💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥
✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：Matlab仿真科研站博客之家
🏆代码获取方式：
💥扫描文章底部QQ二维码💥
⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。
⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）
⛄一、模板匹配发票识别简介
随着当今社会信息化的飞速发展,数字在日常生活中发挥着巨大的作用,人们每天无时无刻不在使用数字,数字完全可以准确地表达出文字语言所要表达的含义.手机号、银行卡号和身体情况的各项参数等,这些数字信息都需要通过阿拉伯数字0~9这10个数字的不同组合来表示.因此,要想使数字的信息化时代可以更加安全稳定地发展,采用准确快速的数字识别方法是唯一有效的途径.光学字符识别(OCR)技术已经有几十年的发展历史,从刚开始的实验研究过程过渡到实际应用过程[1].经过几十年的研究发现数字字符识别的方法主要有两类:基于数字结构特征的数字识别方法[2,3,4]和基于数字统计特征的数字识别方法[5].应用比较广泛的识别方法包括:采用常规模板匹配方法进行数字识别[6,7]、基于神经网络方法的数字识别[8]、基于字符特征提取与模板匹配方法相结合的数字识别方法[9]、基于模板匹配和特征点匹配相结合的数字识别方法[10].
为了进一步提高识别率,本文根据发票号码图像的二值化特点,以Matlab为平台,提出了基于模板匹配的准确、高效的发票号码识别算法,并通过模板匹配算法对大量发票号码图像进行识别实验.
**1 数字图像预处理
- 1 数字图像采集**
本文采集的图像是利用相机拍摄的发票电子照片. 理论上,图像的分辨率越高,图像中所蕴含的数字信息量就越大,数字识别的准确率也就越高,但是由于分辨率的提高相应需要的计算量也就增加,导致识别时间减慢,系统的响应时间也就越大. 由于印刷体数字的结构比较简单,所以识别所需的信息量相对较少,利用相机拍摄取得的数字图像完全可以满足数字识别的要求.
**1. 2 图像预处理
-
- 1 图像去噪处理**
图像之所以会有噪声是因为在进行图像采集和传输的过程中传感器受到自身因素和外界环境因素的影响,比如传感器自身元器件的质量,采集时外界光照强度等诸多因素的共同影响. 图像的去噪就是为了将这些干扰因素去除而使图像更加清晰,得到更加真实的图像. 本文主要采用自适应中值滤波算法来去除图像噪声.
- 1 图像去噪处理**
中值滤波算法[11]是在1970年由Tukey提出的一种一维滤波器,该算法首先将一定实心邻域内的像素点根据其灰度值进行排序,选取这些灰度值中的中值并将这个灰度值赋给邻域中的所有像素点.中值滤波的步骤为:1)选取合适大小的滤波窗口;2)将选取出来的像素点根据其灰度值大小按照由小到大进行排序;3)选取像素点灰度值排列的中值作为中值灰度值;4)将滤波窗口中的所有像素点的灰度值改为中值灰度值.图3为中值滤波算法的实现过程.
中值滤波器是应用最广泛的统计滤波器,其不仅可以有效地消除掉图像中的噪声,而且可以不改变图像的边缘轮廓信息,弥补了线性滤波器处理图像过程中存在的缺陷与不足,自适应中值滤波器可以对较大概率的噪声进行处理,还可以在平滑非冲激噪声的同时保存细节.
1. 2. 2 图像二值化
图像二值化就是将256 色的灰度图像转化成像素值为仅由0 和1 表示的黑白图像,在本文中,对灰度化图像进行二值化转换后得到的图像中数字为白色,背景为黑色. 数字图像二值化是数字识别过程中非常重要的一个步骤,二值化后图像中的数字字符的边缘轮廓可以非常容易地被选取出来,可以准确地确定出字符的边缘,因此可以很容易地提取出数字的特征.
设定一随机值T’ = random( 0,255) . 以T为阈值,令T = T’,将图像分割成两部分G1、G2,然后计算两部分的平均灰度值u1、u2. 令T’ = ( u1+ u2) /2,如果T与T’之间的绝对值之差小于指定值,则图像最终灰度分割阈值定为T,否则再令T = T’,重新分割图像.
1. 2. 3 数字分割预处理
运用投影法对数字进行切割之前,要进行一些简要的处理,主要是噪声粘连区域修复针对具体的识别对象加入的特别处理环节. 由于数字区域有印章的痕迹较大,图像预处理很难全部滤除这些噪声,导致进行数字分割处理时,把面积较大的噪声粘连区域分割出来,这为后面的数字识别工作带来严重的干扰. 因此,必须想办法修复噪声粘连区域.
针对以上问题,本文首先通过统计求出数字的最小连通面积smax= 165,设置smax作为数字连通面积的阈值. 该阈值作为判断图片非数字的噪声区域的门限值,用于识别粘连噪声区域. 针对图像中连通面积低于165 的,判定为噪声粘连区域.对噪声粘连区域进行反色处理,从而消除分割过程中的噪声粘连区域和去噪环节无法去除的杂点,并进行正常的数字分割.
1. 2. 4 数字归一化
数字大小归一化是指对不同大小的数字字符做统一的几何变换,使其成为大小一致的数字字符. 归一化的要求是保持数字字符的拓扑结构不改变,保持字符的真实性,提高数字识别的准确率. 令f( x,y) 为原图像,g( x’,y’) 为归一化后的图像,归一化后的图像与原图像的坐标之间的映射关系为
式中: width、width’分别表示归一化之前数字字符的宽度和归一化之后数字字符的宽度; height和height’分别表示归一化之前数字字符的高度和归一化之后数字字符的高度. 归一化后( x’,y’) 点的灰度值为
2 数字识别
2. 1 基于左右轮廓特征的发票号码识别算法
左右轮廓特征的印刷体数字识别算法是模板特征匹配的一个典型应用,其主要思路是把单个数字水平分为6 部分,可以均匀分割也可以不均匀分割,根据字符字体的特征做出相应的调整. 在特征提取过程中,不再是扫描每一行的连续黑色像素点的个数,作为该行的左右轮廓特征. 取样的位置选择斐波那契数列进行取样,斐波那契数列为1,1,2,3,5,8,即在第1 部分和第6 部分靠近上下边缘处,第3 部分和第4 部分接近中间处开始的1 /8,2 /8,3 /8,5 /8,8 /8 的位置取样. 因为数字字符的右侧边缘与左侧边缘的特征比较相似,所以在对右侧边缘进行特征提取是只在第3 部分和第4 部分提取,则右侧边缘会抽取10 个特征,通过观察发现,根据数字“2”和数字“7”的特征比较,为了提高这两个数字的识别准确率增加了4 个特征,对第6 部分的1 /8,2 /8,3 /8,5 /8 进行采样,最终得到一个34 维的特征向量,这个特征向量充分描述了数字图像的左右边缘特征情况.
最后将提取的34 维特征向量通过使用欧几里德距离来比较特征向量之间的相似度. 计算待识别数字的特征向量与标准库中各个数字的标准模板特征向量的欧氏距离,选择距离最小的模板字符作为最后的识别结果.
- 2 基于数字结构特征的发票号码识别算法
基于数字结构特征的印刷体数字识别算法,利用多特征抽取和模板特征匹配的方法来实现印刷体数字的快速识别. 通过提取算法得到10 维特征向量,使用欧几里德距离来比较特征向量之间的相似度. 计算待识别数字的特征向量与标准库中各个数字的标准模板特征向量的欧氏距离,选择距离最小的模板字符作为识别结果.
根据发票号码结构特征,提取发票号码的3 类特征,即横竖线、过线数和横贯间隙. 其中,横竖线特征4 个,过线数2 个,横贯间隙4 个,总计10 个特征,由此组成10 维特征向量. 将发票号码根据这10 个特征进行特征抽取,得出的特征值
⛄二、部分源代码
function varargout = GUI(varargin)
% GUI MATLAB code for GUI.fig
% GUI, by itself, creates a new GUI or raises the existing
% singleton*.
%
% H = GUI returns the handle to a new GUI or the handle to
% the existing singleton*.
%
% GUI(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in GUI.M with the given input arguments.
%
% GUI(‘Property’,‘Value’,…) creates a new GUI or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before GUI_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to GUI_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help GUI
% Last Modified by GUIDE v2.5 24-Apr-2022 19:37:18
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @GUI_OpeningFcn, …
‘gui_OutputFcn’, @GUI_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% — Executes just before GUI is made visible.
function GUI_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to GUI (see VARARGIN)
% Choose default command line output for GUI
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes GUI wait for user response (see UIRESUME)
% uiwait(handles.figure1);
% — Outputs from this function are returned to the command line.
function varargout = GUI_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure
varargout{1} = handles.output;
% — Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
global I;
I=imread(‘image3.jpg’);
axes(handles.axes1);
imshow(I)
title(‘原图’)
figure
imshow(I)
title(‘原图’)
% — Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
global I gray;
%灰度图转换
gray = rgb2gray(I);
axes(handles.axes2);
imshow(gray);title(‘灰度图’);
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]宁宫义山,王鹏.基于模板匹配的发票号码识别算法[J].沈阳工业大学学报 2015,37(06),673-678
3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化
2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类
2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测
2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测
3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别
3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建
4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题
4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划
4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划
4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配
5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏
6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏
7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断
7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真
7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真
7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰
7.5 无人机通信
7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
598
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
