《MATLAB 神经网络43个案例分析》：第19章 基于SVM的手写字体识别
1. 前言
《MATLAB 神经网络43个案例分析》是MATLAB技术论坛（www.matlabsky.com）策划，由王小川老师主导，2013年北京航空航天大学出版社出版的关于MATLAB为工具的一本MATLAB实例教学书籍，是在《MATLAB神经网络30个案例分析》的基础上修改、补充而成的，秉承着“理论讲解—案例分析—应用扩展”这一特色，帮助读者更加直观、生动地学习神经网络。
《MATLAB神经网络43个案例分析》共有43章，内容涵盖常见的神经网络（BP、RBF、SOM、Hopfield、Elman、LVQ、Kohonen、GRNN、NARX等）以及相关智能算法（SVM、决策树、随机森林、极限学习机等）。同时，部分章节也涉及了常见的优化算法（遗传算法、蚁群算法等）与神经网络的结合问题。此外，《MATLAB神经网络43个案例分析》还介绍了MATLAB R2012b中神经网络工具箱的新增功能与特性，如神经网络并行计算、定制神经网络、神经网络高效编程等。
近年来随着人工智能研究的兴起，神经网络这个相关方向也迎来了又一阵研究热潮，由于其在信号处理领域中的不俗表现，神经网络方法也在不断深入应用到语音和图像方向的各种应用当中，本文结合书中案例，对其进行仿真实现，也算是进行一次重新学习，希望可以温故知新，加强并提升自己对神经网络这一方法在各领域中应用的理解与实践。自己正好在多抓鱼上入手了这本书，下面开始进行仿真示例，主要以介绍各章节中源码应用示例为主，本文主要基于MATLAB2015b(32位)平台仿真实现，这是本书第十九章基于SVM的手写字体识别实例，话不多说，开始！
2. MATLAB 仿真示例
打开MATLAB，点击“主页”，点击“打开”，找到示例文件
选中Chapter_CharacterRecognitionUsingLibsvm.m，点击“打开”
Chapter_CharacterRecognitionUsingLibsvm.m源码如下：
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function Chapter_CharacterRecognitionUsingLibsvm
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%功能：基于SVM的手写字体识别
%环境：Win7，Matlab2015b
%Modi: C.S
%时间：2022-06-17
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%% Matlab神经网络43个案例分析
% 基于SVM的手写字体识别
% by 李洋(faruto)
% http://www.matlabsky.com
% Email:faruto@163.com
% http://weibo.com/faruto
% http://blog.sina.com.cn/faruto
% 2013.01.01
%% A Little Clean Work
close all;
clear;
clc;
format compact;
%% 载入训练数据
tic
% 利用uigetfile函数交互式选取训练样本
[FileName,PathName,FilterIndex] = uigetfile( ...
{
'*.jpg';'*.bmp'},'请导入训练图片','*.jpg','MultiSelect','on');
if ~FilterIndex
return;
end
num_train = length(FileName);
TrainData = zeros(num_train,16*16);
TrainLabel = zeros(num_train,1);
for k = 1:num_train
pic = imread([PathName,FileName{
k}]);
pic = pic_preprocess(pic);
% 将标准化图像按列拉成一个向量并转置，生成50*256的训练样本矩阵
TrainData(k,:) = double(pic(:)');
% 样本标签为样本所对应的数字
TrainLabel(k) = str2double(FileName{
k}(4));
end
%% 建立支持向量机
% [bestCVaccuracy,bestc,bestg] = ...
% SVMcgForClass(TrainLabel,TrainData,-8,8,-8,8,10,0.8,0.8,4.5)
% 设置GA相关参数
ga_option.maxgen = 100;
ga_option.sizepop = 20;
ga_option.cbound = [0,100];
ga_option.gbound = [0,100];
ga_option.v = 10;
ga_option.ggap = 0.9;
[bestCVaccuracy,bestc,bestg] = ...
gaSVMcgForClass(TrainLabel,TrainData,ga_option)
% 训练
cmd = ['-c ',num2str(bestc),' -g ',num2str(bestg)];
model = svmtrain(TrainLabel, TrainData, cmd);
% 在训练集上查看识别能力
preTrainLabel = svmpredict(TrainLabel, TrainData, model);
%% 载入测试样本
[FileName,PathName,FilterIndex] = uigetfile( ...
{
'*.jpg';'*.bmp'},'请导入测试图片','*.bmp','MultiSelect','on');
if ~FilterIndex
return;
end
num_train = length(FileName);
TestData = zeros(num_train,16*16);
TestLabel = zeros(num_train,1);
for k = 1:num_train
pic = imread([PathName,FileName{
k}]);
pic = pic_preprocess(pic);
TestData(k,:) = double(pic(:)');
TestLabel(k) = str2double(FileName{
k}(4));
end
%% 对测试样本进行分类
preTestLabel = svmpredict(TestLabel, TestData, model);
assignin('base','TestLabel',TestLabel);
assignin('base','preTestLabel',preTestLabel);
TestLabel'
preTestLabel'
%% sub function of pre-processing pic
function pic_preprocess = pic_preprocess(pic)
% 图片预处理子函数
% 图像反色处理
pic = 255-pic;
% 设定阈值，将反色图像转成二值图像
pic = im2bw(pic,0.4);
% 查找数字上所有像素点的行标y和列标x
[y,x] = find(pic == 1);
% 截取包含完整数字的最小区域
pic_preprocess = pic(min(y):max(y), min(x):max(x));
% 将截取的包含完整数字的最小区域图像转成16*16的标准化图像
pic_preprocess = imresize(pic_preprocess,[16,16]);
toc
添加完毕，点击“运行”，开始仿真，弹框出现下列提示：请导入训练图片
选择“手写数字训练样本图片”文件夹，全选图片，点击“打开”
等待运行，出现以下结果
并出现以下弹框提示：请导入测试图片
选择“手写数字测试样本图片”文件夹，全选图片，点击“打开”
输出仿真结果如下：
Accuracy = 93.3333% (28/30) (classification)
ans =
1 至 19 列
0 0 0 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6
20 至 30 列
6 6 7 7 7 8 8 8 9 9 9
ans =
1 至 19 列
0 0 0 1 1 7 2 2 2 3 3 3 4 4 4 5 5 5 6
20 至 30 列
6 6 7 7 7 8 8 8 7 9 9
3. 小结
简单的手写数字识别应用，首先进行训练，再进行预测分类识别，得到分类结果，整个流程都得到了一个完整的实现，自己一个开始选择单张图片会报错，所以大家进行仿真时，记住选择全部图片。对本章内容感兴趣或者想充分学习了解的，建议去研习书中第十九章节的内容。后期会对其中一些知识点在自己理解的基础上进行补充，欢迎大家一起学习交流。