一种基于DWG格式文件批量浏览和读取的方法

技术领域

本发明涉及文件阅读技术领域，且更确切地涉及一种基于DWG格式文件批量浏览和读取的方法。

背景技术

DWG格式文件是一种用于建筑、结构和水的设计中常见的三维格式。批量浏览和读取DWG文件的方法图像处理(image processing)，用计算机对图像进行分析，以达到所需结果的技术。

现有技术使用DWG格式的专业软件可以在文件中快速浏览和读取。例如,AutoCAD、Revit、BIM看图等软件都可以支持DWG文件的浏览和读取。这些软件通常具有内置的批量处理功能,可以方便地批量导入、修改和导出DWG文件。有些Web浏览器也支持批量浏览和读取DWG文件。例如,AutoCAD浏览器允许用户在文件浏览器中添加多个要访问的DWG文件,并自动在其中选择内容。另外,有些Web浏览器也可以直接访问DWG文件,并允许用户批量导入和修改文件。

上述方法虽然在一定程度上能够提高DWG格式文件批量浏览和读取，但是批量处理DWG文件都需要考虑文件的大小和存储问题。使用专业软件和命令行工具可以大大缩短处理时间和操作步骤,但需要更多的技术和资源。使用Web浏览器可以方便地访问和修改DWG文件,但可能会对网络连接和性能产生一定的影响。

在出现批量文件时，本发明引入一种影像处理方法。图像处理一般指数字图像处理。数字图像是指用工业相机、、扫描仪等设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。图像处理技术一般包括图像压缩，增强和复原，匹配、描述和识别3个部分。

但现如今的图像识别技术CPU或GPU在计算能力上有限，运算速率慢，准确率也不太高，RBF神经网络具有基函数运算复杂、隐藏层到输出层的分类运算量大的缺点，并且现如今的模块结构太过复杂，运算量大；图像识别能力差；基于此，本发明公开一种基于DWG格式文件批量浏览和读取的方法。

发明内容

针对上述问题，本发明公开一种基于DWG格式文件批量浏览和读取的方法，通过采用基于FPGA的微机系统，对传统RBF神经网络算法进行改进，将乘法运算改为加法运算，以减低网络的运算量，同时采用最小均方差算法对权值进行调整，保证了网络的收敛性，通过对DWG格式文件批量输入图像数据信息处理，提高了图像的识别速率以及图像识别的准确率。

为了实现上述技术效果，本发明采用以下技术方案：

1.一种DWG格式文件批量浏览和读取的方法，其特征在于：包括以下步骤：

步骤一、通过微机系统控制DWG格式文件批量输入，所述微机系统集成设置有windows 11操作系统、汇编语言和Winrar、Winzip、Rising、Ghost、Thunder工具性软件；所述微机系统由微型计算机主机、显示器、电源和控制面板组成；

步骤二、通过输入设备模块将接收到的图像传输给图像采集模块；将不同模式的DWG格式文件进行数据信息融合；通过DWG阅读器对融合后的数据信息进行融合；

步骤三、通过图像扫描引擎模块进行全局特征提取；对融合后的批量DWG

格式文件进行图像信息获取，其中所述图像扫描引擎模块操作方法包括图像采集、图像预处理和图像特征提取；所述图像采集用于获取DWG格式文件批量输入图像数据信息；所述图像预处理用于去除DWG格式文件批量输入图像数据信息的干扰、噪音及差异，将原始图像变成适合微机系统进行特征提取的形式；预处理操作包括图像的变换、增强和恢复；图像全局特征提取用于提取图像影响大的特征，以实现图像信息分类；

步骤四、使用BIMDAS命令行工具来读取和编辑DWG文件，通过输出设备模块输出识别的DWG格式文件批量输入图像数据信息；通过使用Web浏览器来访问DWG文件的URL；

其中，所述微机系统与所述输入设备模块、所述图像扫描引擎模块、所述特征识别处理模块和所述输出设备模块连接；所述输入设备模块的输出端与所述图像扫描引擎模块的输入端连接，所述图像扫描引擎模块的输出端与所述特征识别处理模块的输入端连接，所述特征识别处理模块的输出端与所述输出设备模块的输入端连接。

2.根据权利要求1所述的一种基于DWG格式文件批量浏览和读取的方法，其特征在于：所述特征识别处理模块采用改进型RBF神经网络算法模型对

DWG格式文件批量输入图像数据信息进行识别；改进型RBF神经网络算法模型将RCE算法模型和KNN算法模型引入RBF神经网络，将RBF神经网络算法模型结构的外部数据与样本原型向量差异值的乘法运算改为加法运算，以减低网络的运算量，RBF神经网络是叠加外部数据和原型样本间的差异；RCE算法在中间层计算曼哈顿距离；KNN算法依靠数据点周围临近样本进行类别划分；同时采用最小均方差算法对权值进行调整；其中改进型RBF神经网络算法模型包括信息编码模块、信息融合模块、信息过滤模块、信息计算模块和信息输出模块，其中所述信息编码模块用于将输入到改进型RBF神经网络算法模型的DWG格式文件批量输入图像数据信息进行编码，以提高改进型RBF神经网络算法模型的计算能力；信息融合模块用于将输入到改进型RBF神经网络算法模型的数据信息进行融合，以提高信息融合能力；信息过滤模块用于过滤输入至信息融合模块的杂乱数据信息；信息计算模块用于计算输入至改进型RBF神经网络算法模型的DWG格式文件批量输入图像数据信息；信息输出模块用于输出计算后的DWG格式文件批量输入图像数据信息；其中信息编码模块的输出端与信息融合模块的输入端连接，所述信息融合模块的输出端与信息过滤模块的输入端连接，所述信息过滤模块的输出端与信息计算模块的输入端连接，信息计算模块的输出端与信息输出模块的输入端连接。

3.根据权利要求1所述的一种基于DWG格式文件批量浏览和读取的方法，其特征在于：所述微机系统设置有照明模块，所述照明模块采用发光二极管连接在所述微机系统的外部接口；所述微机系统采用FPGA器件，所述FPGA器件芯片采用EPF10K20TC144-4，所述FPGA器件在结构上由逻辑功能块排列为阵列，所述FPGA器件包括可编程逻辑块、可编程I/O模块和可编程内部连线；所述可编程I/O模块接口位于所述FPGA器件芯片内部四周，所述可编程I/O模块接口由逻辑门、触发器和控制单元组成；所述可编程逻辑块由函数发生器、触发器、数据选择器和控制单元组成；所述可编程内部连线位于芯片内部所述可编程逻辑块之间，形成连线网络。

4.根据权利要求1所述的一种基于DWG格式文件批量浏览和读取的方法，其特征在于：所述输入设备模块包括摄像机、扫描仪、CD-ROM模块、图像处理模块、遥感图像分离模块和雷达图像计算模块；所述输出设备模块包括激光打印机、绘图仪和显示器。

5.根据权利要求1所述的一种基于DWG格式文件批量浏览和读取的方法，其特征在于：

信息编码模块通过信息编码将输入DWG格式文件批量输入图像数据信息转换为改进型RBF神经网

络模型信息识别的数据信息编码，信息融合模块包含数据信息特征映射模块，所述数据信息特征映射模块将信息编码模块输出的信息模块融合在一起；信息过滤模块通过数据信息协议过滤数据信息；信息计算模块通过改进型RBF神经网络模型进行数据信息的计算；信息输出模块通过兼容式数据信息接将计算后的数据信息输出。

6.根据权利要求1所述的一种基于DWG格式文件批量浏览和读取的方法，其特征在于：图像处理识别输出方法为：

步骤一：图像获取和图像转换；

在步骤一中，通过输入设备模块获取图像，采用灰度转换的方法将彩色图进行转换；

步骤二：图像的噪音干扰消除；

在步骤二中，采用中值滤波的方法消除噪音干扰；所述中值滤波利用一个含有奇数个点的滑动窗口，选用窗口中各个点的灰度值的适当值来代替窗口中心点的灰度值进行消除；

步骤三：构建改进型RBF神经网络模型的结构；

在步骤三中，RBF神经网络模型、RCE算法模型和KNN算法模型三种网络的外部数据和样本原型向量差异值计算方式不同，改进型RBF神经网络模型将RCE算法模型和KNN算法模型引入RBF神经网络模型，将RBF神经网络模型结构的外部数据和样本原型向量差异值乘法运算改为加法运算；

步骤四：应用改进型RBF神经网络模型对输入的数据信息进行学习；

在步骤四中，所述学习模型采用监督学习的方法，构建一组训练样本数据对集，训练向量和对应的目标值组成训练样本数据；将训练向量和对应的目标值输入到系统中，通过调整参数使得目标值和输出值之间的误差达到阈值；

步骤五：改进型RBF神经网络模型数据输出；

在步骤五中，外部向量进入网络，将外部向量与每个神经元保存的样本向量计算曼哈顿距离，将得到的距离值与神经元响应阈值做比较，距离值小于响应阈值，则神经元输出DWG格式文件批量输入图像数据信息类别值。

7.根据权利要求6所述的一种基于DWG格式文件批量浏览和读取的方法，其特征在于：

图像转换的方法为：所述输入设备通过灰度转换方法将彩色图转换为灰度图；转化的公式为：

Y＝0.299×R+0.578×G+0.114×B (1)

公式(1)中，G、R、B分别表示彩色图的三个颜色分量，Y表示图像的灰度值；

所述中值滤波属于非线性滤波，从输入序列中提取出m个元素，m且为奇数，

i为所选序列窗口的中心位置，将这m个元素按大小顺序排列，取序列的中位数作为滤波输出；公式为：

g＝Med(i-v，...i，...，i+v) (2)

公式(2)中，g表示大小排序序列的中值，Med(...)表示取序列的中值，v表示除序列中心位置的元素，序列剩余元素的个数；

公式(3)中，m表示元素的个数，Z表示整数。

8.根据权利要求1所述的一种基于DWG格式文件批量浏览和读取的方法，其特征在于：所述构建改进型RBF神经网络模型的结构的方法为：计算改进型RBF神经网络模型的输入输出，函数关系式为：

y(k)＝f(g(x(k)，c，σ)，W) (4)

公式(4)中，y(k)表示输入输出函数关系式，x(k)表示外部输入矢量，c表示样本向量矢量，

改进型RBF神经网络模型的输入层和隐藏层为全连接，隐藏层的输入输出关系式为：

Dist＝(|x

公式(5)中，x

t

公式(6)中，t

o

公式(7)中，o

神经元的输出公式为：

y＝rank(o

公式(8)中，rank(.)表示生序排队函数；

y＝rank([t

公式(9)中，根据Dist曼哈顿距离的大小将输入o从小到大依次排序。

9.根据权利要求6所述的一种基于DWG格式文件批量浏览和读取的方法，其特征在于：所述改进型RBF神经网络模型对输入的数据信息进行学习的方法为：改进型RBF神经网络模型通过调整隐藏层参数使得目标值和输出值之间的误差e与阈值之间的差达到最小；

所述改进型RBF神经网络模型中采用X(k)作为隐藏层的样本向量，通过调整基宽度δ

σ

公式(10)中，c

w

公式(11)中，X表示样本向量，k表示向量个数，C

公式(12)中，g(.)表示隐藏层激活函数，将公式(12)代入到公式(11)中，得：

10.根据权利要求2所述的一种基于DWG格式文件批量浏览和读取的方法，其特征在于：

曼哈顿距离的计算方法为：外部DWG格式文件批量输入图像数据信息向量进入网络，将外部向量与每个神经元保存的样本向量计算曼哈顿距离，将得到的距离值与神经元响应阈值做比较，距离值小于响应阈值，则神经元输出图像信息类别值；

计算过程为：定义训练样本集合D＝{1H，2H，…，kH}，其中：

kH＝[kX，kT] (14)

公式(14)中，kX表示第k个外部输入训练向量；kT表示第k个训练向量对应的类别值；

网络整体函数关系式为：

公式(15)中，f(O)表示神经元的函数关系式，

f(o)＝rank(o) (16)

公式(16)中，rank(.)表示生序排队函数，神经元函数关系式为：

神经网络识别结果关系式为：

y＝rank(o

公式(18)中，(o

本发明有益的积极效果在于：

本发明能够将DWG文件包含了完整的二维或三维设计信息全面阅读出来，包括图形、文字、尺寸和图层等。本发明可以在AutoCAD软件或其他DWG查看器中打开，并以可视化的方式呈现设计内容。本发明能够通过采用基于FPGA的微机系统，对传统RBF神经网络算法进行改进，将乘法运算改为加法运算，以减低网络的运算量，同时采用最小均方差算法对权值进行调整，保证了网络的收敛性，通过图像的识别速率以及图像识别的准确率；以及将传统的图像采集、图像预处理和特征提取集合采用图像扫描引擎模块替代，大大提高了DWG文件批量阅读的实用性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：

图1展示了本发明一种基于DWG格式文件批量浏览和读取的方法的结构图；

图2展示了本发明一种基于图像处理的检验检测识别方法流程图；

图3展示了本发明改进型RBF神经网络模型的结构；

图4展示了本发明改进型RBF神经网络模型的系统模块连接图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明；

如图1所示，一种基于DWG格式文件批量浏览和读取的方法，其特征在于：包括：

微机系统，用于控制图像处理的检测检测，所述微机系统集成设置有windows 11操作系统、汇编语言和Winrar、Winzip、Rising、Ghost、Thunder工具性软件；所述微机系统由微型计算机主机、显示器、电源和控制面板组成；

输入设备模块，用于将接收到的图像传输给图像采集模块；

图像扫描引擎模块，用于对图像进行全局特征提取；所述图像扫描引擎模块操作方法包括图像采集、图像预处理和图像特征提取；所述图像采集用于获取DWG格式文件批量输入图像数据信息；所述图像预处理用于去除DWG格式文件批量输入图像数据信息的干扰、噪音及差异，将原始图像变成适合微机系统进行特征提取的形式；预处理操作包括图像的变换、增强和恢复；图像全局特征提取用于提取图像影响大的特征，以实现图像信息分类；

特征识别处理模块，采用改进型RBF神经网络算法对DWG格式文件批量输入图像数据信息进行识别，改进型RBF神经网络算法模型将RCE算法模型和KNN算法模型引入RBF神经网络，将RBF神经网络算法模型结构的外部数据与样本原型向量差异值的乘法运算改为加法运算，以减低网络的运算量，RBF神经网络是叠加外部数据和原型样本间的差异；RCE算法在中间层计算曼哈顿距离；KNN算法依靠数据点周围临近样本进行类别划分；同时采用最小均方差算法对权值进行调整；其中改进型RBF神经网络算法模型包括信息编码模块、信息融合模块、信息过滤模块、信息计算模块和信息输出模块，其中所述信息编码模块用于将输入到改进型RBF神经网络算法模型的DWG格式文件批量输入图像数据信息进行编码，以提高改进型RBF神经网络算法模型的计算能力；信息融合模块用于输入到改进型RBF神经网络算法模型的数据信息进行融合，以提高信息融合能力；信息过滤模块用于过滤输入至信息融合模块的杂乱数据信息；信息计算模块用于计算输入至改进型RBF神经网络算法模型的DWG格式文件批量输入图像数据信息；信息输出模块用于输出计算后的DWG格式文件批量输入图像数据信息；其中信息编码模块的输出端与信息融合模块的输入端连接，所述信息融合模块的输出端与信息过滤模块的输入端连接，所述信息过滤模块的输出端与信息计算模块的输入端连接，信息计算模块的输出端与信息输出模块的输入端连接；

输出设备模块，用于输出识别的DWG格式文件批量输入图像数据信息；

其中，所述微机系统与所述输入设备模块、所述图像扫描引擎模块、所述特征识别处理模块和所述输出设备模块连接；所述输入设备模块的输出端与所述图像扫描引擎模块的输入端连接，所述图像扫描引擎模块的输出端与所述特征识别处理模块的输入端连接，所述特征识别处理模块的输出端与所述输出设备模块的输入端连接。

在具体实施例中，(Radial Basis Function,径向基函数)网络是一种单隐层前馈神经网络。它使用径向基函数作为隐藏层神经元激活函数，而输出层是对隐藏层神经元输出的线性组合。在具体应用中，RBF神经网络是一种三层神经网络，其包括输入层、隐藏层、输出层。从输入层到隐藏层的变换是非线性的，从隐藏层到输出层的变换是线性的；

RCE神经网络模型中，其主体结构包括输入层、模式层和类别层，每个模式层单元都有一个对应于d维输入特征空间中超球体半径的可调整参数；在训练时，调节每个半径的数值，使得每个模式层单元能够包含进一个尽可能大的区域，该区域内的所有训练样本都应属于同一类别；在分类时，一个归一化的测试样本被分类为和它所属的区域相同的类别，而任何重叠区域被认为是模糊的，对于模糊区域可以深入询问该区域中具体点的类别。通过这种方法能够提高DWG格式文件批量输入图像数据信息处理和计算能力，通过级数展开逼近—降低数据量存储，对存储容量要求很高，而且估计概率密度函数p(x)或者对测试样本x进行分类也可能有很高的计算复杂度。大大提高了图像信息处理和应用能力。

KNN算法模型中，KNN的全称是K Nearest Neighbors，意思是K个最近的邻居，从这个名字就能看出一些KNN算法的具体含义。K个最近邻居，毫无疑问，K的取值肯定是至关重要的。KNN的原理就是当预测一个新的值x的时候，根据它距离最近的K个点是什么类别来判断x属于哪个类别。在本发明中将该方法应用到DWG格式文件批量输入图像数据信息处理中，能够提高图像信息分类能力和应用能力

在上述实施例中，所述微机系统设置有照明模块，所述照明模块采用发光二极管连接在所述微机系统的外部接口，用于光线不好处进行照明；所述微机系统采用FPGA器件，所述FPGA器件芯片采用EPF10K20TC144-4，所述FPGA器件在结构上，由逻辑功能块排列为阵列，所述FPGA器件包括可编程逻辑块、可编程I/O模块和可编程内部连线；所述可编程I/O模块接口位于所述FPGA器件芯片内部四周，所述可编程I/O模块接口由逻辑门、触发器和控制单元组成；所述可编程逻辑块主要由函数发生器、触发器、数据选择器和控制单元组成；所述可编程内部连线位于芯片内部所述可编程逻辑块之间，形成连线网络，提供所述可编程逻辑块之间以及所述可编程逻辑块与所述可编程I/O模块之间的连线，用于传递信息。

在具体实施例中，使用者通过微机系统控制外部接口处进入照明模式，则微机系统控制发光二极管实现照明功能。

在上述实施例中，所述输入设备模块包括：摄像机、扫描仪、CD-ROM模块、图像处理模块、遥感图像分离模块和雷达图像计算模块；所述输出设备模块包括：激光打印机、绘图仪和显示器。

在具体实施例中，信息编码模块通过信息编码将输入DWG格式文件批量输入图像数据信息转换为RBF神经网络信息识别的数据信息编码；

比如A类图像信息对应0001，B类图像信息对应0002，C类图像信息对应0003等依次类推。其中A类图像信息、B类图像信息、C类图像信息等对应不同的图像种类，可以按照像素、大小、比例等不同的方式进行计算。

信息融合模块包含数据信息特征映射模块，所述数据信息特征映射模块将信息编码模块输出的信息模块融合在一起；

通过前馈式深度学习网络，实现对图像信息处理系统的建模及运行状态预测。

首先对图像信息的网络模型构建，在输入层中，假设输入层神经元的输入数据为X，输入神经元的维数为n。通过神经元数目的输入，在模式层进行非线性变换，输入数据将被映射到模式层中的模式空间中，映射的计算公式为：

公式(1)中，X表示输入层的数据，X

公式(2)中，D

信息过滤模块通过数据信息协议过滤数据信息；在具体应用中，很容易存在无用数据信息，通过信息过滤模块将无用数据信息过滤；信息计算模块通过改进型RBF神经网络模型进行数据信息的计算；信息输出模块通过兼容式数据信息接口将计算后的数据信息输出。

在具体实施例中，如图3所示，RBF神经网络模型第一层为输入层，由信号源结点组成；第二层为隐藏层，以径向基函数为隐藏层各单元的变换函数，输入层到隐藏层为衰减的非负非线性函数，即RBF神经网络隐藏层的功能是将低维输入通过非线性函数映射到一个高维空间。然后在这个高维空间进行曲线的拟合；第三层为输出层，对输入信号作出响应，隐含层到输出则是线性变换的函数，即隐含层的信号通过线性的加权求值得到输出层的输出值。

在上述实施例中，如图2所示，一种基于图像处理的检验检测识别方法，采用改进型RBF神经网络模型进行识别，图像处理识别输出方法包括：

步骤一：图像获取和图像转换；

在步骤一中，通过输入设备模块获取图像，采用灰度转换的方法将彩色图进行转换；

步骤二：图像的噪音干扰消除；

在步骤二中，采用中值滤波的方法消除噪音干扰；所述中值滤波利用一个含有奇数个点的滑动窗口，选用窗口中各个点的灰度值的适当值来代替窗口中心点的灰度值进行消除；

步骤三：构建改进型RBF神经网络模型的结构；

在步骤三中，RBF神经网络模型、RCE算法模型和KNN算法模型三种网络的外部数据和样本原型向量差异值计算方式不同，改进型RBF神经网络模型将RCE算法模型和KNN算法模型引入RBF神经网络模型，将RBF神经网络模型结构的外部数据和样本原型向量差异值乘法运算改为加法运算；

步骤四：应用改进型RBF神经网络模型对输入的数据信息进行学习；；

在步骤四中，所述学习模型采用监督学习的方法，构建一组训练样本数据对集，训练向量和对应的目标值组成训练样本数据；将训练向量和对应的目标值输入到系统中，通过调整参数使得目标值和输出值之间的误差达到阈值；

步骤五：改进型RBF神经网络模型数据输出；

在步骤五中，外部向量进入网络，将外部向量与每个神经元保存的样本向量计算曼哈顿距离，将得到的距离值与神经元响应阈值做比较，距离值小于响应阈值，则神经元输出DWG格式文件批量输入图像数据信息类别值。

在上述实施例中，图像转换的方法为：通过所述灰度转换方法将彩色图转换为灰度图；转化的公式为：

Y＝0.299×R+0.578×G+0.114×B (3)

公式(3)中，G、R、B分别表示彩色图的绿、红和蓝颜色分量，Y表示图像的灰度值，灰度值为黑白图像中点的颜色深度；公式(3)实现了对输入进来的彩色图像的进行的灰度转换操作；将彩色图转换为灰度图的不同颜色、亮度显示，以提高图像识别、处理能力。

所述中值滤波属于非线性滤波，它将每一点的设置为该点某邻域窗口内的所有像素点灰度值的；从输入序列中提取出m个元素，m且为奇数，i为所选序列窗口的中心位置，将这m个元素按大小顺序排列，取序列的中位数作为滤波输出；公式为：

g＝Med(i-v，…i，…，i+v) (4)

公式(4)中，g表示大小排序序列的中值，大小排序序列的中值为像素点灰度值的中值，Med(…)表示取序列的中值，是一种求中值的计算方式，v表示除中值外序列剩余元素的个数，公式(4)实现了对抽取元素序列的中值的求取；

公式(5)中，m表示元素的个数，Z表示整数；公式(5)实现了对序列剩余元素个数的求取。

在具体实施例中，目前人们获得图像的方式大多数通过数码相机或摄像设备来获取，所得到的图像大多数为彩色图像。但由于彩色图像所包含的信息量较大，所以在图像的前期处理过程中，通常需要将彩色图转化为灰度图；在图像识别中，不管前期处理还是后期处理都是建立在灰度图的基础之上。因此，图像的灰度化是所有图像处理步骤的第一步。

在具体实施例中，实际获得的图像一般都因受到不确定的干扰而含有噪声。这些噪声使得图像质量恶化，使图像变得模糊甚至将部分其特征淹没，给正常的分析带来困难。图像平滑处理就是为了达到消除图像中噪声的目的，从而改善图片的质量，使其有利于提取到待识别对象特征，方便后面的分析。目前，应用最为广泛的去噪声技术为中值滤波。中值滤波是一种均匀平滑技术，它属于典型的非线性滤波。中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的值接近真实值，从而消除孤立的噪声点。由于中值滤波在实际应用中的要求较低，所以它的应用范围比较广。中值滤波可以在一定条件下克服线性滤波器所带来的图像细节模糊问题，从而对滤除脉冲干扰及颗粒噪声最为有效。

在上述实施例中，所述改进型RBF神经网络模型输入层将新数据与样本原型特征向量进行差异值计算，输出层根据差异值输出类别；为了计算输入向量与样本原型向量之间的相似程度，令W

网络整体输入输出关系式为：

y(k)＝f(g(x(k)，c，σ)，W) (6)

公式(6)中，y(k)表示输入输出函数关系式，x(k)表示外部输入矢量，外部输入矢量表示，将图像转换为数据的形式，c表示样本向量矢量，样本向量矢量表示样本原型数据形式，

改进型RBF神经网络模型和RBF神经网络结构相似，输入层和隐藏层为全连接，隐藏层的输入输出关系式为：

Dist＝(|x

公式(7)中，x

t

公式(8)中，t

o

公式(9)中，o

神经元的输出公式为：

y＝rank(o

公式(10)中，rank(.)表示生序排队函数，生序排队函数是对一列数据的基本排序，即从大到小的排序方法；

y＝rank([t

公式(11)实现了根据Dist的大小将输入o从小到大依次排序；

在上述实施例中，所述改进型RBF神经网络模型的学习使用监督学习的方法，构建一组训练样本数据，训练向量和训练向量对应的目标值组成训练样本数据，将训练向量和训练向量对应的目标值输入到系统中，通过调整参数使得目标值和输出值之间的误差e与阈值之间的差达到最小；

所述改进型RBF神经网络模型中采用X(k)作为隐藏层的样本向量，通过调整基宽度δ

σ

公式(12)中，c

权值w

w

公式(13)中，X表示样本向量，k表示向量个数，C

公式(14)中，g(.)表示隐藏层激活函数；公式(14)实现了调整过权值w

公式(15)实现了对权值w

在具体实施例中，最小均方算法，简称LMS算法，是一种最陡下降算法的改进，是在维纳滤波理论上运用速下降法后的优化延伸；该算法不需要已知输入信号和期望信号的统计特征，“当前时刻”的权系数是通过“上一时刻”权系数再加上一个负均方误差梯度的比例项求得。其具有计算复杂程度低、在信号为平稳信号的环境中收敛性好、其期望值无偏地收敛到维纳解和利用有限精度实现算法时的平稳性等特性，使成为中稳定性最好、应用最广的算法。

在上述实施例中，曼哈顿距离的计算方法为：外部DWG格式文件批量输入图像数据信息向量进入网络，将外部向量与每个神经元保存的样本向量计算曼哈顿距离，将得到的距离值与神经元响应阈值做比较，距离值小于响应阈值，则神经元输出图像信息类别值；

计算过程为：定义一个训练样本集合D＝{1H，2H，…，kH}，其中：

kH＝[kX，kT] (16)

公式(16)中，kX表示第k个外部输入训练向量；kT表示第k个训练向量对应的类别值；公式(16)实现了外部输入训练向量与训练向量对应的类别值的关系；

网络整体函数关系式为：

公式(17)中，f(O)表示神经元的函数关系式，

f(o)＝rank(o) (18)

公式(18)中，rank(.)表示生序排队函数，神经元函数关系式为：

公式(19)实现了神经元函数关系的计算；神经网络识别结果关系式为：

y＝rank(o

公式(20)中，(o

在具体实施例中，改进型RBF神经网络模型通过改进算法引入了RCE和KNN算法思想将乘法运算改为加法运算，将进行了灰度转换与中值滤波后的图像进行识别。将DWG格式文件批量输入图像数据信息转换为微观信息表达，以提高数据信息识别和应用能力。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变；例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围；因此，本发明的范围仅由所附权利要求书限定。