本文中粗分類器采用了最小距離分類器。用漢字的黑色像素點(diǎn)個(gè)數(shù)來進(jìn)行粗分類，粗分類的目的是縮小輸入樣本的待匹配樣本數(shù)目。首先將6404個(gè)字符作為訓(xùn)練樣本提取樣本的像素特征，再根據(jù)漢字的復(fù)雜程度將其大致分為五類，然后用提取測試樣本特征。 采用最小距離法與五個(gè)分類比較，將其歸為距離最小的一類。

（1）
size=hight*width；
black=bsum/size；
size為圖片面積，bsum為圖片中黑色像素點(diǎn)個(gè)數(shù)，black為平均黑色像素點(diǎn)個(gè)數(shù)。
將black分為五類w1,w2,w3,w4,w5
計(jì)算每個(gè)分類的均值Ci
Ci=black/Ni；
Ni為第wi類中的樣本總個(gè)數(shù)；

double bS,bs;Mat a1 = imread(FileName);Mat a2 ;cvtColor(a1,a1,COLOR_BGR2GRAY);//轉(zhuǎn)灰度圖 threshold(a1,a1,200,255,THRESH_BINARY);//二值化bS=bSums(a1);//統(tǒng)計(jì)黑色像素點(diǎn)個(gè)數(shù)bs=bS/size;if(bs>=0&&bs<0.4){BlackSum1+=bs;w1++;cout<<"圖"<<i<<"屬于w1類。"<<endl;}else if(bs>=0.4&&bs<0.45){BlackSum2+=bs;w2++;cout<<"圖"<<i<<"屬于w2類。"<<endl;}else if(bs>=0.45&&bs<0.5){BlackSum3+=bs;w3++;cout<<"圖"<<i<<"屬于w3類。"<<endl;}else if(bs>=0.5&&bs<0.55){BlackSum4+=bs;w4++;cout<<"圖"<<i<<"屬于w4類。"<<endl;}else if(bs>=0.55){BlackSum5+=bs;w5++;cout<<"圖"<<i<<"屬于w5類。"<<endl;}//cout<<"圖"<<i<<"密度為："<<bS<<endl;}c1=BlackSum1/w1;c2=BlackSum2/w2;c3=BlackSum3/w3;c4=BlackSum4/w4;c5=BlackSum5/w5;

（2）
輸入測試樣本，測試樣本的特征為x，與Ci進(jìn)行匹配，比較絕對(duì)距離
x∈min|x-Ci|

double c[5]={0.345204,0.428363,0.476217,0.523439,0.58913};double min[5];double Min;double a,size;int j;Mat a1 = imread(imgPath);//讀取源圖cvtColor(a1,a1,COLOR_BGR2GRAY);//轉(zhuǎn)灰度圖 threshold(a1,a1,200,255,THRESH_BINARY);//二值化 a=bSums(a1);//統(tǒng)計(jì)黑色像素點(diǎn)個(gè)數(shù)size = a1.size().height*a1.size().width;a=a/size;for (int i = 0; i < 5; i++){min[i]=fabs(a-c[i]);//計(jì)算最小距離}for (int i = 0; i < 4; i++){if(min[i]<min[i+1]){Min = min[i];j=i+1;}else{Min = min[i+1];j=i+2;}}cout<<"該漢字屬于第 "<<j<<" 類"<<endl;

（3）
通過將大樣本集分為多個(gè)小樣本集，使得駛?cè)霕颖驹谧R(shí)別過程中減少了不必要的計(jì)算，而且是每個(gè)樣本能夠迅速定位到新的類別中，簡化了后續(xù)分類器的計(jì)算量和復(fù)雜度。

總結(jié)

以上是生活随笔為你收集整理的印刷体汉字粗分类的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。