基于GRNN广义回归神经网络的车牌字符分割和识别matlab仿真
目录
一、理论基础
二、核心MATLAB程序
三、MATLAB仿真测试结果
一、理论基础
GRNN通常被用来进行函数逼近。它具有一个径向基隐含层和一个特殊的线性层。第一层和第二层的神经元数目都与输入的样本向量对的数目相等。GRNN结构如图1所示,整个网络包括四层神经元:输入层、模式层、求和层与输出层。
输入层的神经元数目与学习样本中输入向量的维数m相等,每个神经元都是一个简单的分布单元,这些神经元直接将输入变量传递到隐含层中。模式层的神经元数目即为学习样本的数目n,每个神经元都分别对应一个不同的学习样本,模式层中第i个神经元的传递函数为:
由此可以看出,当选择出学习样本之后,GRNN网络的结构与权值都是完全确定的,因而训练GRNN网络要比训练BP网络和RBF网络便捷得多。
二、核心MATLAB程序
clc;
clear;
close all;
warning off;
addpath 'func\'%神经网络训练
net = func_grnn_train();for ii = 1:22word1=imresize(tmps{1},[40 20]);
word2=imresize(tmps{2},[40 20]);
word3=imresize(tmps{3},[40 20]);
word4=imresize(tmps{4},[40 20]);
word5=imresize(tmps{5},[40 20]);
word6=imresize(tmps{6},[40 20]);
word7=imresize(tmps{7},[40 20]);%第1个
words = word1;
wordss = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I] = max(wordsss);
d = I;
y{1} = func_check(d);%第2个
words = word2;
wordss = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I] = max(wordsss);
d = I;
y{2} = func_check(d);
%第3个
words = word3;
wordss = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I] = max(wordsss);
d = I;
y{3} = func_check(d);
%第4个
words = word4;
wordss = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I] = max(wordsss);
d = I;
y{4} = func_check(d);
%第5个
words = word5;
wordss = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I] = max(wordsss);
d = I;
y{5} = func_check(d);
%第6个
words = word6;
wordss = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I] = max(wordsss);
d = I;
y{6} = func_check(d);
%第7个
words = word7;
wordss = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I] = max(wordsss);
d = I;
y{7} = func_check(d);figure(1);
subplot(241);imshow(word1);title(num2str(y{1}));
subplot(242);imshow(word2);title(num2str(y{2}));
subplot(243);imshow(word3);title(num2str(y{3}));
subplot(244);imshow(word4);title(num2str(y{4}));
subplot(245);imshow(word5);title(num2str(y{5}));
subplot(246);imshow(word6);title(num2str(y{6}));
subplot(247);imshow(word7);title(num2str(y{7}));pause(2);end
NAME = ['车牌图片test\',num2str(ii),'.jpg'];
I =imread(NAME);
figure(1);
subplot(121);
imshow(I);
title('原图');
I1=rgb2gray(I);
subplot(122);
imshow(I1);
title('灰度图');
%小波变换车牌定位
Ip = func_position(I,I1,1.2,80);
figure(2);
subplot(131);
imshow(Ip);
title('车牌区域');
%通过心态学处理,提取车牌区域
Ip = double(bwareaopen(Ip,100));
%膨胀
se = strel('ball',100,50);
Ip2 = imdilate(Ip,se);
%确定灰度阈值
level = graythresh(uint8(Ip2));
Ip3 = Ip2;
%二值化
[R,C] = size(Ip2);
for i = 1:Rfor j = 1:Cif Ip2(i,j)>255*levelIp3(i,j) = 1;elseIp3(i,j) = 0; endend
end
subplot(132);
imshow(Ip3);
title('去掉干扰');
Ipos = func_Pai_Position(I,Ip3);
subplot(133);
imshow(Ipos);
title('车牌提取');
pause(0.05);
三、MATLAB仿真测试结果
A10-50
基于GRNN广义回归神经网络的车牌字符分割和识别matlab仿真相关推荐
- 基于GRNN广义回归神经网络的飞机引擎剩余使用周期预测算法的研究
目录 一.理论基础 1.1数据分析 1.2特征提取 1.3GRNN 二.核心程序 三.仿真测试结果 作者ID :fpga和matlab CSDN主页:https://blog.csdn.net/ccs ...
- 【姿态识别】基于HOG特征提取和GRNN广义回归神经网络的人体姿态识别matlab仿真
1.软件版本 matlab2013b 2.本算法理论知识 GRNN广义回归神经网络的理论基础是非线性核回归分析,非独立变量y相对于独立变量x的回归分析实际上是计算具有最大概率值的y.设随机变量x和y的 ...
- RBF神经网络、GRNN广义回归神经网络、PNN概率神经网络
RBF神经网络介绍 RBF神经网络能够逼近任意的非线性函数 RBF可以处理系统内部难以解析的规律性,具有良好的泛化能力,并有很快的学习收敛速度,已成功应用于非线性函数逼近.时间序列分析.数据分类.模式 ...
- m基于GA遗传优化的GRNN广义回归神经网络销售数据预测算法matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述 随着市场经济的发展和全球化,国内外企业面临着越来越残酷的市场竞争,要想赢得竞争,赢得市场,从事商品销 ...
- 神经网络学习笔记(二)GRNN广义回归神经网络
广义回归神经网络(GRNN) 广义回归神经网络是径向基神经网络的一种,GRNN具有很强的非线性映射能力和学习速度,比RBF具有更强的优势,网络最后普收敛于样本量集聚较多的优化回归,样本数据少时,预测效 ...
- GRNN广义回归神经网络
广义回归神经网络(GRNN) 广义回归神经网络是径向基神经网络的一种,GRNN具有很强的非线性映射能力和学习速度,比RBF具有更强的优势,网络最后普收敛于样本量集聚较多的优化回归,样本数据少时,预测效 ...
- python圈出车牌字符_Python+OpenCV实现车牌字符分割和识别
最近做一个车牌识别项目,入门级别的,十分简单. 车牌识别总体分成两个大的步骤: 一.车牌定位:从照片中圈出车牌 二.车牌字符识别 这里只说第二个步骤,字符识别包括两个步骤: 1.图像处理 原本的图像每 ...
- 分别使用BP神经网络和SVM支持向量机进行乳腺癌识别matlab仿真,输出识别率,召回率以及F1
目录 一.理论基础 二.核心程序 三.测试结果 一.理论基础 乳腺癌是全球第二常见的女性癌症.2012年,它占所有新癌症病例的12%,占所有女性癌症病例的25%.当乳腺细胞生长失控时,乳腺癌就开始了. ...
- 基于OCR模板匹配的手写英文字母数字识别matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述 OCR技术中使用模板匹配法时首先要建立标准的模板字符库,接着将待识别字符图像与模板字符库中字符进行匹 ...
最新文章
- PHP 的 cURL库快速入门文档
- winFrom简单引用Webservice
- [转载]html5教程
- 多线程的操作与数据绑定
- Spring3之Security
- python爬虫机器人价格_Python
- BZOJ 1008 [HNOI2008]越狱
- boot分布式计算 spring_腾讯T4大佬剖析SpringBoot2 :从搭建小系统到架构分布式大系统...
- C++之运算符重载(前置++和后置++)
- 6-3 二叉树的重建 uva536
- java运输_JAVA-基础-方法
- 应考虑字节顺序(大小端问题)的几种情况
- 业内较好的监控mysql_MySQL监控、性能分析——工具篇
- 如何实现大批量UKEY远程连接管控?
- Unity安装问题--闪退,进度卡住,,报错不完整
- 码率/比特率完整介绍
- python的十句名言_程序员的二十句励志名言,看看你最喜欢哪句?
- 浅谈IC卡与ID卡重大区别
- linux下载pip
- 加拿大卫生部药品信息数据查询
热门文章
- 低代码开发助力家电行业快速搭建售后服务工单管理系统-中易YiTS系统
- [Unity]ShaderGraph问题所有材质丢失Maximum number (256) of shader keywords exceeded
- 如何在WorkNC建立异形刀和刀具库
- WorkNC轻松几步导入刀柄轮廓
- Word去除页眉下的横线
- 如何找寻高质量免费机器人工程资源自学提升
- 交换机上如何测试出口带宽速度_万兆NAS模拟测试:是什么限制了性能?
- 深度学习FPGA实现基础知识2(深度揭秘百度大脑AI专有芯片 缘何用FPGA而非GPU?)
- 知乎最高赞回答!零代码基础,把报表做出科技感是什么体验?
- canvas 制作动画(上)