基于人工神经网络的MATLAB手写数字识别系统
手写数字识别系统的设计与实现
手写数字识别系统的设计与实现随着数字化时代的到来，智能化已经成为了趋势，人工智能的发展需要更精准有效的数据判别处理。
实现手写数字识别系统，可以广泛应用于智能交互、机器人、OCR等领域。
本文将描述手写数字识别系统的设计和实现过程。
一、系统设计手写数字识别系统输入手写数字图像，输出代表数字的数值。
总体设计思路如下：1.数据采集与存储用户输入手写数字图像后，通过归一化等方法去除噪点，存储为图片格式，可以使用20x20像素，黑白二值化的PNG格式存储。
2.特征提取与向量化将图片转化为向量，提取手写数字特征。
常用的特征提取方法是SIFT描述符提取和HOG特征提取，本文采用HOG特征提取方法。
基本步骤如下：a. 图像预处理：将彩色图片转化为灰度图片b. 局部块划分：将图片分为若干块c. 计算梯度直方图：对每一个块进行梯度直方图的计算d. 归一化：将梯度直方图归一化，得到HOG向量3.分类模型及算法采用深度学习神经网络模型进行分类，训练集采用MNIST公开数据集，由于输入的都是28*28的黑白图片，最后需要对数据进行调整，不符合识别输入数据的标准，将输入大小调整为20*20。
采用神经网络库tensorflow，设计softmax回归模型，定义交叉熵损失函数并使用梯度下降法或Adam优化算法最小化损失。
4.模型评估和调优使用测试集对模型进行评估，计算准确率、精度、召回率、F1值等，并采用正则化、dropout等技术对模型进行优化和调整。
5.系统集成与优化将OCR识别模型和手写数字识别系统进行整合，并加入人机交互的界面设计，实现常规数字识别等操作。
二、系统实现整套系统使用python语言实现，通过tensorflow实现深度神经网络模型的训练和预测。
主要步骤如下：1.数据采集与存储：从kaggle网站上下载手写数字数据集，并使用python pandas库对数据集进行处理和存储，确保数据安全、方便、快速可靠的存储和使用。
手写数字体自动识别技术的研究现状
手写数字体自动识别技术的研究现状手写数字体自动识别技术是一种将手写数字转换成数字字符的技术，该技术很早就被广泛应用于银行支票、信用卡、手写邮件等领域，近年来更是得到了人们的高度关注和研究。
本文将介绍手写数字体自动识别技术的研究现状和发展方向。
手写数字体自动识别技术是指通过数字图像处理技术，将手写数字转化为计算机可读取的数字字符。
该技术的研究始于数十年前，主要是为了解决银行支票数字识别的问题。
而随着数字化时代的到来，手写数字体自动识别技术变得越来越重要，其应用领域涉及到金融、交通、医疗、安防等多个领域。
在手写数字体自动识别技术的研究中，最重要的是手写数字的特征提取。
手写数字有很多不同的风格和形状，但其内在的特征却是相似的。
因此，通过提取数字的特征，可以达到很好的识别效果。
传统的手写数字体自动识别技术主要采用了模式分类和人工神经网络两种方法。
在模式分类方法中，先将数字图片进行特征提取，然后通过人工设置的规则进行数字分类。
但是，这种方法需要依靠人工设置的规则，很难应对各种不同的手写数字。
而人工神经网络方法是通过一系列训练样本，不断调整神经网络的结构和参数，从而达到自适应的识别效果。
但是这种方法对训练数据质量的要求比较高，同时需要大量的计算资源，训练时间过长。
近年来，随着人工智能技术的迅速发展，深度学习逐渐成为手写数字体自动识别技术的主流。
深度学习是一种基于神经网络的机器学习模型，其主要特点是自适应和自动优化。
在手写数字体自动识别领域，深度学习方法可以通过大量的数据训练，自动学习数字的特征，并得到更高的识别率。
总之，手写数字体自动识别技术是一种极其重要的技术，其应用领域广泛，发展也非常迅速。
但是现有的技术还存在一些问题，比如对于一些书写较差的人的数字识别率较低。
未来的研究方向主要是提高识别效率和准确度。
基于深度学习的手写数字识别系统设计毕业设计
基于深度学习的手写数字识别系统设计毕业设计基于深度学习的手写数字识别系统设计一、引言在信息时代的今天，数字识别技术在各个领域都有广泛的应用，尤其是在金融、安防、物流等行业中，数字识别系统扮演着重要的角色。
然而，传统的手写数字识别方法在复杂场景下往往效果不佳。
为了提高数字识别的准确性和稳定性，本毕业设计将基于深度学习技术设计一个手写数字识别系统。
二、系统架构手写数字识别系统主要由以下几个模块组成：数据集准备、特征提取、模型训练和模型评估。
下面将对每个模块进行详细介绍。
2.1 数据集准备为了构建一个准确的手写数字识别系统，我们需要一个包含大量手写数字样本的数据集。
本设计将使用MNIST数据集，该数据集包含60000个训练样本和10000个测试样本，每个样本为28x28像素的灰度图像。
2.2 特征提取在深度学习中，卷积神经网络（Convolutional Neural Network，CNN）是一种有效的特征提取方法。
本设计将使用一个经典的CNN架构，包括卷积层、池化层和全连接层。
卷积层用于提取图像的局部特征，池化层用于降低特征的维度，全连接层用于将提取到的特征与标签进行映射。
2.3 模型训练在特征提取模块构建完成后，我们需要对模型进行训练。
本设计将使用反向传播算法（Backpropagation，BP）来更新模型的参数，以减小模型的预测误差。
同时，为了避免过拟合问题，我们将采用Batch Normalization和Dropout等技术进行模型的正则化。
2.4 模型评估为了评估手写数字识别系统的性能，我们将使用测试集对模型进行评估。
评估指标包括准确率、精确率、召回率和F1值等。
准确率指模型正确预测样本的比例，精确率指模型正确预测为正样本的比例，召回率指模型正确预测出正样本的比例，F1值综合考虑了精确率和召回率。
三、实验与结果为了验证基于深度学习的手写数字识别系统的效果，我们使用Python编程语言和TensorFlow深度学习框架进行实验。
基于人工神经网络的数字识别技术研究
成希望个数的许 多并行联接 ，且这些并行联接都输出相同的信 号 ，即相应处理单元 的信号 ，信号 的大小不 因分支的多少而变 化。处理单元的输 出信号可以是任何需要 的数学模型 ， 每个处理 单元 中进行 的操作必须是完全局部 的。
根据此差调节权值 ， 具体说 ， 就是可对每一个权重计算 出接收单 元的误差值 与发送单元 的激活值 的积 。因为这个积和误差对权 重的（ ） 负 微商成正比（ 又称梯度下降算法 ）把它称作权重误差微 ， 商 。权重的实际改变可 由权重误差微商一个模式一个模 式地计 算出来 ， 即它们可 以在这组模式上进行累加。
４ 编程 软件 ＭＡ Ｌ Ｂ ＴＡ
Ｍ ＴＡ Ａ Ｌ Ｂ工具箱 ，为 Ｍ Ｔ Ａ Ａ Ｌ Ｂ的不 同领域内的研究人员提 供 了捷径 。迄今为止， 已有 ３ ０多种工具箱面世 ， 内容涉及信号处 理、 自动控制、 图像处理等领域。这些工具箱大致可分为两类 ： 功 能 型 工具 箱 和领 域 型工具 箱 。功 能型 工 具箱 主要 用来 扩 充
２８ １Ｊ６ ｏ￣ ２（） ｏ－ ，３． Ｅ 国
基 于人工神经 网络 的数字识别技术研究
金顶 云 ，董俊 华 ｚ ，金
（装 甲兵技术学 院 ，吉林 １ 长春
鑫ｔ
长春 １０ １） ３ １７
１０ １ ；２ １９ ３ １７ ． ４ ８部队政治处 ，吉林 ９
摘
要 ：文章概括地讨论 了神 经网络通用模型的特征 ， 在对典型的网络即 Ｂ Ｐ网络 的发展
动 态和 进 展 进 行 了 系统 的 分析 基 础 上 讨 论 了 Ｂ Ｐ算 法的 基 本 概 念 、 运行 机 制 和 一 些 关键 性技术 。 关键 词 ：神 经 网络 ； Ｐ网络 ； 字 识 别 Ｂ 数 中 图分 类 号 ：Ｔ １ 文献 标 识 码 ：Ａ Ｐ８ 文章 编 号 ：１０ 一 １６２ ０）６ Ｏ ２ — ２ ｏＯ ８３ （ｏ８３ 一 １４ ０
Matlab神经网络工具箱介绍ppt课件
自然语言处理
利用神经网络实现文本分类、机器翻译等功 能。
计算机视觉
通过神经网络提高图像识别、目标检测等任 务的准确率。
语音识别
利用神经网络实现更高效和准确的语音转文 字和语音合成。
控制与决策
在机器人、自动驾驶等领域，神经网络能够 提高系统的智能水平和决策能力。
THANKS.
MATLAB神经网络工具箱特点
易于使用 高度可定制 强大的可视化功能 广泛的集成
MATLAB神经网络工具箱提供了直观的图形用户界面，使得用 户可以轻松地创建、训练和测试神经网络模型。
用户可以根据需要自定义神经网络的架构、训练参数和性能指 标。
该工具箱支持数据可视化，使得用户可以更好地理解数据和神 经网络的性能。
初始化网络权重
随机初始化神经网络的权 重和偏置项。
训练神经网络
前向传播
根据输入数据计算输出结果， 计算误差。
反向传播
根据误差调整权重和偏置项， 更新网络参数。
选择优化算法
选择适合的优化算法，如梯度 下降、牛顿法等。
设置训练参数
设置训练轮数、学习率等参数 ，控制训练过程。
测试神经网络
01
测试数据集
混合模型
结合多种神经网络结构和 算法，实现更高效和准确 的预测。
MATLAB神经网络工具箱未来发展方向
集成更多算法
不断集成最新的神经网络算法，满足不同领域 的需求。
优化工具箱性能
提高工具箱的运行速度和稳定性，降低使用门 槛。
增强可视化功能
提供更丰富的可视化工具，帮助用户更好地理解和分析神经网络。
神经网络在人工智能领域的应用前景
MATLAB神经网络
02
工具箱
手写数字识别的研究与应用
手写数字识别的研究与应用一、概述手写数字识别是计算机视觉和模式识别领域的重要研究内容，具有广泛的应用前景。
随着信息化和数字化的发展，手写数字识别技术在银行票据处理、邮政编码识别、税务表单处理、移动支付以及智能设备交互等方面发挥着越来越重要的作用。
手写数字识别的主要任务是将手写输入的数字转化为计算机可理解的数字信息。
由于手写数字存在书写风格多样、笔迹变化大、书写不规范等问题，使得手写数字识别成为一项具有挑战性的任务。
研究手写数字识别的算法和技术，提高识别的准确性和鲁棒性，具有重要的理论价值和实际应用意义。
近年来，随着深度学习技术的发展，基于神经网络的手写数字识别方法取得了显著的进步。
这些方法通过构建复杂的网络结构，自动学习手写数字的特征表示和分类器，从而实现了较高的识别性能。
同时，随着大数据和计算资源的不断丰富，基于深度学习的手写数字识别方法在实际应用中也越来越广泛。
本文旨在探讨手写数字识别的研究与应用，首先介绍手写数字识别的基本原理和常用方法，然后分析深度学习在手写数字识别中的应用及最新进展，最后讨论手写数字识别在实际场景中的应用案例和未来发展趋势。
通过本文的研究，期望能够为手写数字识别领域的研究者和应用开发者提供一定的参考和借鉴。
1. 手写数字识别的背景与意义随着信息技术的飞速发展，数字化、自动化和智能化已经成为现代社会的重要特征。
在这一背景下，手写数字识别技术应运而生，成为人工智能和计算机视觉领域的重要研究方向。
手写数字识别技术的主要目标是将手写输入的数字信息自动转换为计算机可识别的数字编码，从而实现信息的快速、准确录入和处理。
手写数字识别的研究具有重要意义。
它在实际应用中具有广泛的需求。
例如，在金融、邮政、税务、交通等领域，大量手写数字信息需要被快速、准确地录入和处理。
手写数字识别技术能够大大提高这些工作的效率和准确性，减少人为错误和劳动强度。
手写数字识别技术的研究有助于推动人工智能和计算机视觉领域的发展。
基于BP神经网络的手写字符识别系统
难 以找 到一个 相对 求 解 问题 而言 最 优 的 网络 结 构．
１ Ｂ Ｐ神 经 网络 的 设 计
如果对 于所要 解 的 问题 ， 仅 依 靠典 型 的 ３层 仅 Ｂ Ｐ网络结构 来解 决 ， 想 得 到 一个 最 优 的解 ， 要 就得
中首 先建 立 了 ３个不 同的 网络 ， 成 网络 组合 ， 一 形 进 步提 高识别 精 度． 网络的具 体设 置 如下 ： ３个 Ｎｅｌ的输 入层单 元 数用 ５ ｔ ×５的特征 摸板 取 特 征值 ， 用 １ 隐含层 ， 中单 元个 数 为输 入 单元 的 使 个 其
别 系统，
关 键 词 ： 式 识 别 ； 工神 经 网 络 ； Ｐ神 经 网络 模 人 Ｂ 中图分类号 ：Ｐ ９．１ Ｔ ３ １４ 文献 标 识 码 ： Ａ
Ｂ Ｐ神 经网络 ［作为人 工 神经 网络 的一个 分支 ， １
现在 已经 成 为 其 最 广 泛 的应 用 ， 文 主要 研 究 Ｂ 本 Ｐ
要 反 复地重 新对 网络 进 行 设 计 和 取值 ， 难 找 到一 很
个满 意 的解 ． 这样 的网络还存 在 一个更 大 的缺点 ， 就 是针 对性很 强 ， 个 网络 只能解 决某一 方 面的问题 ， 一
Ｎｅ２的输 入层 单元 数用 ６ ｔ ×６的特征 摸板 取特 征值 ， 用 ２ 隐含层 ， 中单元个 数分 别为输 入单 使 个 其
成 部分 都可 以根 据 问题 的 复 杂度 来 自动 调整 ， 以求 达 到性 能最 优． 而加快 了寻求 最 优解 的进 度 ． 从 使整 个 网络 可 以随时 得 到调 整 ， 意 地改 变 输 入 、 出 、 任 输
基于卷积神经网络的手写体数字识别研究
基于卷积神经网络的手写体数字识别研究手写体数字识别是一项常见的图像识别任务，其主要目的是将手写数字形式的输入转化为数字形式的输出。
由于手写体数字的特征具有高度随机性和不规则性，传统的图像处理算法难以处理这种类型的问题。
因此，基于卷积神经网络（CNN）的手写体数字识别方法逐渐成为了主流。
一、卷积神经网络卷积神经网络是一种具有多层结构的神经网络，其主要目的是通过多个卷积层和池化层的组合，从输入图像中提取高级特征，最终实现对特定目标的识别。
在卷积层中，网络通过一组卷积核（即过滤器）将输入图像分成多个局部区域，并对每个局部区域进行卷积计算，以得到一组输出特征图。
在池化层中，网络通过对每个输出特征图进行采样，以得到一组下采样特征图。
卷积层和池化层的交替使用，可以逐渐将输入图像中的信息压缩和提取，最终将其转化为分类目标的特征表示。
二、手写体数字识别手写体数字识别是一种常见的卷积神经网络应用，其主要目的是将手写数字形式的输入转化为数字形式的输出。
手写数字识别的数据集通常包含大量的手写数字图像，可以用于训练和测试分类模型。
在实际应用中，手写数字识别可以用于识别银行卡号、邮政编码、车牌号码等数据，以及数字签名、手写笔记的识别等方面，具有广泛的应用场景。
三、基于卷积神经网络的手写体数字识别方法研究基于卷积神经网络的手写体数字识别方法已经得到了广泛的应用和研究。
在这方面，已经涌现出了许多经典的模型，例如LeNet、AlexNet、VGG、GoogLeNet 等。
这些模型在设计上各具特色，都采用了不同的卷积层和池化层的组合方式，以提高分类性能和减少网络参数。
其中，经典的LeNet模型是第一个应用于手写数字识别的卷积神经网络，它包含了两个卷积层和三个全连接层，可以在MNIST数据集上达到99%以上的分类准确率。
随着深度学习技术的发展，一些更深的卷积神经网络模型也逐渐被引入到手写数字识别领域，以进一步提升分类性能和减少过拟合现象。
基于ARM的手写数字识别系统设计与实现
基于ARM的手写数字识别系统设计与实现作者：王良田来源：《科学与财富》2019年第02期摘要：ARM手写数字识别系统在嵌入式平台以神经网络框架作对卷积神经网络进行有效的创建，一般情况下通过手写数字数据集对神经网络进行训练，以此达到有效的设计。
此外，在对该系统设计过程中，需要对该系统的理论实施有效的分析，从而达到设计要求。
由于嵌入式平台的计算能力不高，可以辅助利用PC机资源对进行训练，把训练结果再导入ARM嵌入式平台中，其中ARM处理器具有性能好、功率低以及功能强大等优势，从而在市场当中具有很大的占有率。
本文通过对ARM手写数字识别系统的理论分析，并对ARM手写数字识别系统要点进行探究，从而能够使达到自动识别手写数字的作用，以此提出来几点建议，仅供参考。
关键词：ARM系统；手写数字识别系统前言在人们的生活当中，使用最广泛的就是数字符号，然而对于手写数字更是很好的应用在了考试以及账单等诸多的生产生活当中。
如果在生产生活当中，通过运用自动化手写数字的识别，那么在很大程度上能够有效的解决人工识别的效果。
但是手写数字识别系统在实际使用当中，存在着很多的技术难点和进度难点。
在对ARM手写数字识别系统，进行设计的过程当中，通过采用计算机网络作为识别算法，然后在通过结合摄像机采集图像技术，从而能够达到自动识别手写数字的作用。
一、ARM手写数字识别系统的理论分析（一）信息集信息集，是一个能够进行手写数字模板的手写数字信息集。
这个信息集凭借具有80000个能够用于训练以及15000个能够用于测试的测试集的示例。
能够对每一张素材的32x32个白色像素值构成的矩阵，然而这些矩阵同时都对应着每一个标签，也就是素材上面的符号。
（二）手写数字进行区分手写数字识别，是一个非常繁琐的系统，在对其进行设计的过程当中，通过设计出稳定的网络，然后输入素材在目标分类上的最大概率，从而这样就能够实现区分目的。
信息集上的每一张照片是一张手写的阿拉伯数字，这些数字表示0-9当中的一个数字。
神经网络及深度学习(包含matlab代码).pdf
神经网络及深度学习(包含matlab代码).pdf
神经网络可以使用中间层构建出多层抽象，正如在布尔电路中所做的那样。
如果进行视觉模式识别，那么第1 层的神经元可能学会识别边；第2 层的神经元可以在此基础上学会识别更加复杂的形状，例如三角形或矩形；第3 层将能够识别更加复杂的形状，以此类推。
有了这些多层抽象，深度神经网络似乎可以学习解决复杂的模式识别问题。
正如电路示例所体现的那样，理论研究表明深度神经网络本质上比浅层神经网络更强大。
《深入浅出神经网络与深度学习》PDF+代码分析
《深入浅出神经网络与深度学习》PDF中文，249页；PDF英文，292页；配套代码。
提取码: 6sgh
以技术原理为导向，辅以MNIST 手写数字识别项目示例，介绍神经网络架构、反向传播算法、过拟合解决方案、卷积神经网络等内容，以及如何利用这些知识改进深度学习项目。
学完后，将能够通过编写Python 代码来解决复杂的模式识别问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于人工神经网络的MATLAB手写数字识别系统一、函数MouseDraw实现手写识别系统GUI界面的建立和鼠标手写的实现。（使用时保存为MouseDraw.m)functionMouseDraw(action)%MouseDraw本例展示如何以HandleGraphics来设定滑鼠事件%(MouseDrawEvents)的反应指令(Callbacks)%本程序在鼠标移动非常快时，不会造成画“断线”%global不能传矩阵globalInitialXInitialYFigHandlehb2hb3hb4counthb5hb6hb7count='E:\im.jpg';imSize=50;
ifnargin==0,action='start';endswitch(action)%%开启图形视窗case'start',FigHandle=figure('WindowButtonDownFcn','MouseDrawdown','DeleteFcn','savebpnet');axis([1imSize1imSize]);%设定图轴范围%set(gca,'Position',[.25.20.7.7]);axisoff;gridoff;boxon;%将图轴加上图框title('手写体输入窗');tryevalin('base','loadbpnet')catchevalin('base','bpgdtrain');end%%fprintf('start');%%设定滑鼠按钮被按下时的反应指令为「MouseDrawdown」%set(gcf,'WindowButtonDownFcn','MouseDrawdown');hb1=uicontrol('Parent',FigHandle,'Units','Normalized',...'Position',[.3.01.13.07],'String','保存',...
'Callback',['exa=rgb2gray(frame2im(getframe(gca)));','imwrite(exa,''E:\im.jpg'')']);hb2=uicontrol('Parent',FigHandle,'Style','popupmenu','Position',[50505030],...'String',{'26','24','22','20','18','16','14','12','10'});hb3=uicontrol('Parent',FigHandle,'Style','text',...'Position',[10909030],'String',['CurrentX()','CurrentY()']);hb4=uicontrol('Parent',FigHandle,'Style','popupmenu','Position',[50205030],...'String',{'Red','Blue','Black','Yellow','Green'});
uicontrol('Parent',FigHandle,'Position',[27067030],'String','训练','Callback',...
['exa=rgb2gray(frame2im(getframe(gca)));','sample=reshape(recgnition(exa),25,1);','clc;',...'t=inputdlg(''数字类别'',''样品训练'');','t=str2num(t{1,1})/10;',...
'bpnet.trainParam.lr=str2num(get(hb6,''String''));','bpnet.trainParam.goal=str2num(get(hb7,''String''));',...'[bpnet]=train(bpnet,sample,t);','savebpnet']);
uicontrol('Parent',FigHandle,'Position',[36067030],'String','识别','Callback',...
['exa=rgb2gray(frame2im(getframe(gca)));','sample=reshape(recgnition(exa),25,1);',...
'record=round(sim(bpnet,sample)*10);','clc;','set(hb5,''String'',num2str(record),''fontSize'',48);']);
uicontrol('Parent',FigHandle,'Style','text','Position',[10603020],'String','字号');uicontrol('Parent',FigHandle,'Style','text','Position',[10303020],'String','颜色');hb5=uicontrol('Parent',FigHandle,'Style','text','Position',[101509090]);uicontrol('Parent',FigHandle,'Style','text','Position',[52605020],'String','学习速率');hb6=uicontrol('Parent',FigHandle,'Style','Edit','Position',[602603020],'String','0.01');
uicontrol('Parent',FigHandle,'Style','text','Position',[52905020],'String','训练精度');hb7=uicontrol('Parent',FigHandle,'Style','Edit','Position',[602903020],'String','0.005');
uicontrol('Parent',FigHandle,'Style','pushbutton','Position',[45067030],'String','清除','Callback','cla');%将函数变量导入到工作空间；assignin('base','hb5',hb5);assignin('base','hb6',hb6);assignin('base','hb7',hb7);%%%%%%%%%%%%%%%%%%%%%%%%%%%
dlmwrite('IXT.txt',-10,'delimiter','\t','precision',6);dlmwrite('IYT.txt',-10,'delimiter','\t','precision',6);%%滑鼠按钮被按下时的反应指令case'down',
ifstrcmp(get(FigHandle,'SelectionType'),'normal')%如果是左键set(FigHandle,'pointer','hand');CurPiont=get(gca,'CurrentPoint');InitialX=CurPiont(1,1);InitialY=CurPiont(1,2);dlmwrite('IXT.txt',InitialX,'-append','delimiter','\t','precision',6);dlmwrite('IYT.txt',InitialY,'-append','delimiter','\t','precision',6);%列印「MouseDrawdown!」讯息%%fprintf('MouseDrawdown!\n');%设定滑鼠移动时的反应指令为「MouseDrawmove」set(gcf,'WindowButtonMotionFcn','MouseDrawmove');set(gcf,'WindowButtonUpFcn','MouseDrawup');elseifstrcmp(get(FigHandle,'SelectionType'),'alt')%如果是右键set(FigHandle,'Pointer','arrow');
set(FigHandle,'WindowButtonMotionFcn','')set(FigHandle,'WindowButtonUpFcn','')fprintf('MouseDrawrightbuttondown!\n');ImageX=importdata('IXT.txt');ImageY=importdata('IYT.txt');InputImage=ones(imSize);roundX=round(ImageX);roundY=round(ImageY);fork=1:size(ImageX,1)if0roundY(k)InputImage(roundX(k)-1:roundX(k)+2,roundY(k)-1:roundY(k)+2)=0;endendInputImage=imrotate(InputImage,90);%图像旋转90