一、欧氏距离
二维的公式
ρ = sqrt( (x1-x2)^2+(y1-y2)^2 )
三维的公式
ρ = sqrt( (x1-x2)^2+(y1-y2)^2+(z1-z2)^2 )
n维空间的公式
n维欧氏空间是一个点集,它的每个点 X 可以表示为 (x[1],x[2],…,x[n]) ,其中 x[i](i = 1,2,…,n) 是实数,称为 X 的第i个坐标,两个点 A = (a[1],a[2],…,a[n]) 和 B = (b[1],b[2],…,b[n]) 之间的距离 ρ(A,B) 定义为下面的公式。
ρ(A,B) =sqrt [ ∑( a[i] - b[i] )^2 ] (i = 1,2,…,n)
二、K均值算法
k均值(k-means)是聚类算法的一种,聚类分析是根据在数据中发现的描述对象及其关系的信息,将数据对象分组。其目标是,组内的对象相互之间是相似的,而不同组中的对象是不同的。组内的相似性越大,组间差别越大,聚类就越好。
举个例子,在二维平面上有几百个点,在笛卡儿坐标系中有(x,y)坐标,把它们点到纸上,问题是如何把它们分成不同组,每个组里点彼此之前都比较相近,而离其它组的成员又比较远。下面介绍的k均值就能干这种事。
基本k均值
基本k均值思想很简单,首先,选择k个初始质心,其中k是用户指定的参数,即所期望的簇的个数。每个点被指派到最近的质心,而指派到一个质心的点集为一个簇。然后根据指派到簇的点,更新每个簇的质心。重复指派和更新步骤,直到簇不发生变化,或等价的,直到质心不发生变化。
三、特征提取
1、第一步,参照网上曾经有人的做法:
为简单起见,我们使用了最简单的图像特征——黑色像素在图像中的分布来进行训练和测试。首先,我们把图像规范化为 32*32 像素的图片,然后按 2*2 分切成 16*16 共 256 个子区域,然后统计这 4 个像素中黑色像素的个数,组成 256 维的特征矢量,如下是数字 2 的一个特征矢量:
0 0 4 4 4 2 0 0 0 0 0 0 0 0 2 4 0 0 4 4 4 2 0 0 0 0 0 0 0 0 2 4 2 2 4 4 2 1 0 0 0 0 0 0 1 2 3 4 4 4 4 4 0 0 0 0 0 0 0 0 2 4 4 4 4 4 4 4 0 0 0 0 0 0 0 0 2 4 4 4 4 4 0 0 0 0 0 0 0 0 0 0 2 4 4 4 4 4 0 0 0 0 0 0 0 0 0 0 2 4 4 4 4 4 0 0 0 0 0 0 0 4 4 4 4 4 4 4 4 4 0 0 0 0 0 0 0 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2 2 4 4 2 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 0 2 4 4 4 2 2 2 2 4 3 2 2 2 2 2 0 2 4 4 4 0 0 0 0 4 2 0 0 0 0 0 0 2 4 4 4 0 0 0 0 4 2 0 0 0 0 0 0 2 4 4 4 0 0 0 0 0 0 0 0 0 0 0 0 2 4 4 4 0 0 0 0 0 0 0 0 0 0 0 0 2 4 4 4
相应地,因为我们只需要识别 0~9 共 10 个数字,所以创建一个 10 维的矢量作为结果,数字相应的维置为 1 值,其它值为 0。数字 2 的结果如下:0 0 1 0 0 0 0 0 0 0
核心代码为:
- For m_i As Integer = 1 To 16
- myinitwidth = myendwidth
- myendwidth += jiange
- For myi As Integer = myinitwidth To myendwidth
- For myj As Integer = myinitheight To myendheight
- mycolor = myybcominfo.mybitmap.GetPixel(myi, myj)
- If mycolor.B = 0 And mycolor.R = 255 And mycolor.G = 0 Then
- While (Not Monitor.TryEnter(mymonitorobj))
- Thread.Sleep(1)
- End While
- myjgtz(mycount) += 1
- Monitor.Exit(mymonitorobj)
- Thread.Sleep(1)
- End If
- Next
- Next
- mycount += 1
- myendwidth += 1
- Next
2、在第一步的特征基础上进一步加工,加上位置信息,以位置做为权重,调整第一步的特征矢量,核心代码为:
- For mi As Integer = 0 To 15
- If myjgtz(mi) > 0 Then
- pictz(myii, myjj, m_j) += mi * myjgtz(mi)
- End If
- myjgtz(mi) = 0
- Next
3、第三步计算每个数字的K均值,核心代码为:
- '计算K均值
- Dim mmsum As Double = 0
- For myii As Integer = 0 To 9
- mystr &= vbCrLf & myii & "的样本均值是:" & vbCrLf
- For myk As Integer = 0 To 15
- mmsum = 0
- For myjj As Integer = 0 To 9
- mmsum += pictz(myii, myjj, myk)
- ProgressBar1.Value = count
- count += 1
- Next
- mmsum /= 10
- ktz(myii, myk) = mmsum
- mystr &= ktz(myii, myk) & ","
- Next
- mystr &= vbCrLf
- Next
最后,进行待识别数字的特征值,然后进行欧氏距离对比
- Dim jqtz(16) As Integer
- '欧氏距离
- Dim mys(10) As Integer
- Dim temp As Integer = 1000000000
- Dim jgnum As Integer = -1
- For m_iii As Integer = 0 To 9
- mys(m_iii) = 0
- For m_jjj As Integer = 0 To 15
- mys(m_iii) += Pow(ktz(m_iii, m_jjj) - jqtz(m_jjj), 2)
- Next
- If mys(m_iii) < temp Then
- temp = mys(m_iii)
- jgnum = m_iii
- End If
- Next
- jg.Text = ""
- For m_iii = 0 To 9
- jg.Text &= m_iii & ":" & mys(m_iii) & vbCrLf
- Next
- jg.Text &= "结果是:" & jgnum
实验表明,算法有一定的识别率,进一步提高需要改进算法,对于仿宋的识别率最高,达90%,黑体、楷体等识别率也可以,手写数字,只要书写较规范,然后写的位置适当,在方框较中间,识别率较高