基于Zernike矩特征提取的改进FCM手写体数字识别

：文中提出了采用Zernike 矩进行特征提取，并通过改进FCM 算法对手写体数字进行模糊聚类的一种方法。图像的Zernike 矩具有旋转不变性，因此用它构造的特征空间能很好的反映图像的特性。模糊C 均值聚类是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法，本文采取加权的模糊C 均值聚类算法来进行分类。聚类的关键在于特征提取，在图像预处理的前提下，本文将Zernike 矩进行降维处理，在不降低识别率的基础上，有效提高了识别速度。

数字识别是光学字符识别(OCR)的一个重要分支[1]，而手写体数字识别更是多年来的研究热点。当前运用较好的主流算法还是以统计、神经网络和聚类分析的识别算法为主，如Adaboost 算法[2]、BP 神经网络[3]、支持向量机(SVM)[4]、以及径向基函数(RBF)[5] 等等。

在书写字符的过程中，因人而异的书写方式，造成手写体数字字符的各种变形，尤其是对于无约束手写数字来说，由于书写习惯以及因书写工具不同造成笔画粗细差异较大等问题，导致数字的特征变得不稳定。为了提高识别的准确率，本文提出了一种基于Copyright © 2013 Hanspub 180