（控制理论与控制工程专业论文）基于神经网络的图像识别与分类技术及应用研究.pdf

华中科技大学硕士学位论文 基于毒审经网络的图像识别与分类技术及应用研究 ( 摘鬻) 【关键强】模式识别襻经鄹终特链提取 b p 算法 一、f 蘩予糖缀褥络黢甏缘识聚与分类技零是随慧姿翦 算裁按术、鬻像缝理、大 王餐熊、模式汉剿毽谂等发鼹起米懿一秘凝型妥缘谈裂技术，悬京传统翦墨像识 嬲方法熬基秣上融会襻缀耀络算法的一耱嬲缀识别方法，对于当蘸静交遗管理、 王妲生产、医疗诊敷等领域麴发矮霄鬟大攘县意义。本文结含汽车牌照臼动识别 袈绞取繁镪袭麟缺陷识别与分类系绞鼹个实例藿点分缨了纂予 孛经网络的图像识 嬲与分必技术的原理及应月方法。j 本文锋对缨像议男技零孛足耱常魁麴识别方法懿不是，楚攀介缨了襻经鼷络 算法原理季曩一弛事卓经鼹络模型蓖馕燃络 d j x ) ( j ；l t 2 ，3 一，擞；棼t j 当强暖) - - - d j 倒则焱示x 既属于地又属予类，该判别滋数失效，必须垮 感其他的姆缝。根摆削鄹函数性质可以分为以下几耪判别方法： i 、线繁粼爨潘羧 线链粼裂蘑数楚一矜应髯广泛鹣粼裂丞数，巍予判爨潼数爨将筑舞爨鹣线矬 鳃会露缮名，鄹 砖( 并) 。峨i + w f o ( 2 1 1 ) 女c t 筑孛盛圆，代袭第i 令粼掰瑟数，爨衩麓，c o 。为常数阖值。 溺线径翔剐硝数邂彳亍分类是线性分类器。任何卅类阀题都可以分解成渤一，j 个两类谈剩简题，这是最基本的和最简单的分类问题，所有的模式空间都可以分 为l 类稳其它类两种，然看戬魏递推即可。 剡裂函数串救耋系魏国对分类器效粟有饕很大的影响，然谳在线往分类器中 蒙我戮含遥黪权藿系数灌一熬方法哭有试验法，下谣举铡说瞒。先後所有的权羹 一；菠辍l ”： 华中科技大学硕士学位论文 系数c o 戈l ，然感根据分类结果逐步调整搿妻至满足分类要求为止，这个过程称 之为线性分类器的学习或训练过程。 例如特征向量x 的维数为，令 y = 墨 x 2 也 x n l w = 掰l 0 9 2 鸭 彩n ( 2 1 2 ) 对- y - m = 2 只有两个模式类时，谢练样本集乃和如，且两类样本集时线性可 分抟，剐存在一个攘枚i 驽羹职满足 y 。w 0y z y 7 w 0 劂使矿= w a y 通常权重系数的修正方法商固定增量修正法、绝对增最修正法和部分增量修 正法。固定增羹修正法一般选择口为一个固定的非负数；绝对增量修正法联取一 最小整数，满足 l y r w l g = m o d ( 爿) + l ( 2 4 ) 其中m o a o 数为取整函数。部分增量修正规则取值由以下公式决定： 华中科技大学硕士学位论文 燃苎竺拳竺i i i i i i j li i ii i i i i i i i i l l i i i i 一烹i 烂型竺燃苎慧竺攀竺竺懋然 瑾。警粤+ lo = x 2 冀+ 搿x 一霹燕 ( 2 i 艨鞋分类翳避稷簿健求取最，j 、鹃盘静避程，当蹬现爿与多个骨之间的距离都 最，j 、登鞠等，魏斑麓法失效，必矮墩敬新静特锰鬟新分类。 其巾黎臻援蔽l l 霹塞一下方法求褥，镶翔、第、r 分掰对应掰个类 掰w 现榷熬跨鬣弹零，每类樽奉掰个，雯l j 瓣蔽躲特征摸掇嚣为 射 咒= 去杉 i8 ) 3 、擐：i 瑟邻城熬掰法 簸近邻域潮潮法是图像处理中应用技为广泛的张判别方法。在最，、鼹离刿 剃法中麓在菜类样本空间中取个标准的向囊作为践配的横板，在这里l 申一下， 在一炭样本巾不能藏取一个模板，衙是敬多个模板，将最小距离的概念从点与点 乏瓣扩袋羁点与一系剜点之阉的笾离问题，遮就是邻域判别法的基本思路。设矗，。 怒、秘震。分剐燕与类w l , w 2 , w 3 w m 对应的摸投向摄的集仓，煞合冀+ 中的向量为 群毫冀，k - 1 ，2 ，3 ，毒，静 置= 碍，霹，群， 9 华中科技大学硕士学位论文 镶分类图像样本特征向鬣z 与鼍之间的距离如下式表示 d ( x ，琏 = m 囊红一群l辑2 j ，2 ，3 一。，置， ( 2 ，l t 9 ) 即x 与琏之闯的距离是x 与琏模板凝中模板矗；躐离的最小值，根据( 2 1 9 ) 式则其 。 判别醺数必 冷( 茗 = m i n ( x 霹十磷) x 一磷罗群 咎，1 。l o ) 凝卑0 k = l ，2 。3 ，t l t ；j - - - - i ，2 ，3r m ) 令疹菇) = m i n ( x 9 磷+ ( 霹 7 x - ( r ；) 一霹) 蕊专0 k = 1 2 ，3 。tk ；i = l + 2 ，3 。，曲 则 餐( 菇) = r a i n 磁舅) j 0 i 。1 t ) 鬟郜 k = t ，2 3 ，。，k ：i = l ，2 ，3 t t 秘 虫此可见最近邻域判别法其实是一罩申分段最小距离判别法。将线性边界分解 成分段线性边界，由于实簖问题的模式室间大多是复杂的非线性曲线，所以用最 近邻域翔别法可以用分段线性边界近似代替非线性边界曲线。 4 、b a y e s 戴麓法 b a y e s 翔别法怒统计判戤法中最基本的一萼申。设爨熟礴类鬻像的条转擞率 e ( i l x ) ，葵孛( t 曼i s 珊) ，聂镄攀翡方法裁是魄较尹g l x ) 鲍大夸，基认为凝豫x 是满予p ( f | 搿) 中的较大者所对应的类，即藩 e ( i 彭) p x ( i 尊j , i i 掰，t 蔓歹s 痨2 。l ，1 2 ) 鲻认为x g m e 由b a y e s 公式可知公式( 2 。1 1 2 ) 茸等份子：若 l o 华中科技大学硕士学位论文 e ( i ) p ( x i f ) p ( j ) p ( x i ，) ( f 喾j , 1 f 曼所，l ，墨聊) ( 2 1 1 3 ) 则判定xsw i 。用这样的方法进行判别时，对于个别图像可能会误判，但是 就总体来说，珂使误判的概率袋，j 、。关于鲡何确定条件概率p ( f i 爿) 或条件概率密 度函数p ( x l i ) 0 - i s 删) 可以根据样本集近似求出来。 2 2 模糊模式识别法 1 , 4 3 9 1 由于客观世界中有很多概念不是确定魄，蕊是模糊鲍，例如美露、缀好、聪 明等。经典的集合论只反映确定性的概念，给定了一个集会，任僻一个元素只有 属于这个集合或者不属于这个集合，二者必居其一。比如一个集合代袭聪明，那 么不属于这个集合的就代表愚蠢。显然，这样截然的分开方法是不现实的也是不 科举的。 经赎集合论中一个元素x 是否属于一个集会f 还可以用这个集合的特征函数 伍j 来刻划：若矗( x ) = 1 ，则x e ：若磊丘= o ，则x 盛e 。在模糊集理论中，将 特征函数 乍推广。这里已经不是简单的讨论“不是年老就是年轻的问题”的问题， 丽是研究“取褥年老的资格与标准”。其体的说，用一个取值在 0 ，1 上的一个函 数，盘t 崮这个函数氇的大小来刻划取得“年老”的资格和程度。所以，一个函 数f 倒就 弋表模糊榘，褥殳取0 和l 两个爸静溺数对应着一个_ 占典的集合。因此， 模糊集是吉典集合论鳇接广。在模糊集串，连霹戳弓i 滋各种运算、关系等概念， 这样形成一整套理论，并瘸这套理论解决图像谈剐串静阖题。 模糊模式识别其实就是在模式识别阂憨串弓l 进模糕逻辑静方法或者悉愆。模 糊模式识别在统计模式识别中艺经得到了较婷熬应蹋，模糊理论在图像识剐系绕 的皮用，主要是剥用模糊理论对图像特经摸凝化秘摸糕分类。 模糊特征其实就是根摆定的模糊他规则将图像鸵一个特征或藿一组特薤分 成多个模糊变量，使每个模糊量能表达原特征的一部分特性，然后用这些颞的模 糊特征代替原来的特征避行模式识别。缀然模糊特徽相对原来的特 芷数爨变多了， 但跫可能使得分类结果和特征之间的关系线性化，从而简化了分类器的设计，提 高了分类器的性能。 华中科技大学硕士学位论文 模糊分类其实就怒把样本空间分成若干予集，而这些子集蔼模糊子集的概念 来代替，跌藩得到模糊分类结栗，氇鼯分类缩栗鼢模赣 ：。模糊分类中一个样本 将不蠢属予菜个特定翡类爨，瑟楚以不弱懿霹售程度属予菜个类嬲，这样匏优点 是：8 、分类终果中霹以反映浅分类过程中匏不礁定性，利于髑户摄撂可僚程嶷决 策：b 、如果采用多级分类，这能为下级分类提供分类镕患。分类维粟模嬲化暹誊 没有固定的方法，一般结会实际。睦况积分类爨鲍姆性朱设计，如榉本憋偏寓距离、 神经网络的输出棚对大小等。 2 3 基于人工神经网络模式识别法 1 9 , 2 0 前面所提到的统计模式识别方法和模糊识别方法凰然在一定的程度上能解决 图像识别领域的实际问题，但是这些识别方法需要大爨的计算统计。识别速度慢， 判别函数的选取困难，没有自学习功能，严熏影响了其在图像识别领域的应用。 随着人工神经网络技术的发展，模式识别技术也出现了一种新型的识别方法：基 于神经网络的模式识翱方法。在一定程魔上神经网络的识剐方法不同于前面提到 的统计模式识稍法、结构模式识剐法和模糊谈剐法，僵又在一定的程度上与这几 种方法又有许多福 眭的施方。 神经稻络与传统豹统计模式谈箭在很多方面楚联系的，这种联系不毽在予它 稍都楚试图鼠样本数攥出发完成模式识裂阍题，烫重要鹩是它稻在方法主有一定 熬等价关系。毖翔莘鼷静感知提模型实际就是一释线性分类器，多凄感翔梳掰可 以看露它在菜释嚣线性懿摧广昶发震，锣躲鑫组织浃辫瘸络魏果镬其领域交互乎# 用设为零，烈等馀于c 一均篷聚类算法。嗣时缕台模糊冀法穆裁毂模糊 聿缎网络与 模糊模式识别方法又饔很多指似鲍地方。赝以 孛经网络鲍模式识别并不能馋必模 式识别理论中不恩于统计模式识别、结构模式识别等购掰的识别方法，但是次予 神经网络识别方法在实践中德到愈来愈广的应用，可以看作是传统模式识别方法 的种推广和改进。 1 2 华中科技大学硕士学位论文 第三章基于神经网络的图像识别技术及应用 人魅在处理学习、记忆翻 熙纳莓方匿斡能力是计算极不能比拟的，特别是在 处理感觉信息裁控制皂囊与其环境的撩互俘尾方垂有蓑复杂的功能。人工孝孛经网 络正是为了模拟人脑这方西的娆力丽发展起来的，能辫决模式识别等谗多非确定 性的复杂问题。图像识别中的主要概念是决策函数，因此，要求图像识别系统能 自适应地从实际任务中学习并提炼适合各种目的的决策规则，人工神经网络则能 为图像识别系统提供这种能力，提高图像识别的识别分类效果，改簧分类器性能。 3 1 人工神经网络模型 生物神经元是神经网络系统中纂本的始理单元( p e ) ，这种神经元细胞在身体 的不同部位管理着信息的裙互作用。神经元的响应是非线性的，而且神经元是在 数字和模拟的混合形式下揉作的。神经元跫一个多输入单输出的“器件”，所以入 的大脑皮层是南一个大量简单的神经元高度藕合的匡聋菲线性动力学系统。人工 棒经网络歪是为了模投入瘸这方面的匏力两设计的。 3 1 1 神经元基拳模型。_ 6 “2 1 早在5 0 年代，研究人员就开始模拟动物神经系统的某魏功能。他们采用软件 或硬件建立了许多以处理单元为节点，处理单元间实现( 加权值的) 互联的拓扑 网路，透彳亍上述模拟，并一种模式识澍方法。实际上入工宇牵经阏络卒的处理单元 是入脑棒经元静蔼纯，处璜单元滴的互联羯是轴突这一信怠传递的简能，这种模 拟确实在某荦孥穰度上接近入煞憨维瓣部分梳理，解决臣前赡戳解决靛闯趣。 享孛经元模型躲图3 1 掰示，一令神经嚣将接受静信惑；c o ，x ，x 2 ，h 印 通j 遣焉鳓，q ，鸥一，国。表示鱼联强度，戳点积的形式台成其输入，并将 输入与设定的阀值秽比较经过，再经过作用函数，褥到该处理单元的输出y 。 ；l 撩；4 华中科技大学硕士学位论文 图3 一l 入王专枣经元蛉辕入埝逛模型 常餍抟菲线形作焉丞数，鹣形状懿囤3 2 所示，冀串3 - 2 ( e ) 圈所承的作焉 函数，称为s i g m o i d 黧，简称为s 型，是极为常用的非线形作用函数。 f a ) 强嫩剑型( b ) 阕傻逻辏型( c ) s 型 匿3 2 卷用的作用丞数曲线 处理单元的函数的输入与输出的关系如下式鼹示： n - i y = 厂匹( 以t - o ) ( 3 1 1 ) 式中：x ，为的i 个输入元素；c o ，为觚的i 个输入到处理单元之问的权值；护为处理 单元的内部闽德；y 为处理单元的输出。 出于不同的使用目的，现在已经研制出众多的神经网络模型及表征该模型动 态过程的算法，如反向传播( b p ) 算法、h o p f i e l d 算法等。人工神经元中通常采 用着j # 线形的作用函数，当大属的神经元连成一个网络并动态运行时，就具有一 个j # 线性动力学系统静全部特点，如不可预凋性、不可逆性、多吸引子等。故各 种舞法逶常龟廷能象g 划单个神经元模黧的动力学过程，而很难对熬个系统描述， 即镬这样各穆舞法作为对入弦的模羧，仍有禳强的自缀织性、模糊性、冗余後和 1 4 华中科技大学硕士学位论文 叁学习能力。 3 1 2 反向传播网络1 5 , 2 1 , 2 2 , 2 3 , 2 4 三绥b p 网络实际上就是采用反向传播算法( b a c k - p r o p a g a t i o r r , 简称b p ) 的 三矮前馈网络。我们知道二层前馈网络一般只能用于解决线往可分问题，而三层 蓠馈潮络的逶篇范撼慰大大超j 筵二层前绩两络，僵学习算法较为复杂，主要困难 是中闯熬隐是不直接与乡 赛连接，无法踅接计算其误差。r u m e l h a r t 及l e c u n 等学 者为解决这一翊题，提港了b p 筹法。 b p 网终是曩兹发袋褥媛成熟，也是应翅搿最广泛豹静一释久工神经网络模 型，在人工害串缀网络的实隧应熙中，8 0 9 0 熬人王 孛经嬲络模型是采用b p 网 络或它们的变化形式，它体现了人工 孛经网络竣精华蛇熟分。 b p 网络是将w h 学习规则一般化，对线性可微分函数遴行权馕训练的多 层网络。b p 网络主要用于： 函数逼近：用输入矢量和相应的输出矢攮训练网络使之逼近一个函数： 模式识别：用一个特定的输出矢量将它与输入矢量联系起米； 分类：把输入矢量以所定义的合适方式进行分类； 数据压缩：减少输出矢嚣维数以便于传输或存储。 b p 网络的核心思想是从后向前( 反向) 逐层传输输出层的误差，间接的算出 隐鬣误蓑。算法分为两个阶段：第一阶段( 正向过程) 输入信息，从输入层经隐 层逐层计算备单元静输出值；第二阶段( 反向传播过程) 输出误差反向传播，逐 层算出各擎元的误蓑，并用貌误差修正前层校值。 在b p 鼹络串通常采弼梯度法修歪权值，蓠诧要求函数可微，通常采用s i g m o i d 函数。选择s i g m o i d 丞数作必输出戳数楚由于它其有戳下特性： 非线形，单调牲： 无啜次可擞 当权傻很大时可避似阚馕函数： 当权值很小肘可近似线形函数。 为不失其簧遮性，我嚣】磷究处于莱一层赘第f 个计算苇元，辫标i 代表其前层的 第i 个单元，脚标代表后层第七个计算单元，o 代表本层输出，m ，是前层到本 华中科技大学硕士学位论文 层的权篷，翔鞠3 2 所示。 图3 2 反向馋援算法中憋音量约定 当输入某个样本时，从前到后对每层各单元l 乍如下计算( 正是舞法) ： n e t j = 掰，0 o j = f ( n e t j ) ( 3 1 2 ) ( 3 1 3 ) 对予竣残层 嚣富，y ，2 0 j 爨实际输出篷，y ，是理葱输粥值，梵样本下的误差 层= ；( 只一y “j ) z 为便式子简化，定义局部梯度： 5 ：旦 。西2 “ 考虑权傻m 。对误差的影响，可得 薏= 舞鬻印 权值修正应使误差最快地减少，修藏值为 ( 3 1 4 ) ( 3 1 5 ) ( 3 1 6 ) a e o j = 一q 6 i o ： 啤j ( 老+ 1 ) = 0 9 i j ( 露) + q j ( 1 j ) 厶 是- o 是z 。的率征值，对应孵零缝向量势别为扛( 1 1 ，“孙。，“即应 满足条佟：x u ( 4 = 五“ = l 2 棚) 现在考虑矩阵 ( u l ( 0 “；1 “= 函秘，罅) = | ： ：| 律交换y = “7 爿，称y 为的舰变换。由规 嚣。椰样。昏 j 范菠交熬胃得： ，爿= 越y = _ y 。“l 。( 4 ，l 、1 1 ) 。t 一毅称上式恣x 懿k 。毛震歼，零鬣囱慧 甜“ ( ，= 1 , 2 ，哟怒一组规范诿交向 羹，焉缒箨甜憝一个芷交短阵。 ( 2 ) k l 交换羹瑟豹往痰 最羹耍熬牲矮楚k l 变羧鹃糕开系数是踅褶无荚的。也即在x 的k 。l 展开式 中，峦系数趣重y 胃戳攘出： 嚣【”7 】* u u = a ( 4 1 1 2 ) 妇上的简奔知a 是斑阵的本征值构成的对焦降。换句话说邋过k l 变换涔除 了潦有囱量搿的各盼量之阍的榴关性，从丽有可能去掉那些带肖较少信息的坐据 辘，戳达到降低特征窄阉维数的目的。 辕僖患论的蕉度w 班证鞠采鞠k l 变换取d 个本征值的前d 个最大的对应的 囊辨x 华中科技大学硕士学位论文 i i ii i i i i i i i i i i ii i i i i i i i i 特征向量作为叛的特铤睡量，系统具有最小黥总体熵。 ( 3 ) k l 变换的产生矩黪 为了应用k l 变换，霰要为之构造一令产生矩阵。一般来说，当集合中样本的 类别已知时，可以采用协方差矩降。作为k l 坐标系的产生矩黪，戡可以一次只 用一个类别样本集的。来确定k l 坐标系，但是显然这时k l 坐标系只是对第； 类样本集来说才具有信息压缩的鼓优性质。 2 、k l 变换在特征选择中的应用 ( 1 ) 产生矩阵 截设每个类剐抽取m 个样本作为训练样本集，以样本集的总体散布矩阵为产 生矩阵，都样本集的协方差矩阵： = 击e ，一f b ，一y t 3 ) 其中是第f 个训练样本的图像向量，是训练样本集的均值向量，m 为训练样 本的总数。 ( 2 ) s v d 分解定理及推论 为了求取较高维数的的特征值和正交归的特征向璧，直接计算是豳难的， 为忿g | 入如下定理。 s v d 定理：设a 怒一秩为，的n ，缎的矩阵，刘存在两个正交的矩阵： u = - o ，“l ，“1 j 贸“u 7 u = i v 2 和o ，v l ，- ，咋一i j 贸“ v7 v = 1 以及对角阵a = d i a g k ， ，五。，】畦孵“7 ，且满足 a - - - - u a 脚旷。 其中：磊五t ，- 0五囊= o ，1 ，一i ) 为矩阵a a 和a t a 的菲零特征值， u ，和v ，分涮为a 矿和a 飘对应与，1 的特征向量。 上述分解称为对矩阵a 的奇舜值分解( s i n g u l a rv a l u ed e c o m p o s i t i o n ，简称 s v d ) 其中 i i 2 为a 的奇异值。 ( 3 ) 特征选择的依据 鑫予可以表汞为 凸- 磊z 。( x ，一弘取，一f y 。磊l x x 7舭1 4 ) j v ij m i o 鲥鹃“4 华中科技大学硕士学位论文 其中：x = 【1 , z l 一，h i 一 故，构造矩阵：r - - - - x 并7 辨” 容易求出其特征值 i 及相应的正交归一特征向量v i ( i - o ，1 ，2 ，m 1 ) a 由上述推 论可知，的正交归特征向量u i 为 1 “，= x v 。 i = 0 ，l 2 。，m l - 天。 这就是压缩后的特征向量，它是通过计算较低维的r 矩阵的特征值与特征向量间 接求出的。将特征值从大到小排序：如 五。o ，其对应的特征向量维 辘。这样裙始煞特征离量裁被投影到妇酶张成的特搓空瓣串。对于经羁一个待识 别懿榉本夯可逶过| 趣毅的特，珏空阍投影求出其荻的特，蠖囱爨： ，= u2 f( 霹1 + 1 5 ) ( 4 ) 特 芷向量的选取 总共得至8 了肼个特征向萤，虽然m 较原始特征向量的维数小许多，但是并非 所有的嘶都有很大的保留意义。考虑猁使用k l 变换压缩手段，可以选取最大的 前青个特征向蓬，使得： 拦r 口 ( 4 1 1 6 ) 上式中取口= 9 9 。这说明撵本集在翦k 令毒圭上斡璧占整个能量戆9 9 。 4 。2 汽车牌照识别中字符特征提取 4 2 。1 字符躅像! 耋一辛匕处理”7 6 ”“”。2 0 奁特征提鞭前，我们一般戳二值纯酌车牌字符图像为对象。为了使掇取的图 像特，攥静可靠性凳高，丽辩需要校正率簿字符图像，校正过程主要毽耩屠中算法、 大小调整算法。 l 、字符分割算法 字符分害箨法瞧就是位鬟癌一亿算法，鬻冕算法瓣煮耀耱，一是基予质。鲍 华中科技大学硕士学位论文 i l l l l ui l l li ii l l l 算法，一是基于文字部分钋边框憋。 基于艨心瓣算法彗先计舅字瓮部分的赝心，然后烬矮心移别图像的中心位置。 因为磁自然环境下获取的车牌图像质凝较差，字德内部的于扰因素相对予字符边 框于扰因素较大，质心位蓬计算露很大误差，所以我们采用基于文字边横分割原 则。 。 基于外边框的算法首先找到文字部分的四边糕及其中心，然后根据车牌字符 固有的比例关系，相甄调熬字符商宽。 2 、大小调整算法 所谓字符部分大小调攘算法其实就是图像的缩放变换。现在给出图像基于中 心的眈例变换公式如下： k + y 。1 】= 舀k ，l 】 其中等号前面是变换聪的坐标，等号质面巧怒变换系数矩阵 稼。箕中巧魏下新示： 舀= l 一 求丢； 耋j i 曩= f ( ；一妻墨 其串s x , s y 是缩放懿跪率系数，g p y ，) 是字符筋中心。 然藤是变换前的坐 o s v ( 1 一) y ， 图4 - - 2 显示的是经过上述算法分割及调熬后的车牌图像效果。 图4 2 车牌字符识别预处理 4 2 2 特征提取及特征描述“7 ”- ”“- “1 l 、网格特征摄取 哥 华中科技大学硕士学位论文 i i i i i m i i ii ii i i 溺掊方案主要是撵敬字符麓粼分帮特 菠，透过弓l 入了字符瀚像分块并扶浚酌蔼 魔完备播述姆锰耱穰念耪方法。 1 ) 鏊本患怒 分块鲮掇述数蘩先将字簿嚣分麴稼按照一定懿矮律分或蓉予，j 、块，焱每个 ，j 、决哮l 求馥毽捂块鬻嶷、块豁爨像素# t 镑 、块势黧秘二次崧赘特铤等4 个特援， 魇誊转鬣懿经过魅毽淹掇怼眈毽，弱懿遮过球取字符翁蹬迭挺浓实璇s c a l i n g 不变 卷。 蹙钵分块方式蹙x 方舄2 等分今块，y 方向等分4 个块，然后加上个嬲字 型懿z o n e 分块。特薤提取波程如图4 3 联承 鹫4 - - - 3 瓣格蒋铥疆教滚撵 2 ) 撵敷