C++编程模板匹配超详细的识别手写数字实现示例

首先,本篇文章用到的方法是模板匹配,而不是基于神经网络的,还请各位注意了!(模板匹配还请自行了解,站上有很多介绍)我刚开始做实验的时候只有一点c++基础,对于文件和opencv我一点都不了解,所以导致了我刚开始迷茫了很久,直到后来才渐渐做起来。废话不多说,让我们开始吧!

过程很简单,如下:

匹配成功:存在一个最小距离(这些距离相等),且为一个数字;存在多个最小距离,且为同一个数字。

拒绝识别:存在多个最小距离,且为不同数字。

识别错误:存在一个最小距离,但与被测数字不是相同的数字。

也许乍一看看不明白,我在这里解释一下,明白的可以绕过。我们这里假设1,2,3(注意,他们的样本都有多个)为训练集,d为测试样本。匹配时匹配到d与1距离最小且只与1距离最小,(可能与多个1的样本距离最小或者只有一个)那么匹配成功;匹配时匹配到d与1和2的某个样本都有最小距离,那么拒绝匹配;匹配时匹配到d(假如d是1的样本)与2有最小距离,那么识别错误。

因为图片处理不是本文章的主要内容,我们跳过图像处理步骤(有兴趣的可以去看图像处理这门课),直接给处理好的图片。那么我们该如何构建训练库,又该如何让计算机能够识别我们的图片呢?接下来我们来看看如何实现构建训练库。

我的实验中有1000张训练样本(200张测试样本),既然要让计算机能够识别,那当然是把图片数字化。在图像处理的步骤里,我们得到的训练样本都是28*28像素点的图片,可以想到28*28是一个不小的数量,为了提高处理速度,我们把图片压缩成7*7大小的,这样即提高了处理速度,也方便我们写代码,因为7*7和4*4都是正方形。如下图:

压缩图片:我们纵向遍历7*7的方格,将里面像素大于127的小格子进行计数,当其数量超过6(有的同学会觉得应该是8,因为8是一半,但是8最终得到的正确率太低了,所以我找了一个合适的参数)我们就把大格子对应的7*7的二维数组的相应位置设置为1,反之为0;然后再将数组转换成字符串,这样下来我们就会得到一个长度为49的字符串,这个字符串就是我们计算机匹配的核心。

另外,我是先把训练集和测试集分别数据化,再依次取出来作比较。也可以采用一边遍历测试集和处理,一遍作比较,我没有输出文件名,因为我采用的方式比较笨,代码量也很多,主要是因为我之前写完之后有很多bug,导致我不能成功运行,所以我采用这种简单代码来避免错误,小伙伴们大可不必用这种方式!

值得注意的是,文件流的打开和关闭的时机也会很大程度上影响代码运行,这个问题困扰了我很久,希望大家引以为戒,代码中具体位置我已经标出来了。(标***的位置)另外,大家对于读文件写文件的文件流自己去了解,读文件是ofstream,写文件是ifstream,每次访问文件都要打开文件和关闭文件。getline函数每次依次取一行数据,所以我们在遍历完一个文档之前不会关闭文档,也就不会再打开文档。

最后我对我字符串比较做一个解释,我是采用了一个标志refused来标志当前字符串有没有被拒绝识别,当发现相似度(代码中用total表示的)小于49的就把它赋值给相似度,并且把拒绝识别设置为假,直到找到最小的,当找到最小的之后又找到了另一个相同相似度的,则判断两个样本数字是不是相同的,不是的话就把refused设置为真,即在后面直接输出拒绝识别。

我判断两个样本是否为同一个数字是通过范围比对,简单地来说就是训练样本的第0――99个对应测试样本的第0――19个,这是一个偷懒的办法,我没时间改代码了所以就这样代替了别人那种文本带文件名的。(带文件名比对时还需要去文件名)

其他的解释我放在代码里,有助于大家更直接的理解!

#include<iostream>
#include<fstream>
#include<opencv2/opencv.hpp>
#include<opencv2/highgui.hpp>
#include<opencv2/core.hpp>
#include<io.h>                          //api和结构体
#include<string.h>
#include<string>
using namespace std;
using namespace cv;
void ergodicTest(string filename, string name);    //遍历函数
string Image_Compression(string imgpath);          //压缩图片并返回字符串
int distance(string str1, string str2);            //对比函数不一样的位数
void compare();
int turn(char a);
void main()
{
	const char* filepath = "E:learnvsfilec++projectpictureData	rain-images";     
	ergodicTest(filepath,"train_num.txt");         //处理训练集
	const char* test_path= "E:learnvsfilec++projectpictureData	est-images";
	ergodicTest(test_path, "test_num.txt");
	compare();   
}
 
void ergodicTest(string filename,string name)       //遍历并把路径存到files
{
	string firstfilename = filename + "*.bmp";
	struct _finddata_t fileinfo;
	intptr_t handle;            //不能用long,因为精度问题会导致访问冲突,longlong也可
	string rout = "E:learnvsfilec++projectpictureData" + name;
	ofstream file;
	file.open(rout, ios::out);
	handle = _findfirst(firstfilename.c_str(), &fileinfo);
	if ( _findfirst(firstfilename.c_str(), &fileinfo) != -1)
	{
		do
		{
			file << fileinfo.name << ":" << Image_Compression(filename + "" + fileinfo.name) << endl;
		} while (!_findnext(handle, &fileinfo));
		file.close();
		_findclose(handle);
	}
}
string Image_Compression(string imgpath)   //输入图片地址返回图片二值像素字符
{
	Mat Image = imread(imgpath);               //输入的图片
	cvtColor(Image, Image, COLOR_BGR2GRAY);
	int Matrix[28][28];                        //将digitization转化为字符串类型
	for (int row = 0; row < Image.rows; row++)  //把图片的像素点传给数组
		for (int col = 0; col < Image.cols; col++)
		{
			Matrix[row][col] = Image.at<uchar>(row, col);
		}
	string img_str = "";                   //用来存储结果字符串
	int x = 0, y = 0;
	for (int k = 1; k < 50; k++)
	{
		int total = 0;
		for (int q = 0; q < 4; q++)
			for (int p = 0; p < 4; p++)
				if (Matrix[x + q][y + p] > 127) total += 1;
		y = (y + 4) % 28;
		if (total >= 6) img_str += "1";    //将28*28的图片转化为7*7即压缩
		else img_str += "0";
		if (k % 7 == 0)
		{
			x += 4;
			y = 0;
		}
	}
	return img_str;
}
 
int distance(string str1, string str2)  //比对两个字符串有多少个不一样
{
	int counts=0;
	for (int i = 0; i < str1.length(); i++)
	{
		if (str1[i] == str2[i]) continue;
		else counts++; 
	}
	return counts;
}
int turn(char a)
{
	stringstream str;
	int f = 1;
	str << a;
	str >> f;
	str.clear();
	return f;
}
 
void compare()
{
	ifstream train_data;//建立读文件流
	ifstream test_data;
	string tmp1 = "";         //从train中取数据存在tmp1
	string tmp11 = "";
	string tmp2 = "";         //从test中取
	string tmp22 = "";
	bool refused = false; //拒绝识别标志
	int tr_num = 0;       //用来存储最小值的文件名(训练集)
	int num_refused = 0;   //拒绝识别个数
	int num_false = 0;     //识别错误个数
	int num_true = 0;      //正确识别个数
	test_data.open("E:learnvsfilec++projectpictureData	est_num.txt");
	for (int p = 0; p < 200; p++)
	{
		int total = 49;      //方便比大小,设置初值为49
		getline(test_data, tmp2);
		tmp22 = tmp2;    //在切割字符串之前保留,以便后面知晓该字符串是哪个数字的
		if(tmp2.length()==57) tmp2.erase(0,8); //erase函数是用来切割字符串的,这里是切割第0位的后面8位,存剩余的其他位
		else tmp2.erase(0,9);
		train_data.open("E:learnvsfilec++projectpictureData	rain_num.txt");
		for (int j = 0; j < 1000; j++)         //一个测试样本和所有训练样本对比
		{
			getline(train_data, tmp1);
			tmp11 = tmp1;
			if (tmp1.length() == 57) tmp1.erase(0, 8);
			else tmp1.erase(0, 9);
			if (distance(tmp1, tmp2) < total)  //取最相近的
			{
				refused = false;   //拒绝识别被设置为否,即识别没有被拒绝
				total = distance(tmp1, tmp2);
				tr_num = turn(tmp11[0]);          //记录数字
			}
			else if(distance(tmp1, tmp2) == total && tr_num!= turn(tmp11[0]))  //发现相同相似度,且两者归属的数字不同
			{
				refused = true;   //拒绝识别
				continue;          //循环继续
			}	
		}
		train_data.close();
 
		if (!refused)
		{
			if (tr_num == turn(tmp22[0]))
			{
				//cout << tmp2[0] << endl;
				num_true++;
				cout << "识别为:" << tr_num << endl;
			}
			else
			{
				num_false++;
				cout << "识别错误!" << endl;
			}
		}
		else
		{
			num_refused++;
			cout << "拒绝识别!" << endl;
		}
	}
	test_data.close();
	double t = num_true / 200.0, f = num_false / 200.0, r = num_refused / 200.0;
	cout << "正确率为:" << t << endl;
	cout << "错误率为:" << f << endl;
	cout << "拒绝识别率为:" << r << endl;
}

代码中有很多//注释,都是我调试代码用的,不用管。

我把遍历文件夹的参考链接放在这里://www.jb51.net/article/225454.htm

另外,如有错误欢迎大家指正!

以上就是C++编程模板匹配超详细的识别手写数字实现示例的详细内容,更多关于C++编程模板匹配识别手写数字的资料请关注云海天教程其它相关文章!