基于opencv的手写数字字符识别

于的手写数字别2013级

计算机软与理论摘要本程序主参照论文，《基于OpenCV脱机手写字符识别术》实现了，对于手写阿伯数字的识别工作。别工作分三大步骤：预，特征提取，分类识别。预处过主要找到图像的部分子图像并行大小的归一化处理特征提取将图像转化特征向量，分类识别采k-近分方法进行分处，最根据类果完成识工。程采用2010与OpenCV2.4.4在位旗版统下开发完。在xp-32位系统下试用主流图：细化流程图：1.预处理预处理的过程就是找到图像的区域的过程，如下图所示：首先找到数字的边界框，然后大小归一化数字图片，主要流程如下图所示：主要代码：Iplimagepreprocessing(IplImage*imgSrc,intnew_width,intnew_height){IplImage*result;IplImage*scaledResult;CvMatdata;CvMatdataA;CvRectbb;//boundingboxCvRectbba;//boundinbboxmaintainaspectratio//Findboundingbox找到边界框=findBB(imgSrc);GetSubRect(imgSrc,&data,cvRect(bb.x,bb.y,bb.width,bb.height));intsize=(bb.width>bb.height)?bb.width:bb.height;result=cvCreateImage(cvSize(size,size),8,1);cvSet(result,CV_RGB(255,255,255),NULL);//将图像放中间，大小归一化intx=(int)floor((float)(size-bb.width)/2.0f);inty=(int)floor((float)(size-bb.height)/2.0f);cvGetSubRect(result,&dataA,cvRect(x,y,bb.width,bb.height));cvCopy(&data,&dataA,NULL);//Scaleresult1);*scaledResult;//直接回理的片}2.特提取在到像少信量后就以接图作向矩作输入:{i++)//总共个数字{for(j=0;j<train_samples;j++)//个数字个样本{//加载所有的样本格式图像作为训练if(j<10)sprintf(file,"%s%d/%d0%d.pbm",file_path,i,i,j);elsesprintf(file,"%s%d/%d%d.pbm",file_path,i,i,j);src_image=cvLoadImage(file,0);if(!src_image){printf("Error:CantloadImage%s\n",file);//exit(-1);}//processfileprs_image=preprocessing(src_image,size,size);//生成训练矩阵，每个图像作为一个向量cvGetRow(trainClasses,&row,i*train_samples+j);cvSet(&row,cvRealScalar(i));//SetdatacvGetRow(trainData,&row,i*train_samples+j);IplImage*img=cvCreateImage(cvSize(size,size),IPL_DEPTH_32F,1);//转换imageto32位浮点数图片取值区间为[0,1]//scale=0.0039215=1/255;cvConvertScale(&prs_image,img,0.0039215,0);cvGetSubRect(img,&data,cvRect(0,0,size,size));CvMatrow_header,*row1;//convertdatamatrixsizexsizetovecorrow1=cvReshape(&data,&row_header,0,1);cvCopy(row1,&row,NULL);}}}3.分类识别识别方法采用近邻分类法。这个算法首先贮藏所有的训练样本，然后通过分析（包括选举，计算加权和等方式）一个新样本周围最近邻以给出该样本的相应值。这种方法有时候被称作“基于样本的学习”，即为了预测，我们对于给定的输入搜索最近的已知其相应的特征向量。K最近邻(k-NearestNeighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的个最相似即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说KNN方法较其方法为。识别作主要有以几个：1.机器学习算法，其训练knn=newCvKNearest(trainData,trainClasses,0,false,K);因为trainData,trainClasses数据已。训练在算法中已经成2.识别识别测的数据，testDataresult=knn->find_nearest(testData,K,0,0,nearest,0);result为返回的识别的结果4.实验结果在参数，子图像向量大小选取像素，训练样本副图片，测试样本副图片，系统误识率为。对于用户手写阿拉伯数字的识别结果为，识别比较准确。5.未来的工作本程序主要参照网上的一些实例完成了部署跟实验工作，虽然仅仅完成了手写阿拉伯数字的识别工作，但是字符识别的一些原理工作都是