自-基于MATLAB的图像处理字母识别-

数字图像处理报告名称：字母识别学院：ﻩ 信息工程与自动化学院专业:ﻩ 物联网工程学号： ２学生姓名：ﻩ 廖成武指导教师:ﻩﻩ王剑日期： ﻩ2015年１2月28日 教务处制目录字母识别--－--－-－－--－--－------测试图像预处理及连通区域提取－---－--－--－－--－--－---样本库的建立采集ｆeatｕrｅ-----－－－-－-----－--－--选择算法输入测试图像进行测试－-－－--－------－-－--－--总结字母识别1．ｉmgPrｅPrｏcｅss(联通区域提取）目录下conn.ｍ:连通区域提取分割(在原图的基础上进行了膨胀、腐蚀、膨胀的操作使截取的图像更加接近字母)%％提取数字的边界,生成新的图clear;clｃ；f＝ｉmｒead(＇5．jpg');ｆ=ｉmaｄｊuｓt(f,[０1],[10])；SE=stｒel('square',5)；%%膨胀、腐蚀、膨胀A2=imdilatｅ(f,SE);SE＝sｔrｅl('ｄiｓk',３)f=imｅrode(Ａ2,ＳE)SE＝streｌ('squａre'，3);f＝iｍdilaｔｅ（f,SＥ)；gｒａy_lｅｖｅl＝ｇrａyｔhｒesh（ｆ);ｆ=im2ｂw(f,gｒay_lｅｖel）；［l，n]=ｂwlabel(ｆ,8)％％8连接的连接分量标注iｍshｏw(f)holｄｏnfoｒｋ=1：n％%分割字符子句［r，c]＝fｉnｄ(ｌ＝＝k);rｂar=mｅａｎ(r)；ｃbar=meaｎ（ｃ);plot(cｂar,rbaｒ,'Markeｒ＇，'o','MaｒｋerEdｇeColor',＇ｇ'，'MａｒkeｒFaceＣｏlor','y',＇MａｒkerSize',1０）;％plｏｔ(cbaｒ,rbａr,'Maｒker','*','MａrkerEｄgecoloｒ'，'ｗ＇)；ｒow=max(r）-miｎ(r）cｏl=max（c)－min(c)fｏri＝1:rowｆｏrj=1：ｃolseg(ｉ,ｊ)=1;eｎｄendcｏn=[r－min（r)+１，c－min(ｃ)＋1];[ａ,b]=size（cｏn)；fｏｒi＝1:aseｇ(con(ｉ,1)，con(ｉ,2))=0;ｅndimwrite(sｅｇ，strcat（'seg',int2ｓtr(k),'.bｍp')）;%seｇ＝zeｒos(sｉzｅ(ｓeg));cｌearseｇ;end截取后的图像ｄiｇｉｔalＲec目录下进行样本库的的建立并采集feature在对截取出来的图像进行识别之前要先输入样本并提取特征进入tempｌet.mat:我自己通过WORＬD打出字母后截屏下来获得字母样本并各自命名.ｊpg放入digitalRec目录下用以建立样本库获取特征。对每个字母都进行下面代码的的执行得到新的１x14的patｔern得到各个字母(前9个为数字１~9)每个ceｌl内的featｕrｅ信息，因为样本有限在此每个字母只提取一次ｆeaｔure。运行digRｅｃ01．mclearａｌl;cｌc;loａdtemplet;%A被分成5＊5=25个celｌ%注意A的sizｅ（长和宽都需被定义成5的倍数，因为后面要被5除)A＝ｉmreaｄ('ａ.jｐg')；A=iｍresize(Ａ,[252５]）%%将输入图像转化为25＊2５的尺寸ｆigure(1），imｓhｏw(A)B＝zｅｒoｓ(1,２5)；%%初始化一个B用于存放2５个cell的featｕre［rowｃol］=ｓize(Ａ);%%得到图像的长宽ceｌlRow=rｏｗ／５cｅｌlＣoｌ=ｃol/5count=０;curｒeｎｔＣell=１；forcurrｅnｔRow=0:4％％遍历25个cell获取ｆｅatuｒｅfｏrcｕrrenｔCol=0:4ｆｏri=1:ceｌｌRｏｗｆorj＝1:ｃeｌlＣolif(A(ｃurreｎtRow*ceｌlＲoｗ+ｉ,curｒenｔＣol*cｅｌｌＣoｌ+j)＝=0)counｔ＝ｃount+1;eｎdenｄendraｔiｏ＝ｃoｕnｔ／(cｅllRoｗ*ｃellCol）；Ｂ(1，currentＣell)＝raｔio;%%将ｆeaｔuｒe信息存入B中cｕrreｎｔCell=cｕrrenｔCｅll+1;coｕnｔ＝0；ｅnｄｅｎdpａttｅrn（１1）.nｕm=1;％%每个字母只有一个样本pattern(１1）．feature(:,１）＝B';％%将B置入patteｒｎsavetｅｍｐlｅtpatteｒnｐaｔtern、pａtｔern.featurｅ：３.ｄigitaｌReｃ目录下进行图像测试在将截取下来的图像放入ｄigitalRec目录下并改名为．bmp作为测试输入图像由于用到imshow([nuｍ2str(cｌass),'.ｊpg'］），测试后只得到“编号.ｊpg”所以根据样本库中的字母对应的数字编号新建图像命名为1０~14.ｊpg,用以输出识别出的图像。选取基于最小距离的数字识别nｅartｅmpleｔ．mfｕnｃtiony=neａｒtempleｔ(sample)；clc；ｌｏａｄｔｅmpletpatteｒn;d=０;min=[inf,0];fｏri＝1:1４％％遍历14个样本进行feａture的测试forj=1：ｐaｔteｒｎ(ｉ).nuｍd=ｓｑrｔ(sum(（patｔern(i).feａｔure（:,j)-samｐle）.^2）);ifｍｉn(1)＞dmｉn(1）=d;min(２)=i;ｅndminｅnｄｅndy=min(2);运行ｎeartｅmpｌetTesｔ.m输入测试图像调用neａrteｍpｌeｔ函数先将测试图像调整为25*2５的图像，然后同建立样本库一样的方法取得测试图像的2５个ｃeｌl的feature信息用于与样本库的feaｔure作测试A＝imｒｅaｄ('a.bmｐ'）;％待测样本A=imreｓize(A,[2５25］)%%调整大小fｉｇure（1）,subploｔ（１2１)，ｉmshoｗ(A)，titｌe(［＇待识别的数:＇]);B=ｚeros(１,25);[roｗcoｌ］=sizｅ（Ａ)；%%获取测试图像特征celｌRoｗ=rｏw/5cellCoｌ＝col/5couｎt=０；curｒenｔCell＝1；foｒcuｒｒentRow＝０：４fｏrcurrenｔCｏl＝0:4ｆori=１:cellＲowforj=1：cellCｏlif（A(curreｎｔＲｏw＊ｃellRow+i,ｃｕｒrｅntCol*celｌCol+j)==0)count=count+1;endendendrａtｉｏ＝couｎt/(cellRow*cellCol)；Ｂ(1,curｒenｔCell)＝ｒatio；ｃｕrrentCell＝curｒentＣell+1;count=0;ｅnｄenｄclasｓ=nｅartemｐlｅt（B');%%调用基于最小距离算法的测试函数得到ｃｌass为测试结％%果对应样本库的编号ｓubpｌot(122),imsｈoｗ([nｕm2sｔr（cｌasｓ),'.jpｇ']）,tiｔle（［'该数字被识别为：']);%%num2ｓtr(class)将编号转化为字符串型分别输入测试图像得到测试结果：a、h、ｅ能通过neartempleｔ识别出来r、t识别不出来ｂayesBinaｒｙ.m算法可以识别r、ht这两种算都没有识别出来应该是样本库里每个