机器视觉检测综合设计实 手写数字识别 包括报告文档

《机器视觉检测综合设计实验》

一、介绍主成分分析（principal component analysis, PCA）方法的原

理及其在图像识别应用中的具体步骤。（20 分）

二、描述 k 近邻（k-Nearest Neighbor, kNN）算法的思想及步骤，并

指出它的优缺点。（15 分）

% 设置训练和测试数据集的文件路径

trainPath = 'D:\zuomian\32\实验 8\digit_dataset\train';

testPath = 'D:\zuomian\32\实验 8\digit_dataset\test';

% 读取训练集

trainData = [];

trainLabels = [];

trainFiles = dir(fullfile(trainPath, '*.jpg')); % 获取所有图像文件

fprintf('训练集包含 %d 张图像\n', length(trainFiles));

for i = 1:length(trainFiles)

filename = trainFiles(i).name;

trainData = [trainData; img];

label = str2double(filename(4)); % 提取文件名中的类别（第 4 个字符表示类

别）

trainLabels = [trainLabels; label];

end

% 将训练标签转换为分类数组，并指定类别顺序

trainLabels = categorical(trainLabels, 0:9);

% 读取测试集

testData = [];

testLabels = [];

img = imread(filepath);

if size(img, 3) == 3

img = rgb2gray(img); % 转换为灰度图像

end

img = double(img(:)'); % 展平并转换为 double 类型

testData = [testData; img];

label = str2double(filename(4)); % 提取文件名中的类别（第 4 个字符表示类

别）

testLabels = [testLabels; label];

end

% 将测试标签转换为分类数组，并指定类别顺序

testLabels = categorical(testLabels, 0:9);

accuracy = sum(predictedLabels == testLabels) / length(testLabels);

fprintf('正确识别率: %.2f%%\n', accuracy * 100);