而在数字识别中，由于没有上下文关系，数据中的每位数字都至关重要试想在财务报表中，把，元认成，元，从字符的角度仅认错了个数字，但对用户而言，这是个绝对不能容许的。般来说这类实用系统的精度至少应在以上。前面己经提到，高性能的自由数字识别是个很困难的问题，至今为止还没有什么方法能与人的辨识能力相比，那么在目前的技术水平下，为了达到高精度，必须满足如下要求要求书写者用规定的字型认真填写，避免使用些容易造成混淆的变体。这个限制对用户可能是很不方便的......”。