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。
因为图片处理不是本文章的主要内容，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：//www.jb51.net/article/225454.htm
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编程网其它相关文章！
