模式识别论文.docVIP

手写体图片识别 学号：姓名： 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。 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,JPEG image(*,jpg);*.bmp,bitmap image(*,bmp);*.*,All files(*,*)}; %可以处理图片的各种格式 [filename, filepath]=uigetfile(picformat,导入训练图片,*.jpg,multiselect,on);%可以一次性选择多张图片输入 filename=cellstr(filename);%图片名字，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 for i=1:n I=imread([filepath,filename{i}]);I=255-I;I=im2bw(I,0.5);%反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));%含完整数字的最小区域 bw=imresize(bw,[16,16]);%20×20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 end train_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 for k=1:size(nchk,1) t1=train_pic{nchk(k,1)+1};t2=train_pic{nchk(k,2)+1};%构成训练样本 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(picformat,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);%图片名字，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 for i=1:m %true_num(i)=str2double(filename1{i}(1));%每幅图片代表的真实数字，文件名为01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,[1