一、简介
基于matlab的特征匹配的英文印刷字符识别,研究灰度转换、中值滤波、二值化处理、形态学滤波、图像与字符分隔等算法,形成了一套效果明显的字符图像识别算法。采用字符的归一化和细化处理方法,通过二值化和字体类型特征相结合的处理方法完成特征提取,建立了字符标准特征库,合理的模版匹配算法实现了印刷体字符的识别,matlab仿真代码亲测可用。
二、源代码
clear all
clc
close all
% 选择训练数据、测试数据路径(即目录TrainData和TestData)
TrainDatabasePath = uigetdir('D:\Program Files\MATLAB\R2007b\work', '选择[训练数据]路径' );
TestDatabasePath = uigetdir('D:\Program Files\MATLAB\R2007b\work', '选择[测试数据]路径');
prompt = {'输入测试图像名字(1、2):'};
dlg_title = 'PCA识别输入';
num_lines= 1;
def = {'1'};
TestImage = inputdlg(prompt,dlg_title,num_lines,def);
TestImage = strcat(TestDatabasePath,'\',char(TestImage),'.jpg');
im = imread(TestImage);
T = CreateDatabase(TrainDatabasePath);%创建测试数据库
[m, A, EigenPos] = PCA(T);
OutputName = Recognition(TestImage, m, A, EigenPos);%识别输出匹配图像
SelectedImage = strcat(TrainDatabasePath,'\',OutputName);
SelectedImage = imread(SelectedImage);
imshow(im)
title('测试图像');
figure,imshow(SelectedImage);
title('等价图像');
unction OutputName = Recognition(TestImage, m, A, EigenPos)
% 识别操作:比较两图像,通过将图像映射到特征空间,并测量两者间的欧式距离
% 参数:TestImage 输入测试图像路径
% m (M*Nx1) 训练数据库的均值
% EigenPos (M*Nx(P-1)) 训练数据的协方差矩阵特征向量
% A (M*NxP) 居中的图像向量矩阵
% 返回:OutputName 训练数据库中被识别出来的图像名字
% 所有居中的图像通过乘以Eigenfaces来进行映射,每一副图的映射向量将是对应的特征向量
ProjectedImages = [];
Train_Number = size(EigenPos,2);
for i = 1 : Train_Number
temp = EigenPos'*A(:,i); %居中的图像映射
ProjectedImages = [ProjectedImages temp];
end
% 从测试图像中提取出PCA特征
InputImage = imread(TestImage);
temp = InputImage(:,:,1);
[irow icol] = size(temp);
Difference = double(InImage)-m; % 居中的测试图像
ProjectedTestImage = EigenPos'*Difference; % 测试图像特征向量
% 计算被映射的测试图像与所有居中的训练图像投影之间的欧式距离
% 设定测度图像与训练数据库中相应图像有最小距离
Euc_dist = [];
for i = 1 : Train_Number
q = ProjectedImages(:,i);
temp = ( norm( ProjectedTestImage - q ) )^2;
Euc_dist = [Euc_dist temp];
end- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28.
- 29.
- 30.
- 31.
- 32.
- 33.
- 34.
- 35.
- 36.
- 37.
- 38.
- 39.
- 40.
- 41.
- 42.
- 43.
- 44.
- 45.
- 46.
- 47.
- 48.
- 49.
- 50.
- 51.
- 52.
- 53.
- 54.
- 55.
- 56.
- 57.
- 58.
- 59.
- 60.
三、运行结果

1086

被折叠的 条评论
为什么被折叠?



