基于决策树与PCA的手写数字识别Matlab实现详解

做手写数字识别，是很多搞图像处理和机器学习的同学绕不开的一个课题。之前帮人搭过一套完整的 matlab 方案，链路是图像定位、二值化、5×5 分割、主成分分析法（PCA）降维，最后用决策树做分类，再用交叉验证评估效果。这套流程走下来，模型精度虽然不是最顶尖的，但整个方案的工程意义很强，尤其适合特征工程的练手，以及做一些轻量级的数字识别场景，比如答题卡数字识别、表单编号自动读取、票据金额区域识别这类对模型大小和可解释性有要求的任务。

这篇文章就把这套基于决策树的手写数字识别 matlab 实现完整拆开，从图像预处理开始讲到交叉验证的结果评估。整个项目最核心的关键词就五个：matlab、决策树、手写数字识别、主成分分析法、二值化，下文会逐个展开，把每一步为什么这么做、怎么做、踩过什么坑都交代清楚。无论你是刚入门图像处理的新手，还是在做课程设计、毕业设计，这套方案都可以直接参考复现。

1. 项目整体设计与思路拆解

1.1 核心需求解析

这个项目要解决的并不是简单的"给一张数字图片输出一个标签"，而是一个完整的技术链路。我们在实际场景里拿到的手写数字图像，往往是整张纸、整块区域，而不是一张干干净净的单数字图片。所以项目的完整链路是：

1. 从原始图片中定位出数字所在的区域；
2. 对定位区域做灰度化和二值化处理，把背景和数字前景清晰分离；
3. 把每个数字图像归一化后做 5×5 网格分割，提取结构化特征；
4. 用主成分分析法对高维特征做降维，去掉冗余信息；
5. 用降维后的特征训练决策树分类器；
6. 最后用交叉验证评估模型的稳定性和泛化能力。

这个设计思路其实是传统机器学习解决图像识别问题的标准范式：图像预处理 → 特征提取 → 特征降维 → 分类器训练 → 模型评估。相比现在动辄上百万参数的卷积神经网络，这条路线的计算开销小很多，并且在数据量不大的情况下，模型的训练速度和可解释性都要好得多。如果你想理解"特征工程到底在做什么"，这套流程就是最好的教材。

1.2 为什么选择"决策树 + PCA"而不是神经网络

很多人看到手写数字识别，第一反应是上卷积神经网络（CNN），MNIST 数据集上 CNN 的准确率确实可以轻松做到 99% 以上。但决策树方案也有自己独特的价值，不能一概而论。

首先是数据量的现实问题。真实业务场景里，手写数字样本往往只有几百到几千个，这个量级下深度学习模型的优势发挥不出来，反而容易过拟合。决策树天生对中小数据集友好，训练速度快，参数少，不太容易翻车。

其次是可解释性。决策树可以把分类规则直接可视化出来，比如"特征 12 > 0.35 并且特征 7 < 0.21 时判定为数字 3"，这对需要向非技术同事解释模型逻辑的场景非常关键。我见过不少银行票据识别项目，风控人员对"黑箱"模型是天然不信任的，这时候决策树就比神经网络有优势。

第三是计算资源。跑 matlab 决策树，一颗普通 CPU 几十秒就能完成训练和交叉验证，而训练 CNN 往往需要几分钟到几十分钟。对于课程设计、毕业设计这种场景，决策树方案时间成本低，出成果快，放在论文里技术逻辑也更清晰。

1.3 技术流程总览

整个方案在 matlab 中的实现可以分为六个模块：

• 图像读取与灰度化
• 数字区域定位（连通域分析 / 投影法）
• 二值化与形态学去噪
• 5×5 网格分割与特征向量构建
• PCA 降维
• 决策树训练与交叉验证

后面每个模块我都会给出能直接跑的 matlab 代码片段，并解释关键参数的含义，这样你拿到手就能在此基础上改。

2. 图像预处理：定位、二值化详细实现

2.1 读图与灰度化处理

matlab 中读图用 imread，这一步几乎没什么坑，但有一个细节容易被忽略：读进来的彩色图是三维矩阵（H×W×3），需要转成灰度图才能做阈值分割。如果你拿到的是扫描件或者手机拍照的图片，建议先用 imresize 统一尺寸，避免后续处理时不同图片分辨率差异过大。

matlab复制% 读入图像
img = imread('handwritten_digits.png');

% 如果是彩色图，转为灰度图
if size(img, 3) == 3
    gray = rgb2gray(img);
else
    gray = img;
end

% 可选：降采样统一尺寸，加快处理速度
gray = imresize(gray, [400, 400]);

这里 imresize 到 400×400 是我常用的做法。原始图像如果很大，比如 3000×2000 的扫描件，连通域分析和形态学操作都会变慢。缩小到 400×400 能保留足够的数字轮廓信息，同时处理速度快一个量级。

2.2 数字区域定位：投影法与连通域分析

定位是手写数字识别里最容易翻车的一步。如果图片背景干净，数字是黑色手写体、白色纸张，定位其实非常简单。我常用的方法是连通域分析，配合 regionprops 提取每个连通域的包围盒。

所谓连通域，就是二值图像中像素值为 1 且相邻的像素组成的区块。每个手写数字在二值图里就是一个连通域（写得不潦草的情况下）。通过 regionprops 的 'BoundingBox' 和 'Area' 属性，就能拿到每个数字的大致位置。

matlab复制% 先用 Otsu 阈值做初版二值化（后续小节再细说）
level = graythresh(gray);
bw = imbinarize(gray, level);

% 假设数字是深色，背景是浅色，取反让数字前景为1
if mean(bw(:)) > 0.5
    bw = ~bw;
end

% 连通域分析
cc = bwconncomp(bw);
stats = regionprops(cc, 'BoundingBox', 'Area');

% 过滤掉面积过小的噪声区域
minArea = 50;
validIdx = [stats.Area] > minArea;
boxes = round(vertcat(stats(validIdx).BoundingBox));

过滤面积小于 minArea 的连通域，是为了去掉纸张上的噪点、污渍、扫描杂质。这个阈值要看你的实际图片尺寸，一般取图像总像素数的千分之一量级比较合理。比如 400×400 的图，总像素 16 万，千分之一就是 160，但手写数字笔画本身面积会比较大，所以取 50 是给噪声留了一点放宽空间。

如果你的图片数字排列比较整齐，比如一行数字，还可以用投影法来定位。投影法的思路是：把二值图在水平方向和垂直方向分别做像素累加，得到两个投影曲线，曲线的谷底就是数字行、列之间的空隙，峰顶就是数字密集区域。这种方法对"整行数字在同一水平线"的场景非常好用，比如答题卡上的数字编号。

`