基于MATLAB实现手写字符识别

基于MATLAB实现手写字符识别的三种主流方法

---

一、传统图像处理+分类器方法

1. 预处理

• 灰度化与二值化：

  grayImg = rgb2gray(inputImg);  
  binImg = imbinarize(grayImg, 'adaptive'); % 自适应阈值
  

• 去噪与归一化：

  denoisedImg = medfilt2(binImg, [3 3]); % 中值滤波  
  resizedImg = imresize(denoisedImg, [28 28]); % 统一尺寸
  

2. 特征提取

• 投影统计：计算水平/垂直方向像素分布

  hProj = sum(resizedImg, 1); % 水平投影  
  vProj = sum(resizedImg, 2); % 垂直投影
  

• 骨架细化：提取笔画结构

  skeleton = bwmorph(resizedImg, 'thin', Inf);
  

3. 分类器训练与识别

• K近邻（KNN）：

  model = fitcknn(trainFeatures, trainLabels, 'NumNeighbors', 5);  
  predLabel = predict(model, testFeatures); %
  

• 模板匹配：计算测试样本与模板的欧氏距离

  dist = norm(testFeature - templateFeature);
  

---

二、卷积神经网络（CNN）方法

1. 数据准备

• 使用imageDatastore加载数据集（如MNIST）

  imds = imageDatastore('mnist/', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
  

2. CNN结构设计

layers = [  
  imageInputLayer([28 28 1])  
  convolution2dLayer(3, 16, 'Padding', 'same')  
  batchNormalizationLayer  
  reluLayer  
  maxPooling2dLayer(2, 'Stride', 2)  
  fullyConnectedLayer(10) % 数字0-9  
  softmaxLayer  
  classificationLayer]; %

3. 训练与评估

options = trainingOptions('adam', 'MaxEpochs', 10, 'ValidationData', imdsValidation);  
net = trainNetwork(imdsTrain, layers, options);  
accuracy = sum(predict(net, imdsTest) == imdsTest.Labels)/numel(imdsTest.Labels);

---

三、优化策略与对比

1. 性能提升技巧

• 数据增强：通过旋转/平移生成合成样本，提升泛化能力
• 混合特征：融合CNN深层特征与HOG手工特征，精度提升3-5%
• 实时性优化：将训练模型转换为C/C++代码部署（coder.loadDeepLearningNetwork）

2. 方法对比

方法	准确率	训练时间	适用场景
模板匹配	85%-90%	<1s	字符集小、硬件受限
KNN	90%-93%	中等	中等规模数据集
CNN	>98%	分钟级	高精度复杂场景

3. GUI集成示例

function RecognizeButton_Callback()  
  img = getimage(handles.axes1);  
  preprocessed = preprocess(img); % 自定义预处理函数  
  feature = extractHOG(preprocessed);  
  label = predict(model, feature);  
  set(handles.resultText, 'String', label); %   
end

---

四、关键问题解决

1. 连笔字识别：

   • 采用形态学闭运算连接断裂笔画：

     closedImg = imclose(skeleton, strel('disk', 2)); %
     

2. 光照不均：

   • 使用自适应二值化（imbinarize的'adaptive'模式）替代全局阈值

---

资源推荐：

• 基于matlab手写字符识别 www.youwenfan.com/contentteb/99695.html
• 全流程代码模板 github.com/Handwriting-Recognition-MATLAB（含CNN+KNN实现）

注：实际应用中，推荐优先采用CNN方法；若硬件资源有限，可选用模板匹配或KNN简化版。