模式识别论文

手写体图片识别学号：姓名：专业：通信工程基于支持向量机的手写体数字图片识别摘要：手写体图片识别有多种方法，基于支持向量机的手写体图片识别相比其它方法来说，所使用的样本数量较少，结果较为精确。因此，基于支持向量机的手写体图片识别有比较重要的意义，较好的方法将会在社会生活中发挥作用。本文以作者做的一个小程序来阐述手写体图片识别的基本步骤，本程序并不是最好的程序，有待改进。另外，由于时间有限，网上没有找到手写体图片训练样本，因此，作者亲自为本程序做了样本，但是只有30张图片。关键词:手写体图片识别向量机数字图片二值图像引文:如今，社会生活中手写体图片识别有重要意义，各种方法应运而生。向量机相比神经网络来说需要的样本数量较少，是一种比较先进的方法。本程序首先需要采集手写体数字图片样本。首先找四位同学，请他们在空白纸上写下0到9十个数字。然后用ZJ886相机逐个数字进行拍片。任选3组作为训练样本，文件名命名规则为第一个数字代表实际数字，第二个数字为实际组数。例如：0的第一张样本我们命名为01.jpg，第二张命名为02.jpg。依次类推。我们通过第一个数字告诉了电脑训练图片的实际数字是多少。关键词:手写体图片识别向量机数字图片二值图像正文：我们首先来记录一下整个实验步骤：首先，打开Matlab,新建M文件，输入如下程序：clear;clc;picformat=('*.jpg','JPEGimage(*,jpg)';'*.bmp','bitmapimage(*,bmp)';'*.*','Allfiles(*,*)');%可以处理图片的各种格式[filename,filepath]=uigetfile(picforma>入训练图片,'*.jpg','multiselect','on');%可以一次性选择多张图片输入filename=cellstr(filename);%B片名字，如01，代表数字0的第一幅图片n=length(filename);totalpicture=zeros(n,256);group=zeros(n,1亮％度255代表白色fori=1:nI=imread([filepath,filename(i)]);I=255-I;I=im2bw(I,0.5)|%色处理并转化为二值图像[y,x]=find(I==1);bw=I(min(y):max(y),min(x):max(x))；%完整数字的最小区域bw=imresize(bw,[16,16]);%2020像素大小totalpicture(i,:)=double(bw(:)');将图像转化数字矩阵group(i)=str2double(filename{i}(1));图片对应的真实数字endtrain_pic=arrayfun(@(k)totalpicture(group==k,:),0:9,'uniformoutput',false循环函数，即将指定的函数应用到给定数组的所有元素nchk=nchoosek(0:9,2);%将0~9两两配对svm=cell(size(nchk,1),1);*将0~9数字分类总共需要的向量机fork=1:size(nchk,1)t1=train_pic{nchk(k,1)+1};t2=train_pic{nchk(k,2)+1}t%成训练样本svm{k}=svmtrain([t1;t2],[ones(size(t1,1),1);zeros(size(t2,1),1)],'kernel_function','polynomial','polyorder',1);%支持向量机训练函数，核函数可以选用其他end%导入测试图片[filename1,filepath1]=uigetfile(picforma导入测试图片,'*.jpg','multiselect','on');%可以一次性选择多张图片输入filename=cellstr(filename1);晦片名字，如01，代表数字0的第一幅图片m=length(filename1);totalpicture1=zeros(n,256);group1=zeros(n,1)亮度255代表白色fori=1:m%true_num(i)=str2double(filename1{i}(1));每幅图片代表的真实数字，文件名为1等J=imread([filepath1,filename1{i}]);J=255-J;J=im2bw(J,0.5);[y,x]=find(J==1);bw=J(min(y):max(y),min(x):max(x));bw=imresize(bw,[16,16]);test=double(bw(:)');fork=1:length(svm)svmresult(k)=svmclassify(svm{k},test);支持向量机分类函数temp(k)=nchk(k,1).*svmresult(k)+nchk(k,2).*~svmresult(k);endresult(i)=mode(temp);%两两比较，以出现次数多的为最终类别endresult然后，我们让四位同学在空白纸上写下0到9十个数字，用ZJ886相机进行拍片，得到分辨率为320*240的40张数字图片。任选三组作为训练图片，并按照引文中说的那样对文件名正确命名。另一组作为训练图片，文件名可任意。第三步，点击运行。程序提示导入训练图片：打开训练图片的文件夹，全选进行导入：第四步：稍等片刻，注意训练图片越多，等待的时间越长。程序再次提示导入图片，不过是

导入测试图片。我们在第四位同学的手写体图片中任选两张放入测试1文件夹中。全选进行导入：此时可以在Matlab的命令窗口中看到实验结果:由于我们的训练图片较少，程序不够完美等原因。本程序识别时产生了误差，将第一个图片4识别成了0,识别错误。但是第二张图片成功识别。测试陌生图片结束，现在我们试试测试训练图片：再次运行本程序（注意需再次导入训练图片），当程序提示我们导入测试图片时，我们不导入第四位同学的手写体图片，而是在训练图片中任选两张放入测试2文件夹中，重新命名为任意名字。打开并全选导入。

此时我们可以看到结果:程序识别完全正确，说明程序对已经训练过的图片识别效果要比陌生图片效果要好，经过作者多次测试，本程序对已经训练过的图片识别正确率几乎为100%。而陌生图片的效果则没有这么好。注意本程序由于元胞数组的限制，每次测试至少导入两张测试图片。实验已经结束，我们对程序做一下简单的分析，首先程序用picformat语句规定了要导入图片的格式。AllFiles表示我们可以导入任何类型的图片。[filename,filepath]=uigetfile（picformat,'导入训练图片','*.jpg','multiselect','on'）语句打开了导入训练图片的对话框，并把文件名字和文件路径相应的赋值给数组filename,filepath.注意我们可以导入多张图片，因此filename的值是一个数组，而不是一个变量。filename=cellstr(filename)这条语句将filename数组转换成了字符串数组。group(i)=str2double(filename{i}(1))这条语句是我们进行数字图片命名的基本依据，因为程序截取了文件名的第一个字符，因此，我们把文件名的第一个字符设置成真实数字的名字。这样程序就可以识别出每张训练图片了。训练程序结束后我们需要导入测试图片，注意这一步不能少。因此我们需要再次产生一个导入测试图片的对话框。是我们能够导入测试图片：[filenamel,filepath1]=uigetfile(picformat,'导入测试图片','*.jpg','multiselect','on');最后的语句：result(i)=mode(temp);得至|了实验结果。但是加分号后我们什么也看不出来。另外这条语句是在循环体内，为了避免重复显示，我们需要在循环体外再加上一个result语句。此时，结果就可以正确显示在命令窗口中了。通过手写体数字图片的识别，我们可以加深对模式识别的理解。模式识别需要样本，具有代表性的样本往往可以让程序运行出更为精确的结果。另外，程序对已经训练过的样本识别效果要明显比陌生图片