MATLAB 神经网络43个案例——手写字体识别

本文着重讲解代码，支持向量机（svm）的原理这里就不再赘述了。

上代码！

零、图像预处理函数

function pic_preprocess = pic_preprocess(pic)
% 图片预处理子函数
pic = 255-pic;
% 图像反色处理
pic = im2bw(pic,0.4);
% 设定阈值，将反色图像转成二值图像
[y,x] = find(pic == 1);
% 查找数字（识别目标）的所有像素点的行标y和列标x
pic_preprocess = pic(min(y):max(y), min(x):max(x));
% 截取包含完整数字的最小区域
pic_preprocess = imresize(pic_preprocess,[16,16]);
% 将截取的包含完整数字的最小区域图像转成16*16的标准化图像

一、训练集数据处理 

1、读入训练集图像

[FileName,PathName,FilterIndex] = uigetfile( ...
    {'*.jpg';'*.bmp'},'请导入训练图片','*.jpg','MultiSelect','on');
%FileName：读入图像的文件名
%PathName：图像文件的路径
%FilterIndex：可选项的索引 例如{'*.jpg';'*.bmp'}中 前者索引为1 后者索引为2
%{'*.jpg';'*.bmp'}：可选项类型
%'请导入训练图片'：文本对话框
%'MultiSelect','on'：多选功能打开，可以一次选择多个图像

if ~FilterIndex %如果FilterIndex为0 则返回上一步再次导入图像
    return;
end

2、为读入的图像留存储空间

num_train = length(FileName);
%训练集中图像的数目
TrainData = zeros(num_train,16*16);
%训练数据集 该矩阵维度50*256
TrainLabel = zeros(num_train,1);
%训练标签集 50*1 列向量

3、对图像预处理、收纳、贴标签

for k = 1:num_train
    pic = imread([PathName,FileName{k}]); %读入图像
    pic = pic_preprocess(pic);%进行图像预处理 预处理后pic维度为16*16

    TrainData(k,:) = double(pic(:)');
    %将预处理后的图像按列拉成一个列向量，然后转置成行向量 放入训练数据集第k行中
    %训练数据集的每一行 存放一张图片（即转换成行向量的图片像素数据）

    TrainLabel(k) = str2double(FileName{k}(4));
    %为每张图像贴上对应的标签
    %FlieName{1} 细胞体中第1个元素:'num0_1.jpg'，FlieName{1}(4)为字符'0'
end

        这一模块可以理解成对原始图像进行标准化，然后将二维图像展平成一维数组，收入数据集矩阵中，并贴上对应的标签。就像把一堆衣服，一件件叠好，然后收纳进柜子，并贴上标签（T恤or卫衣or其它）衣服——原始图像，叠好——预处理，收纳——放入数据集矩阵，贴标签——建立标签集 。

二、建立支持向量机

1、参数寻优，需要下载作者自建的工具包

    ga_option.maxgen = 100;
    ga_option.sizepop = 20;
    ga_option.cbound = [0,100];
    ga_option.gbound = [0,100];
    ga_option.v = 10;
    ga_option.ggap = 0.9;
    [bestCVaccuracy,bestc,bestg] = ...
    gaSVMcgForClass(TrainLabel,TrainData,ga_option)
%找到最优参数 bestc、bestg

2、训练支持向量机

cmd = ['-c ',num2str(bestc),' -g ',num2str(bestg)];
%最优参数
model = libsvmtrain(TrainLabel, TrainData, cmd);
%构建支持向量机模型
preTrainLabel = libsvmpredict(TrainLabel, TrainData, model);
%通过训练集检验模型的识别率

三、测试集数据导入 

详细解析同第一部分训练集数据处理，不再赘述

[FileName,PathName,FilterIndex] = uigetfile( ...
    {'*.jpg';'*.bmp'},'请导入测试图片','*.bmp','MultiSelect','on');
if ~FilterIndex
    return;
end

num_test = length(FileName);
TestData = zeros(num_test,16*16);
TestLabel = zeros(num_test,1);

for k = 1:num_test
    pic = imread([PathName,FileName{k}]);
    pic = pic_preprocess(pic);
    TestData(k,:) = double(pic(:)');
    TestLabel(k) = str2double(FileName{k}(4));
end

四、功能实现 

用训练好的模型对测试集进行验证，看识别准确率

preTestLabel = libsvmpredict(TestLabel, TestData, model);
TestLabel'    %显示测试集原来的标签
preTestLabel' %显示模型预测的标签

五、总结

        整体而言，这一案例较为简单，可以仔细阅读本文、并进行上机实验加深对代码理解。这是我的第一篇博客，还显得十分生涩。此外没对支持向量机进行理论分析，仅为代码的解读，有不妥之处还望各位指正。

PS：

        代码中的训练集和测试集均为《MATLAB神经网络43个案例分析》一书中的资源。可在此下载：https://service.buaapress.com.cn/mzs/file/index/c/d/keyword/MATLAB