[发明专利]基于量子Grover算法的手写文字图片分类方法

说明书

本发明公开了一种基于量子Grover算法的手写文字图片分类方法，其实现的步骤是：(1)构建卷积神经网络；(2)生成训练集；(3)生成训练数据集；(4)训练卷积神经网络；(5)生成模板库；(6)提取待分类图片的特征向量；(7)利用量子Grover算法对手写文字图片进行分类。本发明有效地克服了现有技术中人工设计的特征提取方法鲁棒性差，顺序匹配速度慢的问题，具有分类精度高，分类速度快，能够进行对单张图中仅有一个手写文字的大规模的多类别的手写文字图片分类的优点。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分类技术领域的一种基于神经网络和量子Grover算法的手写文字图片分类方法。本发明可用于对单张图中仅有一个手写文字的大规模的多类别的手写文字图片进行分类。

背景技术

手写文字图片分类是指将单张图中仅有一个手写文字的大规模的多类别的手写文字图片进行分类，从而将以图片形式存在的文字转换成word和txt等可变编辑的文字信息的过程，是一项非常重要的人机交互的技术。随着智能手机、平板电脑等具有触控功能的移动设备的普及，人们对手写文字分类技术的需求度越来越高。与单张图中仅有一个印刷文字的图片的分类任务相比，由于用户的书写习惯的差异性，手写文字图片分类任务难度更高，但是由于更加符合用户的日常使用习惯，手写体文字图片分类具有更广阔的应用空间，可以用于信函分拣、银行支票识别和统计报表处理以及手写文稿的自动输入任务中。

武汉科技大学在其拥有的专利技术“基于多特征融合的实时手写体数字识别方法”(申请号：201410262086.5，授权公开号：103996057B)中公开了一种基于多特征融合的实时手写文字图片识别方法。该方法的步骤是，首先，对手写文字图像数据库中的图像，进行预处理，包括黑白二值化、截取数字部分、图像调整、归一化、细化，然后，对预处理后的图像进行结构特征和统计特征的提取并融合，得到特征向量集，之后，利用反向传播神经网络进行训练学习，最后，使用训练好的神经网络对待分类手写文字图像的特征向量进行分类，将特征向量的类别作为待分类手写文字图片的类别。该方法的不足之处在于，用于提取手写文字图片特征向量的方法由人工设计，对于包含书写不规范的文字的手写文字图片鲁棒性差，影响分类精度。

王慧在其发表的论文“基于模板匹配的手写体字符识别算法研究”(北京交通大学2012年硕士学位论文)中提出了一种基于模板匹配法的单张图中仅有一个手写文字图片的分类方法。该方法的步骤是，首先，提取字符信息，将待分类的每张图片利用基于质心位置的归一化方法进行归一化处理，然后，提取几何轮廓特征，计算归一化后图片中在8个不同方向上黑色像素点到窗口中心点的最远距离，得到8个距离值，作为几何轮廓特征，之后，建立模板库，以30种不同种类的标准字体类型下的数字字符的特征向量作为分类时的模板，最后，进行模板匹配，计算待分类图片的特征向量和模板库中各模板向量间的缩放因子，利用缩放因子来计算变异系数，取与待分类图片的特征向量变异系数最小的模板向量代表的文字类别作为分类的结果。该方法存在的不足之处在于，用数据库顺序匹配的方法进行手写文字分类，每张待分类手写文字图片的特征向量需要与数据库中每个特征向量依次进行匹配，影响了分类效率。

发明内容

本发明的目的在于针对上述已有技术的不足,提出一种基于量子Grover算法的手写文字图片分类方法，旨在解决人工设计的手写文字图片特征提取方法对于包含书写不规范的文字的手写文字图片鲁棒性差，影响分类精度的问题，以及用数据库顺序匹配方法进行手写文字分类，分类速度慢的问题。

实现本发明目的的技术思路是，使用卷积神经网络提取手写文字图像的特征向量，利用卷积神经网络的泛化能力，解决人工设计的手写文字图片特征提取方法对于包含书写不规范的文字的手写文字图片鲁棒性差的问题，提高对手写文字图片的分类精度。使用Grover搜索算法，利用量子计算的并行性特点，解决数据库顺序匹配速度慢的问题，提高手写文字的分类速度。

本发明的步骤包括如下：

(1)构建卷积神经网络：