1、精選優質文檔-傾情為你奉上印刷體漢字的識別及其MATLAB實現0.漢字識別研究的意義漢字已有數千年的歷史，是中華民族文化的重要結晶，閃爍著中國人民智慧的光芒。同時也是世界上使用人數最多和數量最多的文字之一。現如今，漢字印刷材料的數量大大增加，一些專業單位所接觸的印刷材料更是浩如煙海，信息量均是爆炸性增長。然而，漢字是非字母化、非拼音化的文字，因此，如何將漢字快速高效地輸入計算機，是信息處理的一個關鍵問題，也是關系到計算機技術能否在我國真正普及的關鍵問題，更是傳播與弘揚中華民族悠久歷史文化的關鍵問題。而且隨著勞動力價格的升高，利用人工方法進行漢字輸入也將面臨經濟效益的挑戰。因此，對于大量已有的文

2、檔資料，漢字自動識別輸入就成為了最佳的選擇。因此，漢字識別技術也越來越受到人們的重視。漢字識別是一門多學科綜合的研究課題，它不僅與人工智能的研究有關，而且與數字信號處理、圖像處理、信息論、計算機科學、幾何學、統計學、語言學、生物學、模糊數學、決策論等都有著千絲萬縷的聯系。一方面各學科的發展給它的研究提供了工具；另一方面，它的研究與發展也必將促進各學科的發展。因而有著重要的實用價值和理論意義。1.印刷體漢字識別的研究1.1印刷體漢字識別技術的發展歷程計算機技術的快速發展和普及，為文字識別技術應運而生提供了必備條件。加上人們對信息社會發展的要求越來越高，文字識別技術的快速發展可想而知。印刷體文字的

3、識別可以說很早就成為人們的夢想。印刷體漢字的識別最早可以追溯到60年代，但都是西方國家進行的研究。我國對印刷體漢字識別的研究始于70年代末80年代初。同國外相比，我國的印刷體漢字識別研究起步較晚。從80年代開始，漢字ORC的研究開發一直受到國家重視，經過科研人員十多年的辛勤努力，印刷體漢字識別技術的發展和應用，有了長足進步。1.2印刷體漢字識別的原理分析及算法研究漢字識別實質是解決文字的分類問題,一般通過特征辨別及特征匹配的方法來實現。目前漢字識別技術按照識別的漢字不同可以分為印刷體漢字識別和手寫體漢字識別。印刷體漢字識別從識別字體上可分為單體印刷體漢字識別與多體印刷體漢字識別。印刷體漢字識別

4、的流程如圖1-1所示：圖1-1漢字識別流程框圖印刷在紙張上的漢字,通過用掃描儀掃描或者數碼相機拍攝等光學方式輸入后得到灰度圖像（Grayscale image）或者二值圖像（Binary image）,然后利用各種模式識別算法對漢字圖像進行分析,提取漢字的特征，與標準漢字進行匹配判別,從而達到識別漢字的目的。印刷體漢字識別技術主要包括預處理、特征提取、匹配識別和后處理等步驟。1.2.1預處理在對原始圖像進行識別處理之前，盡可能將干擾因素影響降低，是非常有必要的，也就是要先對原始采樣信號進行預處理。預處理通常包括去除噪聲、版面分析、二值化、傾斜校正、行列切分、平滑、歸一化、細化等。（1）版面分析

5、它是指對印刷體文檔圖像進行分析，提取出文本、圖像圖形、表格等區域，并確定其邏輯關系，并將相應的文本塊連接在一起。（2）二值化將一幅具有多種灰度值的圖像變成白黑分布的二值圖像的工作稱為二值化處理，二值化的主要目的是將漢字從圖像中分離出來。通常的方法為先確定像素的閾值，比較像素值和閾值的大小，從而確定為1或0，這個二值化閾值的選取較為關鍵。（3）傾斜校正通過輸入設備獲得的圖像不可避免地會發生傾斜，這會給后面的行字分割、文字識別等圖像處理與分析帶來困難，因此，在漢字識別系統中，傾斜校正是圖像預處理的重要部分。傾斜校正的核心在于如何檢測出圖像的傾斜角。（4）漢字切分漢字切分的目的是利用字與字之間、行與

6、行之間的空隙，將單個漢字從整個圖像中分離出來。漢字的切分分為行切分和字切分9。（5）歸一化歸一化也稱規格化，它是把文字尺寸變換成統一大小，糾正文字位置（平移），文字筆畫粗細變換等文字圖像的規格化處理，并只對文字圖像進行投影。（6）平滑對數字圖像進行平滑，目的是去處孤立的噪聲干擾，以平滑筆畫邊緣。平滑在圖像處理中實質是一幅文字圖像通過一個低通濾波器，去除高頻分量，保留低頻分量。（7）細化細化處理是將二值化文字點陣逐層剝去輪廓邊緣上的點，變成筆畫寬度只有一個比特的文字骨架圖形。細化處理的目的是搜索圖像的骨架，去除圖像上多余的像素，從而在不改變圖像主要特征的前提下，減少圖像的信息量。1.2.2漢字特

7、征提取 預處理的最終目的是為了更加方便、準確地進行漢字的特征提取，從而提高漢字識別率。對于漢字，其特征大致分為兩類，包括結構特征和統計特征，至今總數已經不下百種。要做到有的放矢，就需要研究已有的獲得良好效果的各種漢字特征，分析它們的優點、缺點和適用環境。如下列出常用的一些的漢字結構特征和漢字統計特征。1.結構特征(1)抽取筆畫法抽取筆畫法是利用漢字由筆畫所構成的特點進行識別，它利用漢字的結構信息來進行漢字的聯機識別，在印刷體和脫機手寫識別中，由于筆畫提取的困難，結果不是很理想。 (2)松弛匹配法松弛匹配法是一種基于全局特征的匹配方法，它對輸入漢字作多邊近似，抽取邊界線段，將這些邊界線段組成臨近

8、線段表，然后用松弛匹配操作，完成邊與邊的匹配。這種方法利用彈性吸收漢字的變形，一個字只用一個樣本。(3)非線性匹配法非線性匹配法是由Tsukumo等提出的，用以解決字形的位移、筆畫的變形等現象。此方法試圖克服從圖形中正確抽取筆畫的困難，以提高正確判別的能力。2.統計特征(1)筆畫復雜性（Complexity Index） 筆畫復雜性指數是指文字筆畫的線段密度，其定義如下： (1-1) (1-2)式（1-1）和（1-2）中、一橫向和縱向的筆畫復雜性指數；、一橫向和縱向的文字線段總長度；、一橫向和縱向質心二次矩的平方根；、分別反應了橫向和縱向的筆畫復雜性，橫多的大，豎多的大。筆畫復雜性指數與漢字的

9、位移無關，受字體和字號的影響較小，但易受筆畫斷裂和粘連的影響，且其分類能力較差，常與另一種粗分類方法“四邊碼”連用。(2)四邊碼（Four-side Code）四邊碼是在漢字點陣圖的四周各取一條帶，計算其中的文字圖像素點數，并將它分成四級，構成一個四元組。由于漢字邊框不但含有豐富的結構信息，而且邊框部分筆畫一般較少，不易粘連，抗干擾能力強，但對漢字的位移和旋轉比較敏感，與筆畫復雜性指數正好形成互補。 (3)特征點特征點提取算法的主要思想是利用字符點陣中一些有代表性的黑點（筆畫）、白點（背景）作為特征來區分不同的字符。特征點包括筆畫骨架線的端點、折點、歧點和交點，漢字的背景也含有一定的區別于其它

10、漢字的信息，選擇若干背景點作為特征點，有利于提高系統的抗干擾能力。其特點是能夠大大壓縮特征庫的容量，對于內部筆畫粘連字符，其識別的適應性較強、直觀性好，但不易表示為矢量形式，匹配難度大，不適合作為粗分類的特征。(4)筆段特征漢字是由筆畫組成的，而筆畫又由筆段組成，筆段可近似為一定方向、長度和寬度的矩形段。利用筆段與筆段之間的關系組成特征對漢字進行識別，受字體和字號的影響小，對于多體漢字的識別獲得了良好效果。其缺點是筆段的提取會較為困難，匹配的難度大，抗內部筆畫斷裂或者粘連能力差。1.2.3漢字識別分類1.相關匹配這是一種統計識別方法，它通過在特征空間中計算輸入特征向量與各模板向量之間的距離進行

11、分類判決。（2）文法分析文法分析的基本思想是將輸入的漢字看作是一個語句或符號串，將識別問題轉化為判斷輸入的語句是否屬于某種語言，即句子是否符合某種語言的語法約束條件。（3）松弛匹配無論是相關匹配還是文法分析，都要求輸入特征向量和模板特征向量的各分量之間具有確切的對應關系，然而在結構分析中，往往事先難以確定兩者各分量間的對應關系，此時可以采用松弛匹配法。松（4）人工神經網絡漢字識別是一個非常活躍的分支，不斷有新的方法涌現出來，為漢字識別的研究注入新的活力，其中基于人工神經網絡的識別方法是非常引人注目的方向。目前神經網絡理論的應用己經滲透到各個領域，并在模式識別、智能控制、計算機視覺、自適應濾波和

12、信號處理、非線性優化、自動目標識別，連續語音識別、聲納信號的處理、知識處理、傳感技術與機器人、生物等領域都有廣泛地應用。1.2.4 后處理后處理就是利用相關算法對識別后的漢字文本或者初級識別結果做進一步的處理，糾正誤識的漢字，給出拒識的漢字，確定模棱兩可的漢字。漢字識別的后處理方法12，13從用戶的參與程度來說，可分為三類：手工處理，交互式處理和計算機自動處理。以下對各種常用的后處理方法做簡單的介紹。（1）簡單的詞匹配簡單的詞匹配就是利用文本中字的上下文匹配關系和詞的使用頻度，給識別后文本中的拒識字提供一個“最佳”的候選字，其關鍵是建立漢語詞條數據庫。（2）綜合詞匹配綜合詞匹配方法，就是綜合利

13、用初級識別結果和字的上下文關系及詞的使用頻度，來決定最后的識別結果。這種方法實際上己把識別過程和后處理過程融為一體了。（3）詞法分析語言是語音和意義的結合體。語素是最小的語言單位。無論是詞還是短語，都有其構成規則，利用這些規則，將它們分類。另外，不同的應用背景，也有不同的分類結果。（4）句法、語義分析語句無論是從結構上，還是從意思上都有一種人類共同理解、共同接受和共同遵守的語言組合法則。所以利用語義句法的方法，在初級識別結果的基礎上，在利用詞法分析進行匹配之后或匹配的同時，再進行句法分析和語義分析，從而確定要識別的漢字。（5）人工神經元網絡利用人工神經元網絡的漢字識別后處理可以采取兩種方式。一

14、種是把識別過程和后處理過程分開，網絡的輸入是初級識別結果的短語或者句子，其中包含不確定的漢字（或拒識的漢字），通過網絡的運行，最終確定這些字。另一種方法是把識別過程和后處理過程綜合在一起，初級識別給出的結果是每一個待識漢字的前幾個候選字和每一候選字與待識字之間的相似度。然后，把這些候選字以及與之相連的相似度輸入網絡，通過網絡的并行作用，找到最符合漢語語法和語義組合關系的詞或句子，從而確定出要識別的漢字。1.3 印刷體漢字識別技術分析1.3.1結構模式識別方法漢字的數量巨大，結構復雜，但其特殊的組成結構中蘊藏著相當嚴的規律14。從筆畫上講，漢字有包括橫、豎、撇、捺、點、折、勾等七種基本筆畫，還有

15、提挑、撇點、橫捺等七種變形筆畫。從部件上講，部件是有特殊的筆畫組合而成，故部件也是一定的。換而言之，漢字圖形具有豐富的有規律可循的結構信息，可以設法提取含有這些信息的結構特征和組字規律，將它們作為漢字識別的依據。這就是結構模式識別。結構模式識別理論在20 世紀70 年代初形成,是早期漢字識別研究的主要方法。其思想是直接從字符的輪廓或骨架上提取的字符像素分布特征，如筆畫、圈、端點、節點、弧、突起、凹陷等多個基元組合，再用結構方法描述基元組合所代表的結構和關系。通常抽取筆段或基本筆畫作為基元,由這些基元組合及其相互關系完全可以精確地對漢字加以描述,最后利用形式語言及自動機理論進行文法推斷,即識別。

16、結構模式識別方法的主要優點在于對字體變化的適應性強,區分相似字能力強；缺點是抗干擾能力差,從漢字圖像中精確的抽取基元、輪廓、特征點比較困難,匹配過程復雜。因此,有人采用漢字輪廓結構信息作為特征,但這一方案需要進行松弛迭代匹配,耗時太長,而且對于筆畫較模糊的漢字圖像,抽取輪廓會遇到極大困難。也有些學者采用抽取漢字圖像中關鍵特征點來描述漢字,但是特征點的抽取易受噪聲點、筆畫的粘連與斷裂等影響。總之單純采用結構模式識別方法的脫機手寫漢字識別系統,識別率較低。1.3.2統計模式識別方法統計模式識別方法是用概率統計模型提取待識別漢字的特征向量,然后根據決策函數進行分類,識別就是判別待識漢字的特征向量屬于

17、哪一類。常用的判別準則是距離準則和類似度準則,典型的統計模式識別方法有最小距離分類、最鄰近分類等。1.最小距離分類最小距離分類器（Minimum - Distance Classifier） 是以漢字與特征空間模型點之間的距離作為分類準則，它有著圖3-2所描述的結構。其中，是輸入特征向量，他將被分配到個類別中的某一個類（） ,這些類有各自的典型模式 表示。圖1-2 最小距離分類器系統圖2. 最鄰近分類最鄰近法的思想是對于 個類別 （） ,每類有標明類別的樣本 個（）。規定 的判別函數如式（1-1） 所示。其中的角標表示類，k 表示類個樣本中的第 個。 , (1-3), , (1-4)若式（1-

18、2） 成立,則決策 。即對未知樣本，比較與個已知類別的樣本之間的歐式距離并決策與離它最近的樣本同類。常用的漢字統計模式識別方法包括：（1）模板匹配（2）利用變換特征的方法（3）筆畫方向特征（4）外圍特征（5）特征點特征隨著漢字識別技術的發展，已經有越來越多的統計特征出現。但幾乎每種特征都不是完美的，都要在特殊條件下施加一些特殊的處理。2.系統的實現與仿真2.1系統的實現印刷品上的漢字輸入，經過預處理后，對照標準漢字修補缺損部分，用修補后的漢字進行學習，形成初始的特征庫后再進行大量樣本的學習，建立實用的特征庫。系統在識別過程中可進行自學習。取標準漢字，對每一個漢字計算面積。所有按面積由小到大排列

19、，建立每一漢字與其國標碼的指針。對神經網絡設置其初始權值，選取大量標準漢字訓練網絡，反復修改權值，直至與面積序號對應的輸出為有效，并建立每一輸出與面積特征庫之間的連接關系。以后隨著學習過程的進行，將建立動態調整面積特征庫及其與神經網絡之間的對應關系。系統共包括5個子功能模塊（見圖2-1）。圖2-1 系統模塊圖圖2-2 系統流程框圖系統的工作流程如圖2-2所示，文件首先由文件管理器加載。送人圖像處理模塊，經二值化轉灰度，均值濾波，二值化，行字切分等圖像預處理操作后。得到待識文字的點陣，漢字識別模塊從點陣中提取識別特征，通過十三點特征提取，精確匹配得出識別結果。2.2系統的仿真 此次采用MATLA

20、B進行系統仿真（Matlab仿真程序見附錄1），其中學習功能使用sim函數實現，特征提取用十三點特征提取法。y = sim（ net, P_test）；%用訓練出來的神經網絡計算數據的第P_test行；其中net是SIMULINK的模型名（神經網絡的對象見附錄2）；P_test是外部輸入向量。十三點特征提取法：首先把字符平均分成8份，統計每一份內黑色像素點的個數作為8個特征，然后統計水平方向中間兩列和豎直方向中間兩列的黑色像素點的個數作為4個特征，最后統計所有黑色像素點的個數作為第13個特征。也就是說，畫4道線，統計穿過的黑色像素的數目。可以得到4個特征。最后，將字符圖像的全部黑色像素的數目的

21、總和作為一個特征。十三點特征提取法有著極好的適應性，但是由于特征點的數目太少所以在樣本訓練的時候比較難收斂。系統首先對標準圖像（見圖2-3）進行識別，識別過程中轉灰度（見圖2-4），均值濾（見圖2-5），二值化(見圖2-6)，波識別結果見圖（2-7）。圖2-3 標準圖像圖2-4 標準圖像轉灰度圖像圖2-5 標準圖像均值濾波圖像圖2-6 標準圖像二值化圖像 圖2-7 標準圖像識別結果通過對標準圖像識別學習訓練，然后對輸入亂序圖像（見圖2-8）進行識別，過程中轉灰度(見圖2-9)，均值濾波(見圖2-10)，二值化(見圖2-11)，識別結果（見圖2-12）。 圖2-8 亂序圖像圖2-9 亂序圖像轉灰

22、度圖像圖2-10 亂序圖像均值濾波圖像圖2-11 亂序圖像二值化圖像圖2-12 亂序圖像識別結果由以上實驗結果可以看出，當輸入標準圖像，經過轉灰度，均值濾波，二值化，識別輸出。然后，輸入亂序圖像在經過轉灰度，均值濾波，二值化，特征提取，匹配識別后，系統能夠將亂序圖像中的圖像識別輸出。說明系統基本實現預先設想的功能，能夠在學習標準圖像識別后建立標準庫，并根據標準字庫與以后輸入的圖像進行匹配識別輸出。但由于系統比較簡單，實現的功能也比較單一，要想實現較完備功能還需進一步完善。3.附錄附錄1專心-專注-專業%亂序圖像識別：load bp;G=imread('luanxv.jpg');

23、%讀取I=rgb2gray(G);%-轉灰度圖象B1=filter2(fspecial('average',3),I)/255; %以3,3為模板均值濾波%-均值濾波d=im2bw(B1,0.5);%-二值k1=1;k2=1;s=sum(d');j=2;a=1;c=1 m, n=size(d');while s(j)=m j=j+1;endk1=j;while s(j)=m && j<=n-1 j=j+1;endk2=j-1;d=d(k1:k2),:); %-行分割m,n=size(d);k1=1;k2=1;s=sum(d);j=2;a=1

24、;c=1for a=1:16 while s(j)=m j=j+1; end k1=j; while s(j)=m && j<=n-1 j=j+1; end k2=j-1;%-列分割 if c=1 b1=d(:,(k1:k2); imwrite(b1,'im1.jpg'); t1=tezhengtiqu(b1); P_test = t1' y = sim(net,P_test);%用訓練出來的神經網絡計算數據的第%P_test行 word=jieguoxianshi(y) end%-第1個字符if c=2 b2=d(:,(k1:k2); imwri

25、te(b2,'im2.jpg');t2=tezhengtiqu(b2); %用十三點特征提取法提取特征 P_test = t2; y = sim(net,P_test');%用訓練出來的神經網絡計算數據的%第P_test行 word=jieguoxianshi(y)end%-第2個字符if c=3 b3=d(:,(k1:k2); imwrite(b3,'im3.jpg'); t3=tezhengtiqu(b3); P_test = t3; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第3個字符i

26、f c=4 b4=d(:,(k1:k2); imwrite(b4,'im4.jpg'); t4=tezhengtiqu(b4); P_test = t4; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第4個字符if c=5 b5=d(:,(k1:k2); imwrite(b5,'im5.jpg'); t5=tezhengtiqu(b5); P_test = t5; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第5個字符if c=6 b6=d(:

27、,(k1:k2); imwrite(b6,'im6.jpg'); t6=tezhengtiqu(b6); P_test = t6; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第6個字符if c=7 b7=d(:,(k1:k2); imwrite(b7,'im7.jpg'); t7=tezhengtiqu(b7); P_test = t7; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第7個字符if c=8 b8=d(:,(k1:k2); im

28、write(b8,'im8.jpg'); t8=tezhengtiqu(b8); P_test = t8; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第8個字符if c=9 b9=d(:,(k1:k2); imwrite(b9,'im9.jpg'); t9=tezhengtiqu(b9); P_test = t9; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第9個字符if c=10 b10=d(:,(k1:k2); imwrite(b10,

29、'im10.jpg'); t10=tezhengtiqu(b10); P_test = t10; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第10個字符if c=11 b11=d(:,(k1:k2); imwrite(b11,'im11.jpg'); t11=tezhengtiqu(b11); P_test = t11; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第11個字符if c=12 b12=d(:,(k1:k2); imwrite(

30、b12,'im12.jpg'); t12=tezhengtiqu(b12); P_test = t12; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第12個字符if c=13 b13=d(:,(k1:k2); imwrite(b13,'im13.jpg'); t13=tezhengtiqu(b13); P_test = t13; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第13個字符if c=14 b14=d(:,(k1:k2); imwr

31、ite(b14,'im14.jpg'); t14=tezhengtiqu(b14); P_test = t14; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第14個字符if c=15 b15=d(:,(k1:k2); imwrite(b15,'im15.jpg'); t15=tezhengtiqu(b15); P_test = t15; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第15個字符if c=16 b16=d(:,(k1:k2);

32、imwrite(b16,'im16.jpg'); t16=tezhengtiqu(b16); P_test = t16; y = sim(net,P_test'); word=jieguoxianshi(y)end%-第16個字符 c=c+1; endsubplot(2,8,1),imshow（'im1.jpg');subplot（2,8,2),imshow('im2.jpg');subplot(2,8,3),imshow('im3.jpg');subplot(2,8,4),imshow('im4.jpg'

33、);subplot(2,8,5),imshow('im5.jpg');subplot(2,8,6),imshow('im6.jpg');subplot(2,8,7),imshow('im7.jpg');subplot(2,8,8),imshow('im8.jpg');subplot(2,8,9),imshow('im9.jpg');subplot(2,8,10),imshow('im10.jpg');subplot(2,8,11),imshow('im11.jpg');subplot

34、(2,8,12),imshow('im12.jpg');subplot(2,8,13),imshow('im13.jpg');subplot(2,8,14),imshow('im14.jpg');subplot(2,8,15),imshow('im15.jpg');subplot(2,8,16),imshow('im16.jpg');%標準圖像識別：load fbp;G=imread('biaozhun.jpg');%讀取I=rgb2gray(G);%-轉灰度圖象B1=filter2(fspecia

35、l('average',3),I)/255;%-均值濾波d=im2bw(B1,0.5);%-二值imshow(d);k1=1;k2=1;s=sum(d');j=2;a=1;c=1 m,n=size(d');while s(j)=m j=j+1;endk1=j;while s(j)=m && j<=n-1 j=j+1;endk2=j-1;d=d(k1:k2),:); %-行分割m,n=size(d);k1=1;k2=1;s=sum(d);j=2;a=1;c=1for a=1:16 while s(j)=m j=j+1; end k1=j; w

36、hile s(j)=m && j<=n-1 j=j+1; end k2=j-1;%-列分割 if c=1 b1=d(:,(k1:k2); imwrite(b1,'im1.jpg'); t1=tezhengtiqu(b1); P_test = t1' y = sim(net,P_test); word=fbmjieguoxianshi(y) end%-第1個字符if c=2 b2=d(:,(k1:k2); imwrite(b2,'im2.jpg'); t2=tezhengtiqu(b2); P_test = t2; y = sim(n

37、et,P_test'); word=fbmjieguoxianshi(y)end%-第2個字符if c=3 b3=d(:,(k1:k2); imwrite(b3,'im3.jpg'); t3=tezhengtiqu(b3); P_test = t3; y = sim(net,P_test'); word=fbmjieguoxianshi(y)end%-第3個字符if c=4 b4=d(:,(k1:k2); imwrite(b4,'im4.jpg'); t4=tezhengtiqu(b4); P_test = t4; y = sim(net,P_t

38、est'); word=fbmjieguoxianshi(y)end%-第4個字符if c=5 b5=d(:,(k1:k2); imwrite(b5,'im5.jpg'); t5=tezhengtiqu(b5); P_test = t5; y = sim(net,P_test'); word=fbmjieguoxianshi(y)end%-第5個字符if c=6 b6=d(:,(k1:k2); imwrite(b6,'im6.jpg'); t6=tezhengtiqu(b6); P_test = t6; y = sim(net,P_test

39、9;); word=fbmjieguoxianshi(y)end%-第6個字符if c=7 b7=d(:,(k1:k2); imwrite(b7,'im7.jpg'); t7=tezhengtiqu(b7); P_test = t7; y = sim(net,P_test'); word=fbmjieguoxianshi(y)end%-第7個字符if c=8 b8=d(:,(k1:k2); imwrite(b8,'im8.jpg'); t8=tezhengtiqu(b8); P_test = t8; y = sim(net,P_test'); w

40、ord=fbmjieguoxianshi(y)end%-第8個字符if c=9 b9=d(:,(k1:k2); imwrite(b9,'im9.jpg'); t9=tezhengtiqu(b9); P_test = t9; y = sim（net,P_test'); word=fbmjieguoxianshi(y)end%-第9個字符if c=10 b10=d(:,(k1:k2); imwrite(b10,'im10.jpg'); t10=tezhengtiqu(b10); P_test = t10; y = sim(net,P_test');

41、word=fbmjieguoxianshi(y)end%-第10個字符if c=11 b11=d(:,(k1:k2); imwrite(b11,'im11.jpg'); t11=tezhengtiqu(b11); P_test = t11; y = sim(net,P_test'); word=fbmjieguoxianshi(y)end%-第11個字符if c=12 b12=d(:,(k1:k2); imwrite(b12,'im12.jpg'); t12=tezhengtiqu(b12); P_test = t12; y = sim(net,P_te

42、st'); word=fbmjieguoxianshi(y)end%-第12個字符if c=13 b13=d(:,(k1:k2); imwrite(b13,'im13.jpg'); t13=tezhengtiqu(b13); P_test = t13; y = sim(net,P_test'); word=fbmjieguoxianshi(y)end%-第13個字符if c=14 b14=d(:,(k1:k2); imwrite(b14,'im14.jpg'); t14=tezhengtiqu(b14); P_test = t14; y = si

43、m(net,P_test'); word=fbmjieguoxianshi(y)end%-第14個字符if c=15 b15=d(:,(k1:k2); imwrite(b15,'im15.jpg'); t15=tezhengtiqu(b15); P_test = t15; y = sim(net,P_test'); word=fbmjieguoxianshi(y)end%-第15個字符if c=16 b16=d(:,(k1:k2); imwrite(b16,'im16.jpg'); t16=tezhengtiqu(b16); P_test = t

44、16; y = sim(net,P_test'); word=fbmjieguoxianshi(y)end%-第16個字符 c=c+1; endsubplot(2,8,1),imshow('im1.jpg');subplot(2,8,2),imshow('im2.jpg');subplot(2,8,3),imshow('im3.jpg');subplot(2,8,4),imshow('im4.jpg');subplot(2,8,5),imshow('im5.jpg');subplot(2,8,6),imsh

45、ow('im6.jpg');subplot(2,8,7),imshow('im7.jpg');subplot(2,8,8),imshow('im8.jpg');subplot(2,8,9),imshow('im9.jpg');subplot(2,8,10),imshow('im10.jpg');subplot(2,8,11),imshow('im11.jpg');subplot(2,8,12),imshow('im12.jpg');subplot(2,8,13),imshow(

46、9;im13.jpg');subplot(2,8,14),imshow('im14.jpg');subplot(2,8,15),imshow('im15.jpg');subplot(2,8,16),imshow('im16.jpg');%標準圖像識別結果顯示：function word=jieguoxianshi(y)%顯示結果的函數y=round(y(1),round(y(2),round(y(3),round(y(4),round(y(5),round(y(6),round(y(7),round(y(8),round(y(9),rou

47、nd(y(10),round(y(11),round(y(12),round(y(13),round(y(14),round(y(15),round(y(16);C,I=max(y);if I=16 word='匣'elseif I=15 word='囡'elseif I=14 word='圖'elseif I=13 word='國'elseif I=12 word='盅'elseif I=11 word='匡'elseif I=10 word='盞'elseif I=9 word=

48、'固'elseif I=8 word='監'elseif I=7 word='盂'elseif I=6 word='盒'elseif I=5 word='團'elseif I=4 word='盈'elseif I=3 word='団'elseif I=2 word='盔'elseif I=1 word='因'end%亂序圖像識別結果顯示function word=jieguoxianshi(y)%顯示結果的函數y=round(y(1),round(y(

49、2),round(y(3),round(y(4);if y=0,0,0,0 word='匣'elseif y=0,0,0,1, word='囡'elseif y=0,0,1,0 word='圖'elseif y=0,0,1,1 word='國'elseif y=0,1,0,0 word='盅'elseif y=0,1,0,1 word='匡'elseif y=0,1,1,0 word='盞'elseif y=0,1,1,1 word='固'elseif y=1,0,0

50、,0 word='監'elseif y=1,0,0,1 word='盂'elseif y=1,0,1,0 word='盒'elseif y=1,0,1,1 word='團'elseif y=1,1,0,0 word='盈'elseif y=1,1,0,1 word='団'elseif y=1,1,1,0 word='盔'elseif y=1,1,1,1 word='因'end%特征提取：function PN=moshishibie(d)%特征提取函數%通過13點特征提取法提取特征%d為已處理圖象m,n=size(d);k1=1;for i=1:m/4 for j=1:n/2 if d(i,j)=1 k1=k1+1; end endendk2=1;for i=1:round(m/4) for j=round(n/2):round(n) if d(i,j)=1 k2=k2+1; end endendk3=1;for i=round(m/4):m/2