C++实现基于KNN的手写体识别

最新推荐文章于 2023-09-05 21:36:03 发布
最新推荐文章于 2023-09-05 21:36:03 发布
阅读量669 收藏 9
点赞数 4
分类专栏： c++编程 文章标签： 机器学习 c++
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/weixin_42529594/article/details/113120418
版权

一系统结构

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

二、数据获取与预处理

在这里插入图片描述
在这里插入图片描述

三、KNN算法与K折交叉验证

在这里插入图片描述
在这里插入图片描述
源：

#include "pch.h"
#include <iostream>
#include <fstream>
#include <string>
#include <math.h>
using namespace std;
//#define k 10   //KNN关键参数
#define mn 10
#define K_flod 15  //K折交叉验证
int k;
double train_weigh[8] = {1,1,1,1,1,1,1,1};//训练集不同汉字的权重值。
struct node {
 string nn, name, shuxing,sbname;
 //nn:以字符串类型存储每个 txt 文件产生的 01 矩阵
 //name:存储训练集的类别名称
 //shuxing:存储测试集最终判别的类别名字
 //sbname:测试字识别结果
 double dis, x1, x2, diss;
 bool s;
 //dis:存储测试字和训练字的欧式距离
 //diss:存储测试字和训练字的曼哈顿距离
 //x1:识别为当前测试字的k个欧式（曼哈顿）距离的比例
 //x2:识别为其他种类字体的k个欧式（曼哈顿）距离的比例
 node() {
  nn = "000"; name = "000"; shuxing = "000"; sbname = "000";
  dis = 0.0; x1 = 0.0; x2 = 0.0;
  s = false;
 }
};
node dis_o[720];//存储欧式(曼哈顿)距离
node ceshi[720];//存储测试集
double tru[720];//K折交叉验证每次验证的正确率
double err[720];//K折交叉验证每次验证的误差率
double K_tru[8];//K近邻时，每个汉字的最终正确率
//double K_err[8];//K近邻时，每个汉字最终错误率
string typp[8] = { "bei","jing","xin","xi","ke","ji","da","xue" };//可以识别汉字的种类
node a[720];//全部数据集
//将全部数据（720个128*128的二值化矩阵读入存储在a这个结构体数组中）
void read() {
 int i, j;
 string nn;
 string mi[90] = { "01","02","03","04","05","06","07","08","09","10","11","12","13","14","15","16","17","18","19","20","21","22","23","24","25","26" ,"27","28","29","30",
 "31","32","33","34","35","36","37","38","39","40","41","42","43","44","45","46","47","48","49","50","51","52","53","54","55","56" ,"57","58","59","60" ,
 "61","62","63","64","65","66","67","68","69","70","71","72","73","74","75","76","77","78","79","80","81","82","83","84","85","86" ,"87","88","89","90" };
 for (i = 0, j = 0; i < 90; i++, j++) {
  string ader = "F:\\计算机综合实践\\手写体识别数据集\\训练集二值化数据集\\bei_" + mi[i] + ".txt";
  ifstream rf(ader);
  while (rf >> nn) {
   a[j].nn = a[j].nn + nn;
  }
  a[j].name = "bei";
  rf.close();
 }
 for (i = 0; i < 90; i++, j++) {
  string ader = "F:\\计算机综合实践\\手写体识别数据集\\训练集二值化数据集\\jing_" + mi[i] + ".txt";
  ifstream rf(ader);
  while (rf >> nn) {
   a[j].nn = a[j].nn + nn;
  }
  a[j].name = "jing";
  rf.close();
 }
 for (i = 0; i < 90; i++, j++) {
  string ader = "F:\\计算机综合实践\\手写体识别数据集\\训练集二值化数据集\\xin_" + mi[i] + ".txt";
  ifstream rf(ader);
  while (rf >> nn) {
   a[j].nn = a[j].nn + nn;
  }
  a[j].name = "xin";
  rf.close();
 }
 for (i = 0; i < 90; i++, j++) {
  string ader = "F:\\计算机综合实践\\手写体识别数据集\\训练集二值化数据集\\xi_" + mi[i] + ".txt";
  ifstream rf(ader);
  while (rf >> nn) {
   a[j].nn = a[j].nn + nn;
  }
  a[j].name = "xi";
  rf.close();
 }
 for (i = 0; i < 90; i++, j++) {
  string ader = "F:\\计算机综合实践\\手写体识别数据集\\训练集二值化数据集\\ke_" + mi[i] + ".txt";
  ifstream rf(ader);
  while (rf >> nn) {
   a[j].nn = a[j].nn + nn;
  }
  a[j].name = "ke";
  rf.close();
 }
 for (i = 0; i < 90; i++, j++) {
  string ader = "F:\\计算机综合实践\\手写体识别数据集\\训练集二值化数据集\\ji_" + mi[i] + ".txt";
  ifstream rf(ader);
  while (rf >> nn) {
   a[j].nn = a[j].nn + nn;
  }
  a[j].name = "ji";
  rf.close();
 }
 for (i = 0; i < 90; i++, j++) {
  string ader = "F:\\计算机综合实践\\手写体识别数据集\\训练集二值化数据集\\da_" + mi[i] + ".txt";
  ifstream rf(ader);
  while (rf >> nn) {
   a[j].nn = a[j].nn + nn;
  }
  a[j].name = "da";
  rf.close();
 }
 for (i = 0; i < 90; i++, j++) {
  string ader = "F:\\计算机综合实践\\手写体识别数据集\\训练集二值化数据集\\xue_" + mi[i] + ".txt";
  ifstream rf(ader);
  while (rf >> nn) {
   a[j].nn = a[j].nn + nn;
  }
  a[j].name = "xue";
  rf.close();
 }
}
//初始化训练集不同汉字的权重值。
void InitTrWei() {
 cout << "请分别输入8个汉字的权重值: ";
 cin >> train_weigh[0];
 cin >> train_weigh[1];
 cin >> train_weigh[2];
 cin >> train_weigh[3];
 cin >> train_weigh[4];
 cin >> train_weigh[5];
 cin >> train_weigh[6];
 cin >> train_weigh[7];
}
//计算欧式距离
double dis (node x1,node x2) {
 const char *ar1,*ar2;
 double sum = 0;
 int j;
 ar1 = x1.nn.c_str();
 ar2 = x2.nn.c_str();
 for (j = 0; j < 1024; j++) {
  sum += (ar1[j] - ar2[j])*(ar1[j] - ar2[j]);
 }
 return sqrt(sum);
}
//计算曼哈顿距离
double diss(node x1, node x2) {
 const char *ar1, *ar2;
 double sum = 0;
 int j;
 ar1 = x1.nn.c_str();
 ar2 = x2.nn.c_str();
 for (j = 0; j < 1024; j++) {
  sum += fabs(ar1[j] - ar2[j]);
 }
 return sum;
}
//快速排序
int Par(node *a,int low,int high) {
 node p = a[low];
 while(low<high){
  while (low < high&&a[high].dis >= p.dis)--high;
  a[low].name = a[high].name;
  a[low].dis = a[high].dis;
  while (low < high&&a[low].dis <= p.dis)++low;
  a[high].dis = a[low].dis;
  a[high].name = a[low].name;
 }
 a[low].dis = p.dis;
 a[low].name = p.name;
 return low;
}
void Qsort(node *a,int low ,int high) {
 if (low < high) {
  int p = Par(a, low, high);
  Qsort(a, low, p - 1);
  Qsort(a, p + 1, high);
 }
}
//判断某被测汉字的k最近邻测试结果
void K_select(node& p) {
 double a[8] = {0};
 int i;
 Qsort(dis_o, 0, (90 - 90 / K_flod)*8-1);
 for (i = 0;i<k;i++) {
  if (dis_o[i].name=="bei") {
   a[0]++;
  }
  if (dis_o[i].name == "jing") {
   a[1]++;
  }
  if (dis_o[i].name == "xin") {
   a[2]++;
  }
  if (dis_o[i].name == "xi") {
   a[3]++;
  }
  if (dis_o[i].name == "ke") {
   a[4]++;
  }
  if (dis_o[i].name == "ji") {
   a[5]++;
  }
  if (dis_o[i].name == "da") {
   a[6]++;
  }
  if (dis_o[i].name == "xue") {
   a[7]++;
  }
 }
 //乘上权重
 for (i = 0; i < 8; i++) {
  a[i] *= train_weigh[i];
 }
 double max = 0;
 int t=0;
 for(i=0;i<8;i++){
  if (a[i] > max) {
   max = a[i];
   t = i;
  }
 }
 switch (t) {
  case 0:p.sbname = "bei"; break;
  case 1:p.sbname = "jing"; break;
  case 2:p.sbname = "xin"; break;
  case 3:p.sbname = "xi"; break;
  case 4:p.sbname = "ke"; break;
  case 5:p.sbname = "ji"; break;
  case 6:p.sbname = "da"; break;
  case 7:p.sbname = "xue"; break;
 }
}
//分析测试集结果
double ceshiFenxi() {
 int i,j;
 double err=0, tru=0;
 for (i = 0; i < (90/K_flod)*8; i++) {
  if (ceshi[i].name == ceshi[i].sbname)
   tru++;
  else
   err++;
 }
 return tru / (tru + err);
}
//K折交叉验证
void k_K_flod(){
 int x1 = 0;//记录交叉验证第几折
 int i,j,t,jj,e;
 double b[8] = { 0 };
 for (i = 0; i < 720; i++) {
  a[i].s = false;
 }
 for (x1 = 0; x1 < K_flod;x1++) {
  t = 0;
  //选出第x1折交叉验证的测试集
  for (e = 0; e < 8; e++) {
   for (j = 90 - (K_flod - x1)*(90 / K_flod)+e*90; j < 90 - (K_flod - x1)*(90 / K_flod) + 90 / K_flod+e*90; j++) {
    a[j].s = true;
   }
  }
  for (e = 0; e < 8; e++) {
   double tru = 0, err = 0;
   //计算第x1折交叉验证的每个字的测试集准确率
   for (i = 90 - (K_flod - x1)*(90 / K_flod) + e * 90; i < 90 - (K_flod - x1)*(90 / K_flod) + 90 / K_flod + e * 90; i++) {
    if (a[i].name == a[i].sbname)
     tru++;
    else
     err++;
   }
   b[e] += tru / (tru + err);
   }
  for (i = 0; i < 720; i++) {
   a[i].s = false;
  }
 }
 for (i = 0; i < 8; i++) {
  K_tru[i] = b[i] / K_flod;
 }
}
int main() {
 read();//将全部数据集读入
 string ader = "F:\\计算机综合实践\\15折交交叉验证_曼哈顿距离.txt";
 ofstream rf(ader);
 for (int j = 5; j <= 40; j++) {
  k = j;
  k_K_flod();//进行K折交叉验证得到每个汉字识别的正确率并保存到  K_tru   数组中
  for (int i = 0; i < 8; i++) {
   cout << K_tru[i] <<endl;
   rf << K_tru[i] << endl;
  }
  rf << endl << endl;
  cout << endl<<endl;
  }
  return 0;
  }
没有姓的梓轩
关注
  • 4
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
基于KNN实现的手写体数字识别
06-17
基于KNN实现的手写体数字识别C++代码，输出结果有混淆矩阵、召回率、训练准确率、预测数据输出等。
C/C++实现手写数字识别，分别处理 32*32 文本数据集和mnist 28*28 png数据集
最新发布
crazybobo1207的博客
10-22 652
简便起见，对样本个数做了一些简化，32*32数据集的训练数据是180*10=1800个，测试数据是80*10=800个，mnist数据集的训练数据是5000*10=5万个，测试数据是800*10=8千个（原始测试样本是1万个，每个数字的测试样本个数不同）。从数据量对比来看，后者是前者的280倍（训练数据集是28倍，测试数据集是10倍），对应的程序运行时间（计算测试样本的预测准确率）后者也是前者的200多倍（排序算法很重要，如果不使用小根堆求TOP K，而是使用传统的整体数据排序，估计运行速度会差很多）。
【OpenCV/C++】KNN算法识别数字的实现原理与代码详解
Huffie博客
09-12 3280
KNN算法，即K最近邻算法，其原理是当要预测一个新的值x的时候，根据离他最近的K个点大多属于什么类别来判断x属于哪个类别。同理类比到图像识别方面，使用KNN算法前我们需要有大量的训练样本，并且知道每个样本所属的类别。（例如大量的数字图片，并且知道每个图片代表数字几）。当我们要识别数字时，本质上就是在训练样本中找与要识别的图像最接近的K个样本，然后统计出K个样本中出现最多的数字是哪个，那就是要识别的数字。
C++实现最基本的KNN手写数字识别
yxh的博客
02-26 2146
KNN算法概述：KNN算法的思想即，一个样本属于其在特征空间里的最近邻样本中数目最多的分类。 该算法有几个关键要素： 一.K的取值，即选区K个最近邻样本中所属最多的分类，显然算法的效果很大程度上取决于K的大小。 二.样本对象之间距离的定义，一般使用欧氏距离或曼哈顿距离： 。 KNN算法流程： 1.计算预测样本与每个训练集样本的距离 2.将样本按距离从小到大排序 3.从前往后取K个样...
连续的手写中文汉字识别CRNN-多行汉字识别
huaxiahghj的博客
09-05 241
CRNN（Convolutional Recurrent Neural Network）是一种结合了卷积神经网络（Convolutional Neural Network，CNN）和循环神经网络（Recurrent Neural Network，RNN）的模型结构。CRNN在文本识别任务中取得了很好的效果，其基本思想是将卷积神经网络用于提取输入序列的特征表示，然后通过循环神经网络对序列进行建模和预测。需要注意的是，CRNN的具体结构和参数设置可以根据不同的任务和数据集进行调整和优化，以获得最佳的性能表现。
C++实现OCR文字识别（附完整源码）
希望我的博客，能帮上你解决学习中工作中所遇到的问题
06-25 2776
C++实现OCR文字识别（附完整源码）
OpenCV & C++实现KNN手写字体识别
清零2015的博客
11-04 1269
1目标 OpenCV & C++实现KNN手写字体识别 2代码 头文件：Knn.h #include<opencv2\ml\ml.hpp> #include<highgui\highgui.hpp> #include<iostream> #ifndef _DIANBIAONUM_ #define _DIANBIAONUM_ #endif ...
matlab：KNN实现手写数字识别
05-18
本资源实现了KNN算法应用手写数字识别案例，利用KNN算法的简单原理解决如何识别数字。本资源利用数字图片的二值化值作为特征，进行特征提取。通过训练集的二值化特征与测试集的二值化特征的欧式距离，通过排序，选取...
【OpenCV/C++】KNN算法识别手写数字
09-11
OpenCV4.5.2、Visual Studio2019环境下测试正常，手写数字识别率高于90%
KNN实现手写识别汉字-基于JAVA，
05-18
基于java实现的手写识别软件，字库是特征点字库，通过KNN算法计算，汉字的特征点通过递归方法得到，核心代码量300行左右，识别效果良好。直接使用eclipse导入工程即可，单击startframe.java开始运行
手写字迹识别C++代码
02-01
手写识别（HandWriting Recognition）是指将在手写设备上书写时产生的有序轨迹信息化转化为汉字内码的过程，实际上是手写轨迹的坐标序列到汉字的内码的一个映射过程，是人机交互最自然、最方便的手段之一。 随着智能手机、掌上电脑等移动信息工具的普及，手写识别技术也进入了规模应用时代。 手写识别能够使用户按照最自然、最方便的输入方式进行文字输入，易学易用，可取代键盘或者鼠标。用于手写输入的设备有许多种，比如电磁感应手写板、压感式手写板、触摸屏、触控板、超声波笔等。 手写识别属于文字识别和模式识别范畴，文字识别从识别过程来说分成脱机识别（off-line）和联机识别（on-line)两大类，从识别对象来说又分成手写体识别和印刷体识别两大类，我们常说的手写识别是指联机手写体识别。
C++编程实现的手写数字识别
05-07
C++编程实现的手写数字识别
python使用KNN算法手写体识别
09-20
主要为大家详细介绍了python使用KNN算法手写体识别，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
基于KNN的手写体数字识别的C++程序实现
qq_41910473的博客
06-17 2628
最近在写一个大作业，需要用c/c++实现基于KNN的一个小程序，在网上找了找发现大部分都是用python实现的，所以我就收集了一下其他大佬已经写好的素材并进行一部分的修改。基本可以实现需要的所有要求，如有不足欢迎大家提出来进行修正。实现功能：手写体数字识别算法：KNN语言：C/C++编译工具：VS2017数据集：train-images-idx3-ubyte.gz   train-labels-i...
C++在Tesseract-OCR中使用自己训练的字库进行字体识别
debuggers_0506的博客
11-02 6188
C++在Tesseract-OCR中使用自己训练的字库进行字体识别
书写数字识别（C++ 、 KNN 、openCV）
陈大本事的博客
08-28 4251
手写识别、knn、opencv
C语言中怎样判断汉字
10-28 2522
  作　　者：   sequh (夏克)     在处理套打程序时用到TextOut，但TextOut无法自动换行，只好动手写代码，可是处理到汉字部分时卡住了，搜索网上判断汉字的帖子，都语焉不详，经过一下午的研究，终于整理出一个简单的教程。
C++ Opencv人脸检测+分类器训练+识别 程序制作
泰瑞的博客
01-19 4073
学习总要从兴趣开始,自己制作一个利用opencv的分类器来检测人脸,再将检测出的人脸用程序扣图出来,创建一个分类器,实现不同人的人脸识别,标记出他的名字;程序可以在这里下载:http://download.csdn.net/download/qq_36576377/10213638程序效果图:// RlsbDlg.cpp : 实现文件 // #include "stdafx.h" #includ
【教学】手写汉字识别，含训练代码，界面演示，1w字教学
分享知识
05-17 1680
直接上最终效果图 运行界面很简单，只要在代码中输入python 03文字识别界面程序.py即可弹出识别汉字的qt界面 python 03文字识别界面程序.py 主要是两个按钮的手写汉字识别，一个是通过画板来实现手写汉字的识别，另一个则是通过加载图像进行汉字的识别。按钮的名称可自行修改。 然后是数据集的只做过程，本文是使用的cnn图像分类算法进行识别，比如lenet、alexnet、vgg、resnet、mobilenet、efficientnet等等，只要是图像分类算法基本都可以实现.
knn实现手写字体识别
03-25
可以使用sklearn库来实现knn手写字体识别，以下是代码示例： ``` from sklearn.neighbors import KNeighborsClassifier from sklearn.datasets import load_digits from sklearn.model_selection import train_test...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
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