### 系统架构设计 实现一个不依赖 TensorFlow 库的手写阿拉伯数字识别系统，可以通过 C++ 语言结合 OpenCV 和传统机器学习方法（如 KNN 或 SVM）完成。整个系统主要包括以下几个模块：图像预处理、特征提取、分类器训练与预测、用户界面集成。 ### 图像预处理 图像预处理是手写识别流程中的第一步，目的是将原始图像转换为适合后续处理的格式。该步骤包括灰度化、二值化、去噪和归一化等操作。 ```cpp #include <opencv2/opencv.hpp> cv::Mat preprocessImage(const std::string& imagePath) { cv::Mat image = cv::imread(imagePath, cv::IMREAD_GRAYSCALE); if (image.empty()) return image; // 二值化处理 cv::Mat binaryImage; cv::threshold(image, binaryImage, 127, 255, cv::THRESH_BINARY_INV); // 去噪处理 cv::Mat denoisedImage; cv::medianBlur(binaryImage, denoisedImage, 3); // 归一化尺寸 cv::Mat resizedImage; cv::resize(denoisedImage, resizedImage, cv::Size(28, 28)); return resizedImage; } ``` ### 特征提取 特征提取是将图像转换为可用于分类的数值向量。常用的方法包括像素直方图、HOG（方向梯度直方图）等。在本例中，采用简单的像素展平方式作为特征向量。 ```cpp std::vector<float> extractFeatures(const cv::Mat& image) { std::vector<float> features; for (int i = 0; i < image.rows; ++i) { for (int j = 0; j < image.cols; ++j) { features.push_back(static_cast<float>(image.at<uchar>(i, j)) / 255.0f); } } return features; } ``` ### 分类模型构建 使用 KNN（K-近邻算法）进行分类器训练和预测。OpenCV 提供了现成的 KNN 实现接口，可以直接用于训练和推理任务。 ```cpp #include <opencv2/ml.hpp> void trainKNNClassifier(cv::Ptr<cv::ml::KNearest>& knn, const std::vector<std::vector<float>>& samples, const std::vector<int>& labels) { cv::Mat trainData(samples.size(), samples[0].size(), CV_32F); cv::Mat trainLabels(samples.size(), 1, CV_32S); for (size_t i = 0; i < samples.size(); ++i) { for (size_t j = 0; j < samples[i].size(); ++j) { trainData.at<float>(i, j) = samples[i][j]; } trainLabels.at<int>(i, 0) = labels[i]; } knn->setDefaultK(5); knn->setIsClassifier(true); knn->train(trainData, cv::ml::ROW_SAMPLE, trainLabels); } int predictDigit(cv::Ptr<cv::ml::KNearest>& knn, const std::vector<float>& features) { cv::Mat sample(1, features.size(), CV_32F); for (size_t i = 0; i < features.size(); ++i) { sample.at<float>(0, i) = features[i]; } int predictedLabel = static_cast<int>(knn->predict(sample)); return predictedLabel; } ``` ### 用户界面设计 可以使用 OpenCV 的 GUI 功能构建一个简单的交互式界面，允许用户绘制数字并进行识别。 ```cpp #include <opencv2/highgui.hpp> #include <opencv2/imgproc.hpp> cv::Mat drawingCanvas = cv::Mat::zeros(200, 200, CV_8UC1); bool mouseDown = false; void onMouse(int event, int x, int y, int flags, void*) { if (event == cv::EVENT_LBUTTONDOWN) { mouseDown = true; cv::circle(drawingCanvas, cv::Point(x, y), 10, cv::Scalar(255), -1); } else if (event == cv::EVENT_MOUSEMOVE && mouseDown) { cv::circle(drawingCanvas, cv::Point(x, y), 10, cv::Scalar(255), -1); } else if (event == cv::EVENT_LBUTTONUP) { mouseDown = false; } } int main() { cv::namedWindow("Handwritten Digit Recognition"); cv::setMouseCallback("Handwritten Digit Recognition", onMouse); cv::Ptr<cv::ml::KNearest> knn = cv::ml::KNearest::create(); // 加载训练数据（假设已准备好） std::vector<std::vector<float>> samples; std::vector<int> labels; // 此处应加载训练样本和标签 trainKNNClassifier(knn, samples, labels); while (true) { cv::imshow("Handwritten Digit Recognition", drawingCanvas); char key = cv::waitKey(10); if (key == 'q') break; if (key == 'c') { drawingCanvas.setTo(0); } if (key == 'p') { // 预测当前画布内容 cv::Mat processed; cv::resize(drawingCanvas, processed, cv::Size(28, 28)); auto features = extractFeatures(processed); int prediction = predictDigit(knn, features); std::cout << "Predicted digit: " << prediction << std::endl; } } return 0; } ``` ###