当前位置：文档之家 › 基于多特征提取的识别算法

基于多特征提取的识别算法

  • 格式：doc
  • 大小：586.83 KB
  • 文档页数：29

重庆大学本科学生毕业设计（论文） 摘要

I 摘 要

该文提出了一种基于多特征提取的手写汉字识别算法及其实现。该算法同时运用了基于统计特征和基于结构特征的汉字识别算法并对它们做了相应改进。

算法在匹配判别阶段采用了分类判别思想，在汉字图像输入的同时，记录汉字图像的输入结构特点，在此基础上得到输入的未知汉字的笔划特征，由笔划特征即可对未知汉字做粗分类，这样可以缩小判别时的汉字范围。经过汉字粗分类后，提取整个汉字图像的统计特征，该步骤采用了网格划分方法，即先对图像做划分，再计算每一网格内文字相素与整个图像中文字相素的比值，通过这些特征对文字图像做细分类即可得到识别结果.

基于多特征提取的识别算法对汉字的识别十分有效，能使识别率达到90%以上，该文同时也给出了对书写不规范的字的解决方案。

关键词：文字识别，特征提取，模式匹配,模式识别

重庆大学本科学生毕业设计（论文）

ABSTRACT

II ABSTRACT

The article proposes an algorithm for hand-written Chinese character recognition

and its realization . The algorithm is based on the multi-characteristics, it unifies and

improves the algorithm based on the statistic characteristic and the algorithm based on

the structure characteristics.

The algorithm adopts the classified distinction through the match distinction stage. It

takes down the character image’s input unique feature when the image input. With the

input unique feature, it can obtains the pen delimits characteristics of the unknown

character image. The first classification can be managed based on these steps, thus the

range of the second classification will smaller. After the first classification, it must

withdraws the statistic characteristics of the image. The algorithm adopts the grid

division method in this step. It makes a division to the image and then compute the

element ratio of every areas. As a result, the character image can be recognized by the

steps above.

The recognition algorithm based on multi-characteristics is extremely effective to the

Chinese character recognition.The recognition rate can achieves above 90% .This article

also provide methods for the characters written standardless.

Key words: Writing recognition, Characteristic withdraws, Pattern matching, Pattern

recognition

重庆大学本科学生毕业设计（论文） 绪论

1

目 录

中文摘要 ................................................................................................... Ⅰ

ABSTRACT .............................................................................................. Ⅱ

目录 ........................................................................................................... III

图片索引目录 ........................................................................................... Ⅳ

绪论 ............................................................................................................ 1

1 汉字识别原理及常用算法 .................................................................... 4

1.1 汉字识别的原理 ...................................................................................... 4

1.2 基于统计决策方法的汉字识别 .................................................................... 5

1.3基于结构特征方法的汉字识别 .................................................................... 6

2 基于多特征提取的识别算法 ................................................................ 9

2.1手写汉字识别的现行算法分析 .................................................................... 9

2.1.1以笔划序列为特征的识别算法 .............................................................. 9

2.1.2基于统计特征的汉字识别算法.............................................................. 11

2.2现行算法的结合和改进.............................................................................. 12

3 识别算法对应的VC代码 ..................................................................... 14

3.1输入预处理 ............................................................................................ 15

3.2识别算法 ............................................................................................... 18

4 算法实现结果和分析 ........................................................................... 20

4.1 模拟结果介绍 ........................................................................................ 20

4.2 结果分析 .............................................................................................. 21

5 总结与展望 ........................................................................................... 24

5.1 论文总结 .............................................................................................. 24

5.2 算法的前景展望 ..................................................................................... 24

参考文献 ................................................................................................... 25

合集下载

基于多特征的LS-SVM油水两相流流型识别

基于多特征的LS-SVM油水两相流流型识别

第３２卷第３期　２００８年５月　燕山大学学报　Ｊｏｕｒｎａｌ　ｏｆＹａｎｓｈａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ＶＯｌ＿３２　ＮＯ．３　Ｍａｙ　２００８　文章编号：１００７－７９１Ｘ（２００８）０３—０２５８－０５　

基于多特征的ＬＳ—ＳＶＭ油水两相流流型识别　

李英伟　，于莉娜　，孔令富　（１．燕山大学信息科学与工程学院，河北秦皇岛０６６００４）　摘　要：油水两相流的流型影响着流动参数的准确测量以及两相流系统的运行特性。针对电导波动信号的非平　稳和非线性特点，采用统计理论、小波包理论和混沌理论相结合的方法对垂直上升管内油水两相流的电导波动　信号进行分析，得到了ｌ１个反映油水两相流流动特性的特征参数，并将这些参数作为流型特征向量，运用最小　二乘支持向量机进行训练并识别流型。实现了一种从不同类型、不同角度提取多个特征的流型识别算法，解决　了现有算法中特征提取不足的问题。实验结果表明，这是一种有效的、高精度的识别方法。　关键词：流型识别；多特征提取；最小二乘支持向量机：油水两相流　中图分类号：ＴＱ　０２２．１２　６　文献标识码：Ａ　

０引言　注水开发油田的油井中普遍存在油水两相流　动，油水流动形态对油井生产特性及动态监测的影　响很大，因此流型识别是两相流研究的一个重要方　向。近年来，众多研究者运用现代信息处理技术对　两相流流型进行了辨识。金宁德　卅指出分形维数、　关联维数和Ｋｏｌｍｏｇｏｒｏｖ熵对油水两相流流型变化　具有敏感的“指示器”特性；而混沌递归结构图和　复杂性测度可以较好地反应气液两相流流型的演　化特征。黄竹清　利用压差波动信号的ｌｉｐｓｃｈｉｔｚ　指数来识别垂直上升管气液两相流流型。马龙博　采用经验模态分解后的多分辨率特征来识别流型，　以提高油水两相流流量的测量精度。孙斌　采用　小波包能量特征和多尺度信息熵来识别水平管气　液两相流流型。实际应用表明，单一特征量难以满　足工业现场流型识别的需要，目前不少学者通过提　取流型信号的多类特征来识别流型。周云龙　将　统计理论与分形理论相结合，提取了气水两相流的　７个特征参数，采用ＢＰ神经网络进行流型识别。　赵鑫　岫利用符号动力学理论、复杂性测度理论和　线性预测方法对电导波动信号进行处理，提取了气　液两相流的１５个特征参数，采用ＳＶＭ进行流型　识别。　由于两相流介质之间存在着随机多变的相界　面，致使两相流的流型不仅是多种多样，而且其变　化带有随机性，流型的特征提取仍是流型识别的难　点之一。本文针对垂直上升管油水两相流电导波动　信号的特点，从不同类型、不同角度提取了１１个　反映油水两相流流动特性的特征参数，解决了现有　算法中特征提取不足的问题；运用最小二乘支持向　量机（ＬＳ－ＳＶＭ）进行训练并识别流型。结果表明，　该方法是有效、可行的。　１实验装置与实验数据　实验在大庆生产测井研究所多相流实验装置　上进行，该实验装置由长８ＩＴＩ、内径为１２５ｍｍ的　透明有机玻璃井筒，高４５　ＩＴＩ的油水稳压塔，标准　流量计和４个内部相连的油水分离罐组成，结构如　图１所示。实验所用流体为柴油和水，油水分别通　过油泵和水泵被送到４５　ＩＴＩ高的稳压塔，从稳压塔　流出的油和水经过滤器、计量管段标准计量后进入　模拟井筒；由模拟井筒出来的油水混合物进入油水　分离罐，油水经过重力分离后，油相进入贮油罐循　环使用，水相进入贮水罐循环使用。　实验所用仪器为内径２６　ｍｍ的电导式相关流　量计　，实验时将测量仪置于有机玻璃井筒内，并　收稿日期：２００８—０３—２４　基金项目：国家高技术研究发展计划资助项目（２００７ＡＡ０６ｚ２３１）　作者简介：李英伟（１９７８一），男，河北秦皇岛人。博士研究生，讲师。主要研究方向为多相流检测技术。

基于特征的识别方法

基于特征的识别方法

基于特征的识别方法

特征识别方法是指通过提取目标对象的一些特征信息，然后利用这些特征进行识别和分类的过程。下面将按照段落进行解释和回答你的问题。

1. 特征的概念和意义：

在特征识别方法中，特征是指能够描述目标对象某些本质属性或特性的可测度的性质或特征。这些特征可以是物体的形状、颜色、纹理、边缘等等。通过提取和选取适当的特征，可以将目标对象与其他对象进行区分，进而实现识别和分类的目的。

2. 特征提取的方法：

特征提取是指从原始数据中提取出能够表达目标对象特征的信息。常见的特征提取方法包括边缘检测、滤波器、图像分割等。在边缘检测中，可以通过寻找图像中强度变化明显的地方来提取出物体的边缘信息；在滤波器中，可以根据不同的滤波器操作提取出图像的纹理信息；而图像分割则是利用图像的颜色、纹理等特征将图像中的目标对象分离出来。

3. 特征选择的方法：

特征选择是指从已提取的特征中选择出最具有区分度和重要性的特征，以便更准确地进行识别和分类。特征选择的方法有很多种，比较常见的有互信息、相关系数、卡方检验等。这些方法可以通过计算特征与目标对象之间的相关性来评估特征的重要性，并选择出最优的特征子集。

4. 特征表示的方法：

特征表示是指将提取和选择出的特征进行合适的表示和编码，以便进行后续的识别和分类任务。常见的特征表示方法有向量表示、直方图表示、频域表示等。其中，向量表示是将特征组成一个向量来表示；直方图表示是将特征的统计信息转化为直方图形式；频域表示则是将特征转换到频域上进行表示。

5. 特征分类的方法：

特征分类是指利用已提取、选择和表示的特征来进行目标对象的识别和分类。常见的特征分类方法包括支持向量机（SVM）、K近邻算法（KNN）、决策树、神经网络等。这些方法通过学习特征与目标对象之间的映射关系，构建一个分类模型，然后利用该模型对新的目标对象进行预测和分类。

总结起来，基于特征的识别方法是通过提取、选择、表示和分类特征来实现目标对象的识别和分类。这些方法可以应用于图像识别、声音识别、文本分类等领域，提高了机器对复杂信息的理解和处理能力。

图像识别算法

图像识别算法

图像识别算法

引言

图像识别算法是一种计算机视觉技术，通过对图像进行分析和处理，将图像中的对象或特征识别出来，并按照一定的分类或识别规则进行判断。随着计算机计算能力的增强和深度学习算法的发展，图像识别算法在诸多领域得到了广泛应用，如人脸识别、物体检测、车牌识别等。

常见的图像识别算法

1. 基于特征提取的算法

基于特征提取的图像识别算法是最早也是最经典的算法之一。该算法通过提取图像中的局部特征，如角点、边缘等，然后将这些特征与预先训练的模型进行匹配，以实现图像的识别和分类。常见的特征提取算法有Harris角点检测算法、Sobel边缘检测算法等。

2. 基于机器学习的算法

基于机器学习的图像识别算法是近年来得到迅速发展的算法之一。该算法将图像识别问题转化为一个分类问题，通过对大量的训练样本进行学习和训练，建立一个分类器，然后对未知图像进行分类。常见的基于机器学习的算法包括支持向量机（SVM）、随机森林（Random Forest）等。

3. 基于深度学习的算法

基于深度学习的图像识别算法是目前最先进、最有效的算法之一。该算法使用深度神经网络模型，通过多层次的卷积和池化操作，提取图像中的高级特征，然后将这些特征送入分类器进行分类。常见的深度学习算法有卷积神经网络（CNN）、循环神经网络（RNN）等。

图像识别算法的应用场景

1. 人脸识别

人脸识别是图像识别算法应用最广泛的领域之一。通过对人脸图像进行特征提取和比对，可以实现人脸的自动识别和认证。该技术在安全监控、身份认证等领域有着重要的应用。 2. 物体检测

物体检测是指在图像中检测和定位物体的过程。通过图像识别算法，可以在图像中准确地识别出各种物体，并给出其位置和边界框，这对于自动驾驶、智能交通等领域非常重要。

3. 文字识别

文字识别是将图像中的文字内容转化为可编辑和可搜索的文本的过程。通过图像识别算法，可以对印刷体、手写体等各种字体进行识别，该技术在身份证识别、车牌识别等场景中有着重要的应用价值。

基于多特征的图像检索算法

基于多特征的图像检索算法

第２９卷　

Ｖｏ１．２９　第１７期　

Ｎｏ．１　７　计算机工程与设计　

Ｃｏｍｐｅｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｄｅｓｉｇｎ　２００８年９月　

Ｓｅｐｔ．２００８　

基于多特征的图像检索算法　

陈　蔚，　肖国强　

（西南大学计算机与信息科学学院，重庆４００７１５）　

摘要：基于内容的图像检索是数字图像处理的一个重要研究方向，有效地提取图像内容特征是其中的一个关键问题。提　

出利用最大相关最小距离将图像的纹理特征、高斯密度特征与人脸检测相结合的算法进行图像检索。在建立１０　０００幅图像　

库的基础上验证了算法的可行性，实验结果表明算法能够准确、高效地检索出目标图像；相对于单一特征的检索，算法有效　

地提高了图像检索的精度和速度。　

关键词：基于内容的图像检索；高斯密度特征；纹理特征；人脸检测；最大相关最小距离　中图法分类号：ＴＰ３９１．４１　文献标识码：Ａ　文章编号：１０００—７０２４（２００８）１７—４５０７．０４　

Ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｍｕｌｔｉ—ｆｅａｔｕｒｅｓ　

ＣＨＥＮ　Ｗｅｉ．ＸＩＡ０　Ｇｕｏ—ｑｉａｎｇ　

（Ｆａｃｕｌｔｙ　ｏｆ　Ｃｏｍｐｕｔｅｒ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ，Ｓｏｕｔｈｗｅｓｔ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ　４００７　１　５，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｃｏｎｔｅｎｔ・ｂａｓｅｄ　ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌ　ｉｓ　ａｎ　ｉｍｐｏｒｔａｎｔ　ｒｅｓｅａｒｃｈ　ｄｉｒｅｃｔｉｏｎ　ｏｆ　ｄｉｇｉｔａｌ　ｉｍａｇｅ　ｐｒｏｃｅｓｓｉｎｇ，ａｎｄ　ｅｆｆｅｃｔｉｖｅ　ｉｍａｇｅ　ｅｘｔｒａｃｔｉｏｎ　

ｆｅａｔｕｒｅ　ｉｓ　ｏｎｅ　ｏｆｔｈｅ　ｋｅｙ　ｉｓｓｕｅｓ．Ａ　ｎｅｗ　ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌ　ｍｅｔｈｏｄ　ｂｙ　ｕｓｉｎｇ　ｍａｘ　ｃｏｒｒｅｌａｔｉｏｎ　ｒａｉｎ　ｄｉｓｔａｎｃｅ　ｔｏ　ｃｏｍｂｉｎｅ　ｔｏｇｅｔｈｅｒ　ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅｓ，