首先，本篇文章用到的方法是模板匹配，而不是基于神经网络的，还请各位注意了！（模板匹配还请自行了解，站上有很多介绍）我刚开始做实验的时候只有一点c++基础，对于文件和opencv我一点都不了解，所以导致了我刚开始迷茫了很久，直到后来才渐渐做起来。废话不多说，让我们开始吧！
过程很简单，如下：
匹配成功：存在一个最小距离（这些距离相等），且为一个数字；存在多个最小距离，且为同一个数字。
拒绝识别：存在多个最小距离，且为不同数字。
识别错误：存在一个最小距离，但与被测数字不是相同的数字。
也许乍一看看不明白，我在这里解释一下，明白的可以绕过。我们这里假设1，2，3（注意，他们的样本都有多个）为训练集，d为测试样本。匹配时匹配到d与1距离最小且只与1距离最小，（可能与多个1的样本距离最小或者只有一个）那么匹配成功；匹配时匹配到d与1和2的某个样本都有最小距离，那么拒绝匹配；匹配时匹配到d（假如d是1的样本）与2有最小距离，那么识别错误。
因为图片处理不是c/c++开发分享C++编程模板匹配超详细的识别手写数字实现示例章的主要内容，我们跳过图像处理步骤（有兴趣的可以去看图像处理这门课），直接给处理好的图片。那么我们该如何构建训练库，又该如何让计算机能够识别我们的图片呢？接下来我们来看看如何实现构建训练库。
我的实验中有1000张训练样本（200张测试样本），既然要让计算机能够识别，那当然是把图片数字化。在图像处理的步骤里，我们得到的训练样本都是28*28像素点的图片，可以想到28*28是一个不小的数量，为了提高处理速度，我们把图片压缩成7*7大小的，这样即提高了处理速度，也方便我们写代码，因为7*7和4*4都是正方形。如下图：
压缩图片：我们纵向遍历7*7的方格，将里面像素大于127的小格子进行计数，当其数量超过6（有的同学会觉得应该是8，因为8是一半，但是8最终得到的正确率太低了，所以我找了一个合适的参数）我们就把大格子对应的7*7的二维数组的相应位置设置为1，反之为0；然后再将数组转换成字符串，这样下来我们就会得到一个长度为49的字符串，这个字符串就是我们计算机匹配的核心。
另外，我是先把训练集和测试集分别数据化，再依次取出来作比较。也可以采用一边遍历测试集和处理，一遍作比较，我没有输出文件名，因为我采用的方式比较笨，代码量也很多，主要是因为我之前写完之后有很多bug，导致我不能成功运行，所以我采用这种简单代码来避免错误，小伙伴们大可不必用这种方式！
值得注意的是，文件流的打开和关闭的时机也会很大程度上影响代码运行，这个问题困扰了我很久，希望大家引以为戒，代码中具体位置我已经标出来了。（标***的位置）另外，大家对于读文件写文件的文件流自己去了解，读文件是ofstream，写文件是ifstream，每次访问文件都要打开文件和关闭文件。getline函数每次依次取一行数据，所以我们在遍历完一个文档之前不会关闭文档，也就不会再打开文档。
最后我对我字符串比较做一个解释，我是采用了一个标志refused来标志当前字符串有没有被拒绝识别，当发现相似度（代码中用total表示的）小于49的就把它赋值给相似度，并且把拒绝识别设置为假，直到找到最小的，当找到最小的之后又找到了另一个相同相似度的，则判断两个样本数字是不是相同的，不是的话就把refused设置为真，即在后面直接输出拒绝识别。
我判断两个样本是否为同一个数字是通过范围比对，简单地来说就是训练样本的第0——99个对应测试样本的第0——19个，这是一个偷懒的办法，我没时间改代码了所以就这样代替了别人那种文本带文件名的。（带文件名比对时还需要去文件名）
其他的解释我放在代码里，有助于大家更直接的理解！
#include<iostream> #include<fstream> #include<opencv2/opencv.hpp> #include<opencv2/highgui.hpp> #include<opencv2/core.hpp> #include<io.h> //api和结构体 #include<string.h> #include<string> using namespace std; using namespace cv; void ergodictest(string filename, string name); //遍历函数 string image_compression(string imgpath); //压缩图片并返回字符串 int distance(string str1, string str2); //对比函数不一样的位数 void compare(); int turn(char a); void main() { const char* filepath = "e:\learn\vsfile\c++project\picturedata\train-images"; ergodictest(filepath,"train_num.txt"); //处理训练集 const char* test_path= "e:\learn\vsfile\c++project\picturedata\test-images"; ergodictest(test_path, "test_num.txt"); compare(); } void ergodictest(string filename,string name) //遍历并把路径存到files { string firstfilename = filename + "\*.bmp"; struct _finddata_t fileinfo; intptr_t handle; //不能用long，因为精度问题会导致访问冲突,longlong也可 string rout = "e:\learn\vsfile\c++project\picturedata\" + name; ofstream file; file.open(rout, ios::out); handle = _findfirst(firstfilename.c_str(), &fileinfo); if ( _findfirst(firstfilename.c_str(), &fileinfo) != -1) { do { file << fileinfo.name << ":" << image_compression(filename + "\" + fileinfo.name) << endl; } while (!_findnext(handle, &fileinfo)); file.close(); _findclose(handle); } } string image_compression(string imgpath) //输入图片地址返回图片二值像素字符 { mat image = imread(imgpath); //输入的图片 cvtcolor(image, image, color_bgr2gray); int matrix[28][28]; //将digitization转化为字符串类型 for (int row = 0; row < image.rows; row++) //把图片的像素点传给数组 for (int col = 0; col < image.cols; col++) { matrix[row][col] = image.at<uchar>(row, col); } string img_str = ""; //用来存储结果字符串 int x = 0, y = 0; for (int k = 1; k < 50; k++) { int total = 0; for (int q = 0; q < 4; q++) for (int p = 0; p < 4; p++) if (matrix[x + q][y + p] > 127) total += 1; y = (y + 4) % 28; if (total >= 6) img_str += '1'; //将28*28的图片转化为7*7即压缩 else img_str += '0'; if (k % 7 == 0) { x += 4; y = 0; } } return img_str; } int distance(string str1, string str2) //比对两个字符串有多少个不一样 { int counts=0; for (int i = 0; i < str1.length(); i++) { if (str1[i] == str2[i]) continue; else counts++; } return counts; } int turn(char a) { stringstream str; int f = 1; str << a; str >> f; str.clear(); return f; } void compare() { ifstream train_data;//建立读文件流 ifstream test_data; string tmp1 = ""; //从train中取数据存在tmp1 string tmp11 = ""; string tmp2 = ""; //从test中取 string tmp22 = ""; bool refused = false; //拒绝识别标志 int tr_num = 0; //用来存储最小值的文件名(训练集) int num_refused = 0; //拒绝识别个数 int num_false = 0; //识别错误个数 int num_true = 0; //正确识别个数 test_data.open("e:\learn\vsfile\c++project\picturedata\test_num.txt"); for (int p = 0; p < 200; p++) { int total = 49; //方便比大小，设置初值为49 getline(test_data, tmp2); tmp22 = tmp2; //在切割字符串之前保留，以便后面知晓该字符串是哪个数字的 if(tmp2.length()==57) tmp2.erase(0,8); //erase函数是用来切割字符串的，这里是切割第0位的后面8位，存剩余的其他位 else tmp2.erase(0,9); train_data.open("e:\learn\vsfile\c++project\picturedata\train_num.txt"); for (int j = 0; j < 1000; j++) //一个测试样本和所有训练样本对比 { getline(train_data, tmp1); tmp11 = tmp1; if (tmp1.length() == 57) tmp1.erase(0, 8); else tmp1.erase(0, 9); if (distance(tmp1, tmp2) < total) //取最相近的 { refused = false; //拒绝识别被设置为否，即识别没有被拒绝 total = distance(tmp1, tmp2); tr_num = turn(tmp11[0]); //记录数字 } else if(distance(tmp1, tmp2) == total && tr_num!= turn(tmp11[0])) //发现相同相似度，且两者归属的数字不同 { refused = true; //拒绝识别 continue; //循环继续 } } train_data.close(); if (!refused) { if (tr_num == turn(tmp22[0])) { //cout << tmp2[0] << endl; num_true++; cout << "识别为：" << tr_num << endl; } else { num_false++; cout << "识别错误！" << endl; } } else { num_refused++; cout << "拒绝识别！" << endl; } } test_data.close(); double t = num_true / 200.0, f = num_false / 200.0, r = num_refused / 200.0; cout << "正确率为：" << t << endl; cout << "错误率为：" << f << endl; cout << "拒绝识别率为：" << r << endl; }
代码中有很多//注释，都是我调试代码用的，不用管。
我把遍历文件夹的参考链接放在这里：
另外，如有错误欢迎大家指正！
以上就是c++编程模板匹配超详细的识别手写数字实现示例的详细内容，更多关于c++编程模板匹配识别手写数字的资料请关注<计算机技术网(www.ctvol.com)!!>其它相关文章！
需要了解更多c/c++开发分享C++编程模板匹配超详细的识别手写数字实现示例，都可以关注C/C++技术分享栏目—计算机技术网(www.ctvol.com)!
本文来自网络收集，不代表计算机技术网立场，如涉及侵权请联系管理员删除。
ctvol管理联系方式QQ:251552304
本文章地址：https://www.ctvol.com/c-cdevelopment/841564.html