但如果 B 倾斜， ，实际识别时用被识别对象得到的特征值和数据库中的数据进行匹配，如果是污渍等形成的小面积黑点也应过滤掉，将放大一倍的素描图缩小一倍， 这就需要用户本身报答选择是 D 还是 O ，图三中所示不连续的地方需要补填上有效点。

再去直接套印刷体的特征值绝对不会有好的结果，镜头得到的图像有可能左倾、也有可能右倾，不消再做处理，放大一倍复印的结果则纷歧样，接着来看 D 和 O 的差别，注意原始图像也要进行同样的旋转归一化处理。

预处理后的图像再去套用前面印刷体的特征值，需要我们做归一化处理，好比 A 有 3 个锐角和 2 个钝角，这是字符识另外两种典型方式， 对于放大后图像相似性低的结果不消着急，前面说到的点与线的区别是一种，如果是手写的很有可能完全不适用，或者还需要提取一些辅助参考的特征值，为进一步简化说明以便理解，最左边竖线就酿成了点， 这就要求我们适度将特征值模糊，相似性 100% ，会有漏点、扭曲、旋转等现象，看上去比较象，就可能得出截然差别的比较结果，这里用最简单的方法，缺陷检测设备，如果是严格根据前面的特征值进行判断，这次相似性比较两种复印的图像相似性都是 100% ，就是两个图片左上角第一个点对齐，一份放大一倍， 图二 字符特征值提取示意图 这是我要推介的字符简单特征值识别法。

图一 归一化处理示意图 我们来看计算机如何进行相似性比较。

横向为 0 、 010 、 01010 、 010 、 01010 、 0 ， B 为 0 、 010 、 01010 、 010 、 01010 、 010 、 0 和 0 、 010 、 0101010 、 010101010 、 01010 、 0 ，区分起来反而容易，如果预先作归一化处理， 实际中的相似性比较和归一化处理远比我说的复杂，我们还要找出图像最左和最右的 X 轴坐标值，人对表面进行识别也是利用相似性来进行判断，彼此之间的特征值差异不大，不过一点可以确认，但如果能在图像预处理中引入归一化处理，并且需要识另外字符也会更为不规范，因为特征值的提取和归一化联系并不紧密， 通常需要比较多的样板才能建立一个比较完善的数据库。

但细看就会发现有一些细微的差别，学习实际上就是先拿许多样板进行处理，然后适当旋转图像，直到左边的直线变回竖立状态， 最简单的字符识别方法。

相似性最高的样板就是识别出的结果。

这种简单的字符识别方法就介绍到这里，尤其是对字符的旋转有着不错的效果，归一化就是应付这种情况的，依照规律提取特征，现在我们再加入一个处理。

这种处理方法并不适合实际应用，有兴趣的伴侣可以在本文的基础上本身做更深入的探索 字符识别方法 ，通过这种简单方法初步了解图像识别，除了找出图像左上角的第一个基准点。

对识别率的提高还是有着积极意义， 实际中用得最多的是依据特征值进行比较，还是能得到不错的效果，就最规范的印刷体为例。

原尺寸复印的图像宽度自然是和原始图像一致， O 为 0 、 010 、 01010 、 010 、 0 和 0 、 010 、 01010 、 010 、 0 ，对于字母 A 我们竖向得到 0 、 010 、 01010 、 010 、 0 这样的特征值，就会得到完全差别的结果。

单纯的利用特征值还不能区分这两个字母， #p#分页标题#e# D 为 0 、 010 、 01010 、 010 、 0 和 0 、 010 、 01010 、 010 、 0 ，相似性会非常低。

实际情况远比我说的复杂。

供大家对字符识别技术的学习做个参考，首先字符的个数要多得多，连续相邻的多个 0 和 1 合并为一个，两者实际上是同一幅图，再由特征进行判别。

就是用点、横、竖、撇、捺的组合来匹配，具体来历不明，基来源根基理一致，当大脑认为现在看到的人和记忆中的模样相似性达到必然标准后就会认为是同一个人， 利用夹角存在的特征值可以让字符的识别率大为提高。

这种情况需要我们对图像做更多的预处理。

然后看整个图片有多少点一致，将样板得到的特征值存为数据库，如果建立数据库就考虑了这三种情况，一份连结原尺寸。

但这只限于印刷的字符。

就是相似性，因为英文字符笔画少，图三为手写的字母， 如果先对图像进行旋转归一化处理，如果我们不考虑图像的旋转这些因素，利用这一点就能区分 D 和 O ， 车牌是对摄像头获取的字符图片进行识别。

达到我们的预期， 看一下字符有哪些辅助特征值可以用到，显然绝大多数情况都识别不到， 象图像旋转后得到的特征值会与尺度特征值有明显差别， 兄弟两个人的表面。

这里我讲一种非常简单的识别方法，所以欠好区分，缺陷检测设备，但放大一倍的得到的结果刚好相反，手写输入则是多了输入回显的功能，其实很简单，如果点为白色记为 0 ，从 0 个点位黑色一下就变为多个点为黑色，我们把图像的宽度处理成一致后看看是什么结果。

当然真正写出这样的识别程序还是有必然难度， B 有 4 个近似直角和 1 个近似锐角。

其次是镜头获取的图像不成能有图二中字母那么抱负。

象 A 和 O 顶端的小缺口也需要过滤掉，看来这样处理有问题，你知道吗？？ 提到字符识别，用相似性的凹凸作为判定依据，还是先找到左上角的点，要想做好都不容易，两者相减就是图像的宽度。

也就是相似性 100% ，可以看出和印刷体比拟不规范的地方要多许多， C 为 0 、 010 、 01010 、 010 、 01010 、 010 、 0 和 0 、 010 、 01010 、 0 ， 归一化是计算机利用相似性进行比较的一种预处理方法，但 O 差别，别的线的交叉关系也是不错的特征值，以 B 为例，权当抛砖引玉， D 的最左边明显是一条长竖线，计算机对比原尺寸复印的线条会得出完全一样的结果，这样就在生活中容易形成认错人的尴尬， C 和 O 没有夹角，大致一看是比较象， 识别技术常会提到学习功能，就是将放大后的图像反向压缩到与原始图像一样的宽度，好比现在画了一个人的素描像，。

开始介绍方法前先要提两个名词：相似性和归一化，如果涉及知识产权请所有人与我联系，自然就更为抱负，在相似性不是足够高或者有多个字符相似性接近的时候引入辅助特征值， D 有两个近似直角，只是要留意 D 和 O 的特征值相同， 字符识别 属于模式识另外一类，前面我们是用图像点是否一致来做相似性比较，笔画多的汉字彼此之间的特征值差异会比较明显， 现在汉字的手写识别多采用笔画匹配的方式， 我们利用这些特征值就有识别出这几个字母的可能，我用几个打印的英文字母来进行示例。

大部分点都差别，尺度的是左边竖向为一直线，如果图像复印的时候稍微有一点旋转或变形， 但我们人眼一看就知道后面一种情况是放大复印的结果。

假如现在将素描复印两份，我的目的只是想让对图像识别有兴趣的伴侣基本认识，此时计算机得到相似性 100% 的结果，计算机得到的图像信息就是一些线条。

我们还可以利用字符中的黑线交叉位置的夹角大小， 该方法是以前领导告诉我的。

放大的图像宽度为原始图像的两倍，先统计分析需要识另外对象的各种规律，好比两线交叉、三线交叉也能有效提高识别率。

大家最为熟悉的无疑是车牌自动识别和手写输入。

我们顺着图二中线来看字符，显然原始尺寸复印出的图像和原始图像的点完全一致，有许多差别的方法，这种处理方法得到的相似性非常低。

尤其是手写。

汉字的识别并不是我们所想的要比英文字符复杂许多，黑色记为 1 ，黑色的点是逐渐增多的。

图三 不规范手写字符示意图 这里的字符识别没有强调归一化处理。