基于KNN的手写体识别和数码管数字识别

大神符识别主要有数码管数字和手写体数字两种
数码管：
1.先进行整副图像的

处理，可以看出数码管红色很明显，所以可以进行图像通道分离，然后对红色通道二值化

效果： 


2.进行轮廓提取（findcontours），通过大小形状来滤除小的杂讯
3．由于大神符的打击需要顺序，所以要对提取的轮廓进行排序，排序的方法是通过x坐标的大小
4.利用穿线法进行提取后的数码管字体的识别，所谓穿线法就是在提取的字体的（height/3）,(2*height/3),（width/2）位置处画3条线，然后数交点个数和位置进行分类。

我用的是提取出那三条线位置处的行列矩阵，函数是Mat.rowRange(x,x+1) 

判断的效果 




手写字体：
1.手写体的预处理和数码管差不多，进行二值化，膨胀腐蚀，轮廓提取
2.识别方法用的是knn方法，knn是通过对大量测试数据分类，比如0-9这10种数字各50张分类为10份，贴上标签0-10，用knn.train(trainData,trainClasses,Mat(), false, K );进行训练，其中的traindata是训练样本矩阵（N*M）N为样本数，及矩阵行数，M是单个样本的特征值，这里的特征值是把单个字符的像素值用Mat row2=ROI.reshape(0,1);//把矩阵转至成行得到的，trainclass是一个标签矩阵每一个标签一行，traindata的目的是进行监督学习，告诉机器哪类特征对应哪类标签，然后就可以通过knn.findneast来通过样本的特征对应相应的标签
然后在检测的时候用float result=knn.find_nearest(row2,K);来进行矩阵临近值的分类，比如我识别到row2这个矩阵有K个临近值（k是参数自己设的，K越大精度越高但是速度越慢）（识别临近值是通过匹配归一化后的矩阵的像素点得到的ROI.convertTo(ROI,CV_32FC1,0.0039215);//把【0-255】进行矩阵归一化到【0-1】
Mat row2=ROI.reshape(0,1);//把矩阵转至成行
），然后对标签进行投票，比如有5个临近值K，3票1,1票2，一票3，那么就分类为票数最多的1


3.最后就是对数码管数字和手写体数字的匹配了（这个不难）


最后发现knn的识别率与样本数量（越大越精确），K值大小（越大越精确），但是速度会越慢，KNN比较鸡肋，识别率在90%吧大概，但是对于9个数字的大神符大概有一半的图片有一个手写体数字识别不了8个没问题，一半图片完全正确

最终匹配效果

代码链接：https://download.csdn.net/download/qq_35971623/10290937