粗细也会有不同，这些不同会影响提取出的特征。细化的思路是反复遍历图像，删除处在边界上的满足条件的黑像素，直到得到保持原物体拓扑结构的单像素宽的线。细化的关键在于寻找可以删除的黑像素处在边界上且删除后不会改变物体拓扑结构的黑像素可以删除。我通过分析，找到了如下的条件图五相邻像素的字母代号如上图，为待处理的像素，其余八个像素是与相邻的像素，它们的代号见图中的字母。如果为，则其不是黑像素，不用处理。如果为，有个是，则是边界点，考虑其能否被删除。又因为地位相同，这里只讨论为的情况。如果与相邻的八个像素至多有个黑像素，则是线段的端点，不能删除如果也为，同时左边那列至少有个像素为，右面那列至少有个像素为，此时若删除，将破坏黑像素的连通性，因此不能删如果为，左边右边两列中有列全为，另列至多有两个，那么或者是端点或者删除会破坏黑像素连通性，不能删除如果为，和为，或为，则删除会破坏黑像素连通性，不能删除如果和为，那么或者是被包围的像素，或者删除后会破坏黑像素的连通性，不能删除如果和为，那么或者是被包围的像素，或者删除后会破坏黑像素的连通性，不能删除否则可删除。这是为的情况，对于为的情况，只需将其旋转就可得到删除条件。细化算法如下做如下循环从图像开始遍历每个像素，若为，为，根据上面所述条件判断其是否应被删除，若应该删除，将其标记，遍历完后在原图像中将标记应被删除的改为从图像开始遍历每个像素，若为，为，根据类似上面所述条件判断其是否应被删除，若应该删除，将其标记，遍历完的同维数矢量局部弹性网格识别率均略高于全局弹性网格，同维数三层网格的识别率也略高于两层的网格，但差别不明显，因此提高模板分类的识别率关键在增加特征的矢量维数对训练集的识别率远远大于对测试集的识别率，这是因为分类器在训练的时候对训练集进行了适应，对测试集的识别率最高为。模板分类器识别率最高的特征是改进的三层矩形弹性网格每层均为网格边缘梯度方向角分解并采用轮廓边缘方法对网格划分和方向分解的黑像素分布特征。手写个常用汉字，提取这种特征，用上面训练好的模板分类器分类，得到识别率为。由于训练集不够多，训练集手写样本只有三套，因此对不同风格手写汉字适应能力不这个距离的平方是与矢量的维数有关的，是每维距离的平方的和，维数越多，求和项越多，也就是说维数越多，方差的值趋于越大，因此，这种方法只适应于比较两种维数相同的特征的优劣。对于维数不同的特征，仍然需要通过整个识别过程得到的正确识别率来比较，这时两种特征下的分类器因为特征的维数不同结构会显著不同了，这样得到的结果严格来说是特征加上此特征下的分类器共同作用下的结果。方差比是般的特征优劣量度方法，不仅适用于汉字特征的比较，只要两种特征的维数相同。噪声去除手写的汉字会因墨与纸的关系而出现毛刺，也就是笔画边缘凹凸不平，而且笔画内部也会有空洞，这些与汉字无关的噪声如果不去除，会影响特征的提取，进而影响对其识别。对噪声的去除是很重要的预处理过程。中值滤波器具有能有效去除数字图像的噪声而又不会使图像中物体边界模糊的特点。它的般算法为遍历图像的每个像素，将它和与它相邻的八个像素的灰度排序，取排在中间的像素的灰度值作输出图像的这个像素的灰度。将其用于对汉字二值图像滤波，可以得到很简单的不需要排序的算法遍历图像的每个像素，计算它和与它相邻的八个像素中黑像素的个数，如果大于或等于，则输出图像的这个像素为黑像素，否则为白像素。这是因为对二值图像的九个像素排序后，排在中间的像素为黑像素当且仅当九个像素中黑像素的总数大于或等于。此算法的复杂度为，为图像的像素总数。每个单字的图像像素若固定，例如，则固定，此算法复杂度为常数。图是手写汉字的图像，每个字大小是像素。图二是用上述中值滤波器对其滤波的结果。可以看到，滤波后汉字的边缘光滑多了，些多余的噪声点也去除了。图三是没有滤波就直接细化的结果，图四是滤波后再细化的结果。可以看到不滤波就直接细化的汉字骨架上有不少多余的短笔画，这是由于原汉字的毛刺造成的，这些多余的毛刺或者笔画中的空洞在细化后就会形成多余的短笔画，而滤波后再细化的汉字骨架就少了这样的毛刺笔画。中值滤波确能很好地去除汉字图像的噪音，包括笔画边缘的毛刺，复杂度又极低，因此中值滤波器可以作为汉字图像噪