基于频谱特征的手写字符识别.PDFVIP

基于频谱特征的手写字符识别 本文论述的字符识别方法为：在频域，通过对一定数量字符的频谱特征进行 提取、训练，形成字符特征的先验知识，构成字符库的模板信息，并将其存储为 识别模板，形成字符识别分类器。识别时，待识别的手写字符图片输入后，在频 域提取相同的特征，然后使用KNN(K-Nearest-Neighbor)算法与识别模板中存储的 字符特征比较，最终确定待识别字符的种类。 一、 预处理及傅里叶变换 1. 预处理 预处理是数字图像处理中必不可少的一环。其目的在于改善图像数据， 抑制不需要的变形或者增强某些对于后续处理来说比较重要的图像特 征。本设计中，对训练样本图片进行灰度化、中值滤波及二值化处理， 以便于后续的频谱特征分析。 2. 傅里叶变换 数字图像处理中，为便于分析图像的整体特征，减少图像数据的相关性， 往往需要进行图像变换。离散傅里叶变换即为常用的一种图像变换。 通过对训练样本图片的分析，发现训练样本具有以下特征：每个样本图 片中，大部分区域灰度变化缓慢，只有字符所在区域突变（虽然字符部 分在整个图像中所占的比重小，但是所对应的信息量最大）。故在频域 中，能量主要集中在低频部分，只有小部分能量集中在高频部分，即字 符特征信息应该集中在频域图像的高频部分。 “S”、“T ”、“V ”部 分图像的频谱图分别如图1,2,3所示。 图1 3幅 “S”字符图片频谱 图2 3幅“T ”字符图片频谱 图3 3幅“V ”字符图片频谱 二、 频谱特征提取 由图1,2,3可知，人眼已经可以辨别各个字符大致的频谱特征，但对计算机来 说，频谱图像还是包含太多的无关信息，如每个字符图像的频谱中包含较多的低 频分量，故需采用高通滤波器滤除。设计中，采用的是巴特沃斯高通滤波器，滤 除无关分量。部分图片的滤波结果如图4所示。 “S ”滤波频谱 “V”滤波频谱 “T”滤波频谱 图4 巴特沃斯高通滤波后的字符频谱 分析图4 ，可知已经剔除大部分无关的低频信息，剩下包含字符特征的频谱 成分。对3类字符而言，包含字符特征的频谱图像滤波后具有明显的类间区分度， 故取每幅频谱图像的方差为该图像的特征信息，以构建识别模板，作为字符识别 的分类器。训练图片中，各类字符图像的频谱方差如图5所示。分析各类字符的 频谱方差，可知以方差作为识别特征是合适的。接下来需要进行测试，验证所选 识别特征的可行性。 图5 训练样本的频谱方差 三、 KNN(k-Nearest Neighbor ，KNN) KNN 方法的思路是：如果一个样本在特征空间中的 k 个最相似(即特征空间 中最邻近) 的样本中的大多数属于某一个类别，则该样本也属于这个类别。设计 中，采用该算法思想。KNN 算法的一般步骤为： step.1初始化距离为最大值； ste