pattern、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.m function y=neartemplet(sample); clc;

load templet pattern; d=0;

min=[inf,0];

for i=1:14 %%遍历14个样本进行feature的测试 for j=1:pattern(i).num

d=sqrt(sum((pattern(i).feature(:,j)-sample).^2)); if min(1)>d min(1)=d; min(2)=i;

end min end end y=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,[25 25]) %%调整大小

figure(1),subplot(121),imshow(A),title(['待识别的数：']); B=zeros(1,25);

[row col] = size(A); %%获取测试图像特征

cellRow = row/5 cellCol = col/5 count = 0;

currentCell = 1;

for currentRow = 0:4 for currentCol = 0:4 for i = 1:cellRow for j = 1:cellCol

if(A(currentRow*cellRow+i,currentCol*cellCol+j)==0) count=count+1; end end end

ratio = count/(cellRow*cellCol); B(1,currentCell) = ratio; currentCell = currentCell+1; count = 0; end end

class = 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、h

t这两种算都没有识别出来应该是样本库里每个字母输入的样本只有一个造成的。

4.总结

本次作业内容为字母识别要点为三个测试图像的预处理、样本库建立及采集特征、采集测试图像特征后与样本库进行不同算法的测试。在老师讲过整个字母识别的大体流程后，我自己对老师给的代码进行了分析及修改使得自己对整个字母识别模块更加熟悉，再输入测试图像之后大体得到了期望的结果，由于建立样本库的时候输入样本有限，导致有字母识别不出来，所以如果要求进行精确识别前提就是要有庞大的样本库的建立。