经过接近15周的艰苦努力，毕业设计（基于MATLAB的手写数字识别系统）已经完结。
设计过程中遇到的部分问题可查阅博客：

1. 手写数字识别问题（1）——关于MNIST数据集
2. 手写数字识别问题（2）——利用MATLAB搭建GUI界面
3. 手写数字识别问题（3）——详解卷积神经网络LeNet-5
4. 手写数字识别问题（4）——图像处理时常见问题之uint8与double类型详解
   以及本文手写数字识别问题（5）——完结。

本文采用MATLAB型号是MATLAB R2016a，且是利用纯代码BP神经网络设计实现，没有利用MATLAB神经网络工具箱函数，这样更能方便的了解BP神经网络的工作原理——信号前向传播，误差反向传播。最后利用GUI界面进行搭建，方便快捷。
整个过程包括五部分，分别是：
①样本库图像预处理。手写数字识别中使用的数据库，主要图像预处理的方法。
②样本特征提取。对预处理之后的图像数据选择样本特征进行提取。
③分类器设计。通过对比各种分类器选择较为合适的BP神经网络分类器
④手写数字的识别。与样本库图像不同，本文所要识别的对象是利用windows 画图产生黑白二值且保存为.bmp 文件的手写数字图像，因此需要进行与样本库图像不同的图像预处理。
⑤搭建GUI界面。利用MATLAB GUI界面搭建软件系统，验证系统的稳定性良好。

GUI界面又包括单数字GUI界面搭建及多数字GUI界面搭建。本设计基本将手写数字识别的各个领域均涵盖在内。而且代码基本都有注释解释，更方便了解。
部分代码如图所示。
主函数部分代码：

识别函数部分代码：

单数字GUI界面：

多数字GUI界面：

经过训练，测试集识别率可以超过99%，具有良好的识别性能。

除此之外，本设计还可以提供必要的开题报告、文献综述、论文大纲及答辩PPT和答辩稿等介绍。
由于投入了不少精力和时间，以及走了大量的弯路。
这里我将多种基于MATLAB的手写数字识别方法进行了汇总，展示如下：

1、利用MATLAB工具箱进行手写数字识别

该方法利用MATLAB自带的工具箱实现，利用MATLAB的net函数实现，训练过程如下：

最终得到的混淆矩阵如图所示，可以看到准确率大概在95%左右：

实际识别效果如下：

资源详细代码请点击这里：资源1

2、利用MATLAB自己搭建BP神经网络进行手写数字识别

BP神经网络采用最原始的逐条代码编写的方式，而没有使用误差更大，更不容易学习精髓，但更方便的工具箱函数，这样也更方便你认真读和理解神经网络的内涵和本质。
【注】：本资源没有GUI界面，需要界面的亲需要自己搭建。
资源详细代码请点击这里：资源2

3、利用MATLAB自己搭建BP神经网络和多特征进行手写数字识别

这里在2的基础上，增加了粗网格特征和交点特征，并且搭建了GUI界面，GUI界面详见上文。
交点特征包括三种，分别是垂直交点、水平交点和对角线交点。
（一）垂直交点
在$28\ast 28$图像行宽的5/12、1/2和7/12处设置三条垂直线，若为小数则四舍五入为最近的整数，提取它们和手写数字的交点数。
（二） 水平交点
在$28\ast 28$图像列宽的1/3、1/2和2/3处设置三条水平线，若为小数则四舍五入为最近的整数，提取它们和手写数字的交点数特征。
（三）对角线交点
在$28\ast 28$图像中分别设置主对角线和副对角线，提取它们和手写数字的交点数特征。
根据三种交点的特征，手写数字的交点特征F可以表示为：
$F=[F_1,F_2,F_3,F_4,F_5,F_6,F_7,F_8]$
其中， $F_1、F_2、F_3$分别表示垂直5/12处、垂直1/2处和7/12处的交点数； $F_4、F_5、F_6$分别表示水平1/3处、水平1/2处和水平2/3处的交点数； $F_7、F_8$分别表示左对角线、右对角线的交点数和端点数。交点特征示意图如下图所示。

关于交点特征的详细内容可参考论文：李怡轩. 基于机器学习的手写数字识别系统设计与实现[J]. 微型电脑应用, 2018, v.34；No.304(08):82-85.

---

粗网格特征：
粗网格特征表示对逐像素扫描法的局部处理，将手写数字图像分成$n\ast n$个粗网格，对每个小网格内的白色像素1所占总数进行计算，并将其结果顺序排列成一维特征向量，进行训练学习。
粗网格的提取步骤如下：将$N\ast M$手写数字图像分成各不重叠$n\ast n$个小区域，计算每个区域的像素数𝑡𝑡，将所得结果作为该区域的特征值存入特征向量中，粗网格划分后该图像的特征值为$（N\ast M）/（n\ast n）$个。
该系统中图像归一化后变成像素为$28\ast 28$的手写数字图像，将n的值置为2。特征提取后产生196个特征值的特征向量，每个特征值表示一个 $2\ast 2$ 区域内的像素值之和，即白色个数。粗网格特征的一个显著优点是能够有效抑制噪声

关于粗网格特征的详细内容可参考论文：张魁. 基于遗传-BP神经网络的手写数字的识别方法[D].西安科技大学,2012.

【注】：本资源搭建了GUI界面，可以直接运行GUI.m。
资源详细代码请点击这里：资源3

4、利用MATLAB自己搭建BP神经网络和多特征进行手写数字识别+文档资料

这里在2的基础上，增加了文档类资料。文档类资料包括很多内容。
资源详细代码请点击这里：资源4

Tips：2-4我做了视频对代码进行了较为详细的介绍，如果代码不懂可以参考视频：https://www.ixigua.com/7224829299474301475。

5、利用MATLAB+CNN卷积神经网络进行手写数字识别

关于卷积神经网络这一部分请参考本专题的下一篇文章：手写数字识别问题（6）【拓展】——利用CNN卷积神经网络实现基于MATLAB的手写数字识别系统的设计。

【注】：以上五种方法都附赠一份利用MATLAB和python对MNIST数据集进行处理的程序，希望对你有所帮助。