第2章 模板匹配算法(mat格式手写数字识别)

% mat2vector.m
% 输入：图片数据（矩阵），样本个数
% 函数作用：将图片组转化为行向量的组合，每个行向量作为一张图片的特征
% 输出：样本数*图片像素数量大小的矩阵
function [data_]= mat2vector(data,num)
    [row,col,~] = size(data);
    data_ = zeros(num,row*col);
    for page = 1:num
        for rows = 1:row
            for cols = 1:col
                data_(page,((rows-1)*col+cols)) = im2double(data(rows,cols,page));
            end
        end
    end
end

% Template_hand.m
% 手写数字模板匹配
clc
clear al
% 读取模板
image = cell(1,10); % 生成十个cell保存模板
for i = 0:9
    filename = sprintf(‘./手写数字/%d/5.bmp‘,i); % 读取模板
    image{1,i+1} = mat2vector(imresize(imread(filename),[28,28]),1); % 统一大小为28*28，并调用函数mat2vector将其转换为行向量
end
% 待匹配样本
correct_num = 0;
for index = 0:9 % 每个数字测试一次
    distance = zeros(1,10); % 保存计算得到的距离值
    fname = sprintf(‘./手写数字/%d/4.bmp‘,index);
    sample = mat2vector(imresize(imread(fname),[28,28]),1); % 图片转换为行向量
    for j  = 1:10 % 共十个模板，计算与每个模板的距离
        distance(j) = pdist2(sample,image{1,j},‘euclidean‘);
        % 计算欧式距离，这里可以更改‘euclidean’为其他距离，用于描述相似度
    end
    [m,p] = min(distance); % 计算距离最小值，并给出索引
    if p-1 == index
        correct_num = correct_num+1;
    end
    fprintf(‘数字%d到模板的最小距离为：%d,匹配到的类别为：%d\n‘,[index,m,p-1]);
    % 索引从1开始，模板从0开始，因此减一输出
end
fprintf(‘共测试10个样本，正确匹配个数为%d个\n‘,[correct_num]);