應(yīng)用分類器 - opencv圖像識(shí)別數(shù)字的簡(jiǎn)單實(shí)例

　　4. 應(yīng)用分類器

　　分割完后就可以應(yīng)用我們前面訓(xùn)練好的分類器對(duì)分割結(jié)果進(jìn)行識(shí)別了。當(dāng)然，如果感覺(jué)結(jié)果不滿意，可以將分類錯(cuò)誤的樣本加上正確的標(biāo)簽后放入訓(xùn)練樣本重新生成分類器，使得分類器能夠有更好的識(shí)別率。上一步中的do_ocr（）函數(shù)就是利用先前訓(xùn)練好的分類器識(shí)別單個(gè)數(shù)字。注意訓(xùn)練樣本進(jìn)行過(guò)怎么樣的預(yù)處理，這里也一樣要做。

　　int do_ocr（IplImage *img）

　　{

　　。。。

　　pimage = preprocessing（img， size， size）;

　　。。。

　　cvGetSubRect（pimage， &data， cvRect（0， 0， size， size））;

　　CvMat mathdr， *vec;

　　vec = cvReshape（&data， &mathdr， 0， 1）;

　　ret = knn-》find_nearest（vec， K， 0， 0， nearest， 0）;

　　return （int）ret;

　　}

　　5. 后期處理

　　因?yàn)榉指顖D像時(shí)查找數(shù)字輪廓并不保證是按順序來(lái)的，所以這兒要將識(shí)別結(jié)果按分割時(shí)輸出的包圍盒位置信息進(jìn)行排序，最后將它們轉(zhuǎn)換成數(shù)字輸出

　　sort（res_vec.begin（）， res_vec.end（）， sort_func）;

　　int j， num = 0;

　　for （j = 0; j 《 res_vec.size（）; ++j） {

　　num = num * 10 + res_vec［j］.num;

　　}

　　char resbuf［256］;

　　sprintf（resbuf， “%d”， num）;

　　putText（show_img， resbuf， Point（OUTPUT_X， OUTPUT_Y）， FONT_HERSHEY_SIMPLEX， 0.8， Scalar（0， 255， 0）， 2）;

　　imshow（“show”， show_img）;

　　結(jié)果：