基于模糊特征的文字识别+实现代码

最新推荐文章于 2024-06-17 11:41:40 发布
最新推荐文章于 2024-06-17 11:41:40 发布
阅读量2.5k 收藏 6
点赞数 1
分类专栏： 模式识别算法 文章标签： 模糊特征 文字识别 代码
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u014070279/article/details/48013281
版权

基于模糊特征的文字识别实习原理如下：



代码如下：（在OPENCV环境下编写）

#pragma comment(lib, "opencv_imgproc220d.lib")  
#pragma comment(lib, "opencv_highgui231d.lib") 
#pragma comment(lib, "opencv_core231d.lib") 


#include "highgui.h"
#include <math.h>
#include <cv.h>
#include "stdio.h"
#include "stdlib.h"
#include "math.h"


#define N 26     //字母数量
#define dimNum 8  //向量维数
#define min(a, b) (a<b?a:b)
#define max(a, b) (a>b?a:b)


CvSize letterSize;
double letterVector[N][dimNum];


void getFuzzyVector(IplImage *srcPic);   //获取26个字母的迷糊向量
void letterMatch(IplImage *testPic);    //字母匹配
void fuzzyNearness(double *src);       //贴进度计算


void main()
{
IplImage *srcPic;
srcPic = cvLoadImage("1.bmp", 0);
if(srcPic==NULL)
{
printf("打开训练图片错误\n");
exit(0);
}


IplImage *testPic;
testPic = cvLoadImage("test.bmp", 0);
if(testPic==NULL)
{
printf("打开测试图片错误\n");
exit(0);
}

getFuzzyVector(srcPic);   //获取26个字母的模糊向量


letterMatch(testPic);    //字母匹配


cvShowImage("训练图片", srcPic);
cvShowImage("测试图片", testPic);
cvWaitKey(0);


cvDestroyAllWindows();
cvReleaseImage(&testPic);
cvReleaseImage(&srcPic);
}




//贴进度计算
void fuzzyNearness(double *src)
{
int i, j, laber;
double sum, maxNum;
double Y[N];
double temp[dimNum];
double minNum;
bool flag = false;
double innerMul[N];
double outerMul[N];


//欧几里得贴进度
for(i=0; i<N; i++)
{
sum = 0;
for(j=0; j<dimNum; j++)
sum += (src[j]-letterVector[i][j])*(src[j]-letterVector[i][j]);
Y[i] = 1-sqrtf(sum)/sqrtf(dimNum);
}


//输出结果
maxNum = Y[0];
laber = 0;
for(i=1; i<N; i++)
if(maxNum<Y[i])
{
maxNum = Y[i];
laber = i;
}


printf("%c  ", laber+65);
}




//字母匹配
void letterMatch(IplImage *testPic)
{
int i, j;
int flag = 0;


CvScalar scalar;
int xPixelNum, yPixelNum;
int yTop, yDown, xLeft, xRight;
int letterHeight, letterWidth;
CvPoint centre;


IplImage *cannyPic = cvCreateImage(cvGetSize(testPic), testPic->depth, 1);
cvCanny(testPic, cannyPic, 50, 150, 3);


//寻找Y坐标
yTop = yDown = 0;
for(i=0; i<cannyPic->height; i++)
{
yPixelNum = 0;
for(j=0; j<cannyPic->width; j++)
{
scalar = cvGet2D(cannyPic, i, j);


if(scalar.val[0] == 255)
yPixelNum++;


}


if(yPixelNum>=2 && flag == 0)
{
yTop = i;
flag = 1;
}


if(flag == 1 && yPixelNum<2)
{
yDown = i;
flag = 0;


if((yDown-yTop)<5)
yDown = yTop = 1;


else
letterHeight = yDown-yTop;


}


}




int k, x, y, m, n;
CvScalar ROIScalar;


//寻找x坐标
k=0;
flag = 0;
xLeft = xRight = 0;
for(i=0; i<cannyPic->width; i++)
{
xPixelNum = 0;
for(j=yTop; j<=yDown; j++)
{
scalar = cvGet2D(cannyPic, j, i);


if(scalar.val[0]==255)
xPixelNum++;
}


if(flag==0 && xPixelNum>=2)
{
xLeft = i;
flag = 1;
}


if(flag==1 && xPixelNum<2)
{
xRight = i;
flag = 0;


if((xRight-xLeft)<3)
xLeft = xRight = 1;


else
{
double testVector[dimNum] = {0};
double tempWidth;
tempWidth = xRight-xLeft;
centre.x = xLeft+tempWidth/2;
centre.y = yTop+letterHeight/2;


letterWidth = letterHeight;


IplImage *ROIPic = cvCreateImage(cvSize(letterHeight, letterWidth), cannyPic->depth, cannyPic->nChannels);
cvSetImageROI(cannyPic, cvRect(centre.x-letterWidth/2, yTop, letterHeight, letterWidth));
cvCopyImage(cannyPic, ROIPic);
cvResetImageROI(cannyPic);


//八个方向向量
//左边
for(x=0; x<ROIPic->width; x++)
{
ROIScalar = cvGet2D(ROIPic, ROIPic->height/2, x);
if(ROIScalar.val[0]==255)
{
testVector[0] = x;
break;
}
}
//右边
for(x=ROIPic->width-1; x>=0; x--)
{
ROIScalar = cvGet2D(ROIPic, ROIPic->height/2, x);
if(ROIScalar.val[0]==255)
{
testVector[1] = ROIPic->width-x;
break;
}
}
//上边
for(y=0; y<ROIPic->height; y++)
{
ROIScalar = cvGet2D(ROIPic, y, ROIPic->width/2);
if(ROIScalar.val[0]==255)
{
testVector[2] = x;
break;
}
}
//下边
for(y=ROIPic->height-1; y>=0; y--)
{
ROIScalar = cvGet2D(ROIPic, y, ROIPic->width/2);
if(ROIScalar.val[0]==255)
{
testVector[3] = ROIPic->height-x;
break;
}
}
//左上
for(x=0; x<ROIPic->width; x++)
{
ROIScalar = cvGet2D(ROIPic, x, x);
if(ROIScalar.val[0]==255)
{
testVector[4] = sqrtf(2*x*x);
break;
}
}
//右下
for(x=ROIPic->width-1, y=ROIPic->height-1; x>=0 && y>=0; y--,x--)
{
ROIScalar = cvGet2D(ROIPic, y, x);
if(ROIScalar.val[0]==255)
{
testVector[5] = sqrtf((ROIPic->height-y)*(ROIPic->height-y)+(ROIPic->width-x)*(ROIPic->width-x));
break;
}
}
//右上
for(x=ROIPic->width-1, y=0; x>=0 && y<ROIPic->height; y++,x--)
{
ROIScalar = cvGet2D(ROIPic, y, x);
if(ROIScalar.val[0]==255)
{
testVector[6] = sqrtf(2*y*y);
break;
}
}
//左下
for(x=0, y=ROIPic->height-1; x<ROIPic->width; y--,x++)
{
ROIScalar = cvGet2D(ROIPic, y, x);
if(ROIScalar.val[0]==255)
{
testVector[7] = sqrtf(2*x*x);
break;
}
}

//生成模糊向量
double maxDis;
maxDis = testVector[0];


//寻找最大距离
for (m=1; m<dimNum; m++)
if(maxDis<testVector[m])
maxDis = testVector[m];


//模糊化
for(m=0; m<dimNum; m++)
testVector[m] = testVector[m]/maxDis;


//计算贴进度
fuzzyNearness(testVector);


}
}
}








}




//获取26个字母的迷糊向量
void getFuzzyVector(IplImage *srcPic)
{
int i, j;
int flag = 0;


CvScalar scalar;
int xPixelNum, yPixelNum;
int yTop, yDown, xLeft, xRight;
int letterHeight, letterWidth;
CvPoint centre;


IplImage *cannyPic = cvCreateImage(cvGetSize(srcPic), srcPic->depth, 1);
cvCanny(srcPic, cannyPic, 50, 150, 3);


//寻找Y坐标
yTop = yDown = 0;
for(i=0; i<cannyPic->height; i++)
{
yPixelNum = 0;
for(j=0; j<cannyPic->width; j++)
{
scalar = cvGet2D(cannyPic, i, j);


if(scalar.val[0] == 255)
yPixelNum++;


}


if(yPixelNum>=20 && flag == 0)
{
yTop = i;
flag = 1;
}


if(flag == 1 && yPixelNum<20)
{
yDown = i;
flag = 0;

if((yDown-yTop)<8)
yDown = yTop = 1;


else
letterHeight = yDown-yTop;


}

}




int k, x, y, m, n;
CvScalar ROIScalar;


//寻找x坐标
k=0;
flag = 0;
xLeft = xRight = 0;
for(i=0; i<cannyPic->width; i++)
{
xPixelNum = 0;
for(j=yTop; j<=yDown; j++)
{
scalar = cvGet2D(cannyPic, j, i);


if(scalar.val[0]==255)
xPixelNum++;
}


if(flag==0 && xPixelNum>=2)
{
xLeft = i;
flag = 1;
}


if(flag==1 && xPixelNum<2)
{
xRight = i;
flag = 0;


if((xRight-xLeft)<3)
xLeft = xRight = 1;


else
{
double tempWidth;
tempWidth = xRight-xLeft;
centre.x = xLeft+tempWidth/2;
centre.y = yTop+letterHeight/2;


letterWidth = letterHeight;


IplImage *ROIPic = cvCreateImage(cvSize(letterHeight, letterWidth), cannyPic->depth, cannyPic->nChannels);
cvSetImageROI(cannyPic, cvRect(centre.x-letterWidth/2, yTop, letterHeight, letterWidth));
cvCopyImage(cannyPic, ROIPic);
cvResetImageROI(cannyPic);


//八个方向向量
//左边
for(x=0; x<ROIPic->width; x++)
{
  ROIScalar = cvGet2D(ROIPic, ROIPic->height/2, x);
if(ROIScalar.val[0]==255)
{
letterVector[k][0] = x;
break;
}
}
//右边
for(x=ROIPic->width-1; x>=0; x--)
{
ROIScalar = cvGet2D(ROIPic, ROIPic->height/2, x);
if(ROIScalar.val[0]==255)
{
letterVector[k][1] = ROIPic->width-x;
break;
}
}
//上边
for(y=0; y<ROIPic->height; y++)
{
ROIScalar = cvGet2D(ROIPic, y, ROIPic->width/2);
if(ROIScalar.val[0]==255)
{
letterVector[k][2] = x;
break;
}
}
//下边
for(y=ROIPic->height-1; y>=0; y--)
{
ROIScalar = cvGet2D(ROIPic, y, ROIPic->width/2);
if(ROIScalar.val[0]==255)
{
letterVector[k][3] = ROIPic->height-x;
break;
}
}
//左上
for(x=0; x<ROIPic->width; x++)
{
ROIScalar = cvGet2D(ROIPic, x, x);
if(ROIScalar.val[0]==255)
{
letterVector[k][4] = sqrtf(2*x*x);
break;
}
}
//右下
for(x=ROIPic->width-1, y=ROIPic->height-1; x>=0 && y>=0; y--,x--)
{
ROIScalar = cvGet2D(ROIPic, y, x);
if(ROIScalar.val[0]==255)
{
letterVector[k][5] = sqrtf((ROIPic->height-y)*(ROIPic->height-y)+(ROIPic->width-x)*(ROIPic->width-x));
break;
}
}
//右上
for(x=ROIPic->width-1, y=0; x>=0 && y<ROIPic->height; y++,x--)
{
ROIScalar = cvGet2D(ROIPic, y, x);
if(ROIScalar.val[0]==255)
{
letterVector[k][6] = sqrtf(2*y*y);
break;
}
}
//左下
for(x=0, y=ROIPic->height-1; x<ROIPic->width; y--,x++)
{
ROIScalar = cvGet2D(ROIPic, y, x);
if(ROIScalar.val[0]==255)
{
letterVector[k][7] = sqrtf(2*x*x);
break;
}
}


k++;

}
}
}


letterSize.height = letterHeight;
letterSize.width = letterWidth;


//生成模糊向量
double maxDis;
for(i=0; i<N; i++)
{
maxDis = letterVector[i][0];


//寻找最大距离
for (j=1; j<dimNum; j++)
if(maxDis<letterVector[i][j])
maxDis = letterVector[i][j];


//模糊化
for(j=0; j<dimNum; j++)
letterVector[i][j] = letterVector[i][j]/maxDis;


}


}


运行结果：




再__努力1点
关注
专栏目录
车牌识别程序python代码_Python+Tensorflow+CNN实现车牌识别的示例代码
weixin_28949779的博客
01-13 2522
摘要：这篇Python开发技术栏目下的“Python+Tensorflow+CNN实现车牌识别的示例代码”，介绍的技术点是“TensorFlow、Python、示例代码、车牌识别、CNN、代码”，希望对大家开发技术学习和问题解决有帮助。这篇文章主要介绍了Python+Tensorflow+CNN实现车牌识别的示例代码，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要...
论文研究-手写文字识别的体分类模糊数学模型 .pdf
08-18
手写文字识别的体分类模糊数学模型，黄弋石，梁艳，以汉字、英文字为例，解释，手写体分类对手写识别的决定性作用。对汉字草书手写体，实施分类与亚分类等类似处理。参照人汉字草书
基于模糊特征的文字识别可执行代码
09-29
基于模糊特征的文字识别可执行代码
毕业设计-基于深度学习的模糊文字识别方法
Hai_Lang_IT的博客
03-30 862
毕业设计-基于深度学习的模糊文字识别方法：文字作为人类思想和情感的重要传播工具，在社会生活生产中扮演着重要角色。 在日常场景中，文字信息更是无处不在，如路标、广告牌、横幅等。这些场景文字图 像比起其他信息传播方式更直观更形象，通过对文字图片的分析，人们能更好了解图 片所传达的意义，从而思考和规划行为目的。因此，对自然场景中的文本文字进行分 析和识别具有重要的科学和社会意义。以当下来讲，随着科学方法和硬件设备的飞速 发展和迭代更替，越来越多的领域系统用到了文字图像识别技术。早期的光学字符识别（Optical
使用OpenCV编写字母识别程序：从基础到实现
最新发布
gygkhd的博客
06-17 1039
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，包含了数百个图像处理和计算机视觉的算法。它被广泛应用于各种图像和视频处理任务，如人脸识别、运动跟踪、物体检测等。图像预处理字符分割特征提取模型训练字母识别为了实现字母识别，我们将使用OpenCV进行图像处理，并使用机器学习算法进行字符识别。在这里，我们选择使用KNN算法作为分类器，因为它简单易用且效果较好。
基于笔画特征的文字检测探讨
zhoudongao的专栏
11-03 6291
此前承诺每周要干好一件事——写博客，看来是被自己食言了，但是我心里总绷着一根弦，不能让周末白白浪费掉。上一篇博文发表在了首页上，被管理员撤下，让我深受打击，可能是跟计算机技术关系不大吧，因此，以后只把和计算机有关的文章发表到首页上吧。         最近在研究文字区域检测，这个方向也算是比较活跃。从90年代到现在IEEE、Image Processing、Pattern  Recognit
模糊模式识别
热门推荐
冷月无声的博客
05-06 1万+
模糊数学模型系列博文： 【1】基本概念： 隶属函数、模糊集合的表示方法、模糊关系、模糊矩阵 【2】模糊模式识别：海明贴近度 、欧几里得贴近度 、黎曼贴近度、 格贴近度、最大隶属原则、择近原则 【3】模糊聚类分析方法：模糊等价矩阵、模糊相似矩阵、传递闭包法、布尔矩阵法 【4】模糊决策分析方法 目录 1 模糊集的贴近度 1．海明贴近度 2．欧几里得贴近度 3．黎曼贴近...
Python+Tensorflow+CNN实现车牌识别的示例代码
09-18
本文将详细介绍如何使用Python语言结合TensorFlow框架和卷积神经网络（CNN）来实现车牌识别的功能，并提供示例代码供读者学习。 首先，车牌识别系统通常需要处理各种噪声干扰，比如模糊、透视畸变等情况。本项目的...
PHP+百度AI OCR文字识别实现了图片的文字识别功能
10-17
百度AI OCR则是百度公司提供的基于人工智能技术的在线文字识别服务，它支持多种场景下的文字识别，例如身份证识别、票据识别、印刷体识别等。 以下内容将详细介绍如何通过PHP语言与百度AI OCR服务结合实现图片文字...
基于yolov5+CRNN的中文车牌识别系统
02-05
总之，基于Yolov5+CRNN的中文车牌识别系统通过结合强大的目标检测和序列识别能力，实现了高效的车牌识别。但为了应对实际环境中的复杂情况，系统开发者还需不断优化算法，提高鲁棒性和准确性。在"JU-License_Plate_...
如何识别不太清晰的图片中的文字
zhourongxiang1的博客
04-02 612
接下来考虑把缺失的部分补上。放宽过滤条件，过滤掉[39,30,21]以上的部分。放大图片，可以看出噪音点的黑色浅一点，文字的黑色深一点。首先调整对比度为100%，方便后续处理。得到的图片并不理想，过滤的太狠了。过滤掉[12,8,5]以上的部分。考察原图上的RGB值。
模糊分类、识别与决策.
06-07
模糊分类、识别与决策，全国数学建模竞赛必学，
模糊模式识别（matlab）.zip
05-16
模式识别属于判别一个对象属于哪个模式的问题，进行模式识别要求具备两个特征：一是事先已知若干标准模式库；二是有待识别对象，所谓模糊模式识别，是指在模式识别中，模式是模糊的，或说标准模式库中提供的模式是模糊的。
模糊识别分级MATLAB代码-Classification-Computational-Intelligence:该作业是2020年Sprin
06-04
怀疑识别等级MATLAB代码分类-计算-智能 本次作业的目的是研究 TSK（Takagi-Sugeno-Tang）模型解决分类问题的能力。 具体来说，从 中选择两个数据集，以便使用模糊神经模型对各自类别中的可用样本进行分类。 第1部分 第一个数据集用于对此类模型的训练和评估过程进行简单调查，并说明分析和解释结果的方式。 我们检查了四个 TSK 模型，其中定义了模糊 IF-THEN 规则数量的参数，即集群半径，被修改。 对于输入分区，我们使用减法聚类 (SC)方法。 特别是，在第一种情况（前两个模型）中，SC 将针对整个训练集（类独立）运行，而在第二种情况（其余两个模型）中，聚类将分别应用于每个类的训练数据（类依赖）。 我们使用这种聚类方法的原因是模型的可解释性的增加和“更干净”的聚类（因此规则）的产生。 数据集： 第2部分 第二个更复杂的数据集用于更完整的建模过程，其中包括预处理步骤，例如特征选择和通过交叉验证优化模型的方法。 由于数据集较大，可能会出现规则爆炸等问题。 为了避免这种情况，我们有必要通过选择最重要的特征并拒绝不太有用的特征来降低其维度。 之后，我们应用网格搜索和5 倍交
[DL] 识别图中模糊的手写数字
xuweiling
04-21 581
MNIST是一个入门级的计算机视觉数据集。当我们开始学习编程时，第一件事往往是学习打印Hello World。在机器学习入门的领域里，我们会用MNIST数据集来实验各种模型。 #自动下载与安装MNIST数据集 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = i...
模糊图像识别（OpenCV学习笔记之四）
BlueBirdssh的专栏
07-10 3156
闲话 这里的学习笔记和其他人学习OpenCV的流程可能不一样，我是根据我的一个项目来学习的。项目已经做出来了但个人觉得还有不够完善的地方，我先将项目中遇到的问题或学到的知识写出来。后期会把整个项目用一篇博客写出来，并把代码放到我的github上。如果有对图像处理感兴趣的同学可以关注我，你们的支持是我分享的动力。我是从零开始学习OpenCV的,我会把我认为有必要写出来的知识点写成博客记下来。闲话就...
文字模糊效果（Opencv实现）
寂寞的秋叶
09-30 3029
效果图： 实现过程： 该方法以photoshop中的图层为基本思想，对文字的处理，实际上是将图片作为一幅图像来处理的，而背景是一幅图像，即另一个图层。 1、  读取文字图片，将图片进行高斯模糊，因高斯模糊是一个卷积的过程，所以可以设定卷积因子的大小，调整这个因子的大小就
利用python实现文字识别的代码及讲解
06-09
需要注意的是，Tesseract OCR并不是万能的，它对于文字较为规整、字体清晰的图片有较好的识别效果，但对于复杂的背景、扭曲、倾斜或模糊的文字识别效果并不理想。因此，在实际应用中，需要根据具体情况选择合适的OCR...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值