精华内容
下载资源
问答
  • matlab 手写数字识别代码,包含主程序framework 和 一些辅助程序函数
  • 【实例简介】利用matlab制作的手写数字识别系统、代码可读性强,结构清晰、GUI运行界面、在Matlab R2014b下编辑完成,有手写版,也可导入图片识别。【实例截图】【核心代码】gui友好界面之手写数字识别matlab└── ...

    【实例简介】

    利用matlab制作的手写数字识别系统、代码可读性强,结构清晰、GUI运行界面、在Matlab R2014b下编辑完成,有手写版,也可导入图片识别。

    【实例截图】

    【核心代码】

    gui友好界面之手写数字识别matlab

    └── gui友好界面之手写数字识别matlab

    ├── clearaxes_callback.m

    ├── Digital_Ident2.m

    ├── Digital_Identification_call.m

    ├── Digital_Identification.m

    ├── gui.fig

    ├── gui.m

    ├── image.png

    ├── mouse_xiezh.m

    ├── pictureselection_callback1.m

    ├── pictureselection_callback2.m

    ├── regionselection_callback.m

    ├── SamplesPicture.m

    ├── shuzi_ObjBayes.mat

    ├── Thumbs.db

    ├── zi.jpg

    ├── 使用前读.doc

    ├── 检验样本图片

    │   ├── num0_1.bmp

    │   ├── num0_2.bmp

    │   ├── num0_3.bmp

    │   ├── num1_1.bmp

    │   ├── num1_2.bmp

    │   ├── num1_3.bmp

    │   ├── num2_1.bmp

    │   ├── num2_2.bmp

    │   ├── num2_3.bmp

    │   ├── num3_1.bmp

    │   ├── num3_2.bmp

    │   ├── num3_3.bmp

    │   ├── num4_1.bmp

    │   ├── num4_2.bmp

    │   ├── num4_3.bmp

    │   ├── num5_1.bmp

    │   ├── num5_2.bmp

    │   ├── num5_3.bmp

    │   ├── num6_1.bmp

    │   ├── num6_2.bmp

    │   ├── num6_3.bmp

    │   ├── num7_1.bmp

    │   ├── num7_2.bmp

    │   ├── num7_3.bmp

    │   ├── num8_1.bmp

    │   ├── num8_2.bmp

    │   ├── num8_3.bmp

    │   ├── num9_1.bmp

    │   ├── num9_2.bmp

    │   └── num9_3.bmp

    └── 训练样本图片

    ├── num0_1.jpg

    ├── num0_2.jpg

    ├── num0_3.jpg

    ├── num0_4.jpg

    ├── num0_5.jpg

    ├── num1_1.jpg

    ├── num1_2.jpg

    ├── num1_3.jpg

    ├── num1_4.jpg

    ├── num1_5.jpg

    ├── num2_1.jpg

    ├── num2_2.jpg

    ├── num2_3.jpg

    ├── num2_4.jpg

    ├── num2_5.jpg

    ├── num3_1.jpg

    ├── num3_2.jpg

    ├── num3_3.jpg

    ├── num3_4.jpg

    ├── num3_5.jpg

    ├── num4_1.jpg

    ├── num4_2.jpg

    ├── num4_3.jpg

    ├── num4_4.jpg

    ├── num4_5.jpg

    ├── num5_1.jpg

    ├── num5_2.jpg

    ├── num5_3.jpg

    ├── num5_4.jpg

    ├── num5_5.jpg

    ├── num6_1.jpg

    ├── num6_2.jpg

    ├── num6_3.jpg

    ├── num6_4.jpg

    ├── num6_5.jpg

    ├── num7_1.jpg

    ├── num7_2.jpg

    ├── num7_3.jpg

    ├── num7_4.jpg

    ├── num7_5.jpg

    ├── num8_1.jpg

    ├── num8_2.jpg

    ├── num8_3.jpg

    ├── num8_4.jpg

    ├── num8_5.jpg

    ├── num9_1.jpg

    ├── num9_2.jpg

    ├── num9_3.jpg

    ├── num9_4.jpg

    └── num9_5.jpg

    3 directories, 96 files

    展开全文
  • MATLAB手写数字汉字字符字母识别,基于matlab的手写数字识别,matlab源码
  • MATLAB手写数字汉字识别[写字板,神经网络],基于matlab的手写数字识别,matlab源码.zip.zip
  • 该课题为基于MATLAB光流法OCR的手写数字识别系统。带一个GUI界面。可以识别单独字符,也可以识别连续的字符串。
  • 基于Matlab手写数字识别系统,准确率还行,配有GUI界面
  • 该课题为基于MATLAB bp神经网络的手写汉字识别系统。可以利用鼠标手写中文汉字进行训练,测试,可以识别任何字体,只需要到GUI界面面板更换即可。在GUI界面就可以随写随训练中文,不需要到后台手动更换文字训练,...
  • 基于MATLAB编程实现手写数字识别算法,认识手写数字数据集,本实验用到的mnist手写数字数据集训练集包含60000张图片,测试集包含10000张图片。原始图片大小为28*28,去除边缘填充像素后的图片大小为20*20.本程序为...
  • 这学期上模式识别课程,做了这个手写数字识别的作业,放到上面来赚一点点积分
  • MATLAB语言,用svm实现手写数字识别,内有数字样例
  • 设计了一种基于matlab手写数字识别系统,全面覆盖多种分类器,有Fisher线性判别,贝叶斯分类器,神经网络,k近邻等等线性与非线性的分类器,识别的准确率较高,具体依据各个算法的不同,可以在此基础上进行改进。
  • 这是用MATLAB实现的联机手写数字识别
  • Matlab手写数字识别

    2020-07-13 06:00:53
    利用matlab制作的手写数字识别系统、代码可读性强,结构清晰、GUI运行界面、在Matlab R2014b下编辑完成,有手写版,也可导入图片识别。
  • 基于Matlab手写数字识别系统,准确率还行,配有GUI界面
  • matlab手写数字识别

    2021-06-16 07:59:50
    matlab手写数字识别
  • 123 matlab手写数字识别,基于svm的MATLAB数字识别
  • ③ 读取待识别数字,进行连通分量分割,确定需要识别数字个数 ④ 通过判别式进行分类 二、源代码 clear all clc close all % 选择训练数据、测试数据路径(即目录TrainData和TestData) TrainDatabasePath = ...

    一、PCA算法简介

    PCA算法是基于图像重构的方法进行图像特征识别的。内有训练样本、多个测试图片以及文档说明。
    识别步骤:
    ① 选择训练样本
    ② 计算样本平均数字特征,数字特征空间
    ③ 读取待识别数字,进行连通分量分割,确定需要识别数字个数
    ④ 通过判别式进行分类

    二、部分源代码

    clear all
    clc
    close all
    
    % 选择训练数据、测试数据路径(即目录TrainData和TestData)
    TrainDatabasePath = uigetdir('D:\Program Files\MATLAB\R2007b\work', '选择[训练数据]路径' );
    TestDatabasePath = uigetdir('D:\Program File
    展开全文
  • MATLAB手写数字识别
  • matlab手写数字识别

    热门讨论 2016-07-17 21:56:51
    毕业设计,matlab神经网络实现手写数字识别
  • 基于matlab手写数字识别平台实现

    热门讨论 2012-07-26 16:33:38
    这个是我自己写的关于手写数字识别的平台,里面包含了手写板实现的代码以及界面,有别于网上其他用控件实现手写板以及数字识别。
  • 逻辑回归(logistic regression)由于以前学习的时候做的笔记都在学校,又不能返校,所以带不回来了。因此我打算把所有的东西都推倒...所以决定手写一下这个算法,作为练手的工具,当然是首选matlab和minist数据集了。...

    5f411072af838ef572ad381c41301dad.gif

    逻辑回归

    (logistic regression)

    5f411072af838ef572ad381c41301dad.gif

    a7e270b9d03217d6895f4bef369fc4b0.png

        由于以前学习的时候做的笔记都在学校,又不能返校,所以带不回来了。因此我打算把所有的东西都推倒重来,虽然需要很多时间,但是从中也学到了很多的新东西。最近再一次学了logistic regression算法,觉得对这个算法的领悟又上了一个层次。所以决定手写一下这个算法,作为练手的工具,当然是首选matlab和minist数据集了。

        首先说明一下,读取数据的代码不是我写的,是借鉴了别人的。因为用matlab读取数据我不是很熟练(慢慢会熟练的)。

        先说一下整个算法的流程吧,由于这个算法也不是什么新鲜的东西了。大家随便在百度搜一下逻辑回归算法,就会出来一大堆,所以就不做介绍了。

    例如:https://www.cnblogs.com/BYRans/p/4713624.html

        再说一下整个程序的编写流程吧。整个过程大概可以分为:数据读取、模型训练、模型准确率测试三个大的步骤。

        1,数据读取:由于minist数据集的存储格式不是专门为matlab准备的,所以需要使用fopen、fread等函数,为了搞懂这个,我还专门下载了几本matlab的书来读。但由于不是今天的中重点,所以就不细说了。当然,读取完数据还要将数据进行reshape,以及feature scaling这样才能输入模型,以及使模型收敛更快。

        2,模型训练:这个部分对我来说是编写代码最难的一部分,不是因为它的算法有多复杂,而是如果你没有使用正确的方法,那么你会被众多的参数特征搞得头皮发麻。好在我在写的时候用了向量化编程法,使得编程变得很简单。

        那么何为“向量化”编程呢?其核心思想是将模型中众多的加法和乘法写成向量的乘法,这样写程序可以减少大量的循环语句。但是,这样写的前提是你要有相当的线性代数功底,要能够洞悉哪些地方可以这样写,哪些地方不能这么写。

        我使用的模型优化方法是gradient descent,具体的细节我也不说了,参考:https://www.cnblogs.com/pinard/p/5970503.html

        我认为最重要的还是向量化编程法,我是参考下面的两张图来写的。

    767cdbc1baf8c5ded4fdd5f79f6e8507.png

    c94a7bb317bf27f4e7b861907824043b.png

        3,模型准确率测试。上面忘记说了,单个逻辑回归算法是做二分类的,将它用于识别手写数字的关键在于:在训练每一个数字识别的时候,都将该数字视为正类,其余的数字视为负类。比如在训练数字6的时候,将6视为正类,其余0、1、2、3、4、5、7、8、9都视为负类。对每一个数字都训练一个假设函数h(x)或者叫分类器也行,这样就有10个分类器,每个分类器输出的是属于正类的概率。将测试数据分别经过这10个分类器,选概率最大的那个分类器,就认为该输出所对应的“正类”,就是预测的数字。

        所以这一部分的编程如果也按照向量法,是非常简单的。

    以上便是大概的编程过程了,细节之处,还需自行动手操作一下才能体会。下面展示一下我的编程结果吧。此外,我将全部代码放到了我的百度云盘,可供诸君下载:

    链接:https://pan.baidu.com/s/1br_FY_zTFyCWOPe49tMH8Q 

    提取码:3913

    minist数据集获取地址:

    http://yann.lecun.com/exdb/mnist/

    模型准确率:

                          b0a18efb397d36777b7a34d7ac641486.png

                      e8677dfbcb89339b86fd5ca0291c6575.png

                bd784c8ff5d5e7192104522c22f6fc98.png

            fecf7e38a0223dc865118e5fa9653418.png

                    f770f1bed5403f3ac2bed8ab18f2aa60.png

    展开全文
  • 一、课题题目:基于MATLAB手写数字识别系统 二、课题介绍 手写数字识别是模式识别领域的一个重要分支,它研究的核心问题是:如何利用计算机自动识别人手写在纸张上的阿拉伯数字。手写体数字识别问题,简而言之就是...
  • MATLAB手写数字识别

    万次阅读 多人点赞 2019-07-31 14:07:22
    本文主要是根据《matlab手写神经网络实现识别手写数字》博客中的代码进行试验。由于没有数据集,所以采用了MNIST数据集进行代码的运行。数据集不同所以需要对代码进行微小改动。 简介 数据处理:4000张作为训练样本...

    本文主要是根据《matlab手写神经网络实现识别手写数字》博客中的代码进行试验。由于没有数据集,所以采用了MNIST数据集进行代码的运行。数据集不同所以需要对代码进行微小改动。

    简介

    数据处理:4000张作为训练样本,1000张作为测试样本;
    图像大小:图片的灰度值矩阵(28,28);
    图像名称:由标签和顺序号组成。标签_顺序号.bmp
    训练样本:每个数字的图像名称的顺序号是从0-399,各400个。
    在这里插入图片描述
    测试样本:每个数字的图像名称的顺序号是从401-500,各100个。
    在这里插入图片描述

    标签制作

    标签格式:
    训练数据集中前400个标签都是[1,0,0,0,0,0,0,0,0,0]代表数字0,401-800个标签都是[0,1,0,0,0,0,0,0,0,0]代表数字2,其余类推。这也就是所谓的onehot
    由于数据集不同,图像的格式也不一样等因素,需要对代码稍微做修改,具体如下:
    制作label时遇到的障碍,xlswrite()函数在写入矩阵时对矩阵大小有限制,一定要小心,因为我的电脑安装的是2003,所以无法对4000列数据直接写入,只好行列互换后再存储,代码将生成两个xsl文件,分别是label.xsl和label2.xsl,分别是训练数据和测试数据的标签。
    增加一个label_create.m文件,用来新建标签文件。
    label_create.m代码:

    % 创建Excel存储label
    % 根据图片的名字,例如:3_101.bmp,第一个数值是标签,第二个是图片数。
    % 为了转换成神经网络的标签,0-9这10个标签应转换为[1,0,0,0,0,0,0,0,0,0],[0,1,0,0,0,0,0,0,0,0]
    % 这样的格式,即第几位是1就代表标签是几?如[0,1,0,0,0,0,0,0,0,0]代表2
    % 例如我们的前 400个图都是0,所以标签都是[1,0,0,0,0,0,0,0,0,0]
    % 因为每个版本的Excel允许存储的行列不同,这里是2003版存储不下4000列,故需要将label矩阵转置后才能存下
    % Excel2003可存储:65536*256
    clear all;
    clc;
    label=zeros(10,4000);
    label2=zeros(10,1000);
    
    eye_sam=eye(10);
    for j=1:10
        label(:,(400*(j-1)+1):400*j)= repmat( eye_sam(:,j),1,400 );
    end
    T=label';
    xlswrite('D:\Documents\MATLAB\label.xls',T);
    
    for j=1:10
        label2(:,(100*(j-1)+1):100*j)= repmat( eye_sam(:,j),1,100 );
    end
    T2=label2';
    xlswrite('D:\Documents\MATLAB\label2.xls',T2);
    

    getdata.m代码修改:

    function[x_train,y_train,x_test,y_test]=getdata()
    % 把图片变成像素矩阵
    % path :图片路径 
    % x_train:训练样本像素矩阵(784,4000)
    % y_train:训练样本标签(10,4000)
    % x_test:测试样本像素矩阵(784,1000)
    % y_test:测试样本标签(10,1000)
    
    x_train = [];
    for i=0:9
        for j=0:399
            x=im2double(imread(strcat('D:\Documents\MATLAB\images4000\',num2str(i),'_', num2str(j),'.bmp')));
            x=reshape(x,784,1);         % 将28*28的数值矩阵变为784*1,每列代表一幅图
            x_train = [x_train,x];      % 每循环一次加入一列数据
        end
    end
    
    x_test =[];
    for i=0:9
        for j=401:500
            x=im2double(imread(strcat('D:\Documents\MATLAB\images_test1000\',num2str(i),'_', num2str(j),'.bmp')));
            x=reshape(x,784,1);         % 将28*28的数值矩阵变为784*1,每列代表一幅图
            x_test = [x_test,x];        % 每循环一次加入一列数据
        end
    end
    
    % 读取标签文件,注意:由于标签的存储问题,读入后需要进行转置
    data=xlsread('label.xls');
    data2=xlsread('label2.xls');
    y_train=data';
    y_test = data2';
    
    % 返回的参数
    x_train;
    y_train;
    x_test;
    y_test;
    
    end
    
    

    其余代码保持和原博客中的一致。全部文件如下图:
    在这里插入图片描述
    运行main.m文件即可。

    文件下载地址:链接:https://pan.baidu.com/s/1JhPs94qO-7VkPI_kknv_Tg
    提取码:xuu6
    如链接失效可加QQ:1021288218 索取。

    参考:
    https://blog.csdn.net/yunyunyx/article/details/80473532

    展开全文
  • 手写数字的识别。基于人工神经网络的MATLAB手写数字识别系统matlab
  • matlab数字基带传输系统.docx
  • 一、手写数字识别技术简介 1 案例背景 手写体数字识别是图像识别学科下的一个分支,是图像处理和模式识别研究领域的重要应用之一,并且具有很强的通用性。由于手写体数字的随意性很大,如笔画粗细、字体大小、倾斜...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,844
精华内容 1,137
关键字:

matlab自己手写数字识别

matlab 订阅