如题，做的是毕业设计，指定用matlab，学的专业和这个完全没联系 ，做完图像切割之后后续需要做什么？
我可以为这个问题提供一些指导意见。
基于您的描述，您已经完成了图像灰度化、直方图均衡化、中值滤波、边缘检测和图片切割等操作。接下来可以考虑以下处理来完善您的图像识别系统：
特征提取：对于每一个已经切割好的字符图片，您可以尝试从这些图片中提取一些可识别性的特征。常见的特征包括形状特征、纹理特征、颜色特征等等。这些特征可以用来描述一个字符的特点，后续可以用这些特征来训练神经网络等模型来进行字符识别。
字符识别模型训练：在完成特征提取后，您可以将这些特征输入到神经网络等模型中进行训练。训练好的模型可以用来对新的字符图片进行分类识别。
结果验证和调整：在训练好模型后，您可以使用一些已有标注的数据来验证您的模型性能。如果性能表现不佳，您可以考虑调整神经网络参数、改进特征提取方法等。
代码示例：
特征提取：
% 假设有一个字符图像CharImg，以下示例提取基本的形状特征
% 提取字符宽度
Width = size(CharImg, 2);
% 提取字符高度
Height = size(CharImg, 1);
% 计算字符的高宽比
AspectRatio = Width / Height;
% 计算字符的面积
Area = numel(CharImg);
% 还可以尝试提取其他特征，如颜色特征、纹理特征等，
% 具体提取方法和特征计算方式可根据实际需要进行选择和改进
字符识别模型训练：
% 假设已经将特征提取出来存储在一个矩阵Feature中，对应的字符类别存在Label向量中，
% 现在可以使用神经网络进行分类识别
% 将训练集分为训练集和验证集
cv = cvpartition(Label, 'holdout', 0.2);
trainIdx = cv.training;
trainFeature = Feature(trainIdx, :);
trainLabel = Label(trainIdx, :);
validFeature = Feature(~trainIdx, :);
validLabel = Label(~trainIdx, :);
% 定义神经网络
net = patternnet([20 10]); % 两层隐藏层，分别有20个和10个神经元
% 神经网络训练
net.trainFcn = 'trainscg'; % 使用scg算法进行训练
net.performFcn = 'crossentropy'; % 交叉熵作为性能指标
net.trainParam.max_fail = 6; % 允许最大失败轮数
[net, tr] = train(net, trainFeature', dummyvar(trainLabel)');
% 验证模型性能
validPred = net(validFeature');
validPredClass = vec2ind(validPred); % 找到预测结果中最大值对应的类别
validAccuracy = sum(validPredClass == validLabel) / numel(validLabel);
结果验证和调整：
% 可以用不同的模型、特征提取方法或参数进行训练和验证，选择性能最佳的方案
图像切割得到N个小目标----放进模型推理------得到推理结果------将结果标注在原图像对应位置