基于SVM的手写字体识别

最新推荐文章于 2024-04-02 19:27:07 发布

人工智能算法学习matlab

最新推荐文章于 2024-04-02 19:27:07 发布

阅读量612

点赞数 6

分类专栏：人工智能算法实例matlab 文章标签：支持向量机算法机器学习人工智能

本文链接：https://blog.csdn.net/qq_46076137/article/details/135893095

版权

人工智能算法实例matlab 专栏收录该内容

14 篇文章 0 订阅

订阅专栏

本文介绍了如何使用Matlab中的SVM算法对手写字体进行识别，包括数据预处理、模型训练和测试过程。通过选取训练样本，调整超参数，实现对手写数字的准确分类。

摘要由CSDN通过智能技术生成

随着人工智能技术的发展，手写字体识别已成为计算机视觉领域的一个重要研究方向。SVM（支持向量机）是一种常用的机器学习算法，可以用于手写字体识别。

图像链接：https://pan.baidu.com/s/1ydtgCRyyrXCD3VLX1ITnrA?pwd=nqql
提取码：nqql

%%清空环境变量

close all;
clear;
clc;
format compact;

%% 载入训练数据

% 利用uigetfile函数交互式选取训练样本

[FileName,PathName,FilterIndex] = uigetfile( ...
    {'*.jpg';'*.bmp'},'请导入训练图片','*.jpg','MultiSelect','on');
if ~FilterIndex
    return;
end
num_train = length(FileName);
TrainData = zeros(num_train,16*16);
TrainLabel = zeros(num_train,1);
for k = 1:num_train
    pic = imread([PathName,FileName{k}]);
    pic = pic_preprocess(pic);
    % 将标准化图像按列拉成一个向量并转置，生成50*256的训练样本矩阵
    TrainData(k,:) = double(pic(:)');
    % 样本标签为样本所对应的数字
    TrainLabel(k) = str2double(FileName{k}(4));
end

%% 建立支持向量机

% [bestCVaccuracy,bestc,bestg] = ...
%     SVMcgForClass(TrainLabel,TrainData,-8,8,-8,8,10,0.8,0.8,4.5)
% 设置GA相关参数
    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)

gaSVMcgForClass子函数：http://t.csdnimg.cn/02KdD

% 训练

cmd = ['-c ',num2str(bestc),' -g ',num2str(bestg)];
model = svmtrain(TrainLabel, TrainData, cmd);

% 在训练集上查看识别能力

preTrainLabel = svmpredict(TrainLabel, TrainData, model);

%% 载入测试样本

[FileName,PathName,FilterIndex] = uigetfile( ...
    {'*.jpg';'*.bmp'},'请导入测试图片','*.bmp','MultiSelect','on');
if ~FilterIndex
    return;
end
num_train = length(FileName);
TestData = zeros(num_train,16*16);
TestLabel = zeros(num_train,1);
for k = 1:num_train
    pic = imread([PathName,FileName{k}]);
    pic = pic_preprocess(pic);
    
    TestData(k,:) = double(pic(:)');
    TestLabel(k) = str2double(FileName{k}(4));
end

%% 对测试样本进行分类

preTestLabel = svmpredict(TestLabel, TestData, model);
assignin('base','TestLabel',TestLabel);
assignin('base','preTestLabel',preTestLabel);
TestLabel'
preTestLabel'

子函数pic_preprocess

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

源自：《Matlab神经网络43个案例分析》。