主頁 > 知識(shí)庫 > 如何基于opencv實(shí)現(xiàn)簡(jiǎn)單的數(shù)字識(shí)別

如何基于opencv實(shí)現(xiàn)簡(jiǎn)單的數(shù)字識(shí)別

熱門標(biāo)簽:佛山防封外呼系統(tǒng)收費(fèi) 南昌辦理400電話怎么安裝 電話機(jī)器人適用業(yè)務(wù) 獲客智能電銷機(jī)器人 哈爾濱外呼系統(tǒng)代理商 徐州天音防封電銷卡 湛江電銷防封卡 不錯(cuò)的400電話辦理 鄭州智能外呼系統(tǒng)運(yùn)營(yíng)商

前言

由于自己學(xué)識(shí)尚淺,不能用python深度學(xué)習(xí)來識(shí)別這里的數(shù)字,所以就完全采用opencv來識(shí)別數(shù)字,然后在這里分享、記錄一下自己在學(xué)習(xí)過程中的一些所見所得和所想

要解決的問題

這是一個(gè)要識(shí)別的數(shù)字,我這里首先是對(duì)圖像進(jìn)行一個(gè)ROI的提取,提取結(jié)果就僅僅剩下數(shù)字,把其他的一些無關(guān)緊要的要素排除在外,

這是ROI圖片,我們要做的就是識(shí)別出該照片中的數(shù)字,

解決問題的思路

1、先把這個(gè)圖片中的數(shù)字分割,分割成為5張小圖片,每張圖片包含一個(gè)數(shù)字,為啥要分割呢?因?yàn)槲覀儧]辦法讓計(jì)算機(jī)知道這個(gè)數(shù)字是多少,所以只能根據(jù)特征,讓計(jì)算機(jī)去識(shí)別特征,然后每一個(gè)特征對(duì)應(yīng)一個(gè)值,首先貼出分割圖片的程序,然后在程序下方會(huì)有一段思路解釋

#include opencv2/core/core.hpp>
#include opencv.hpp>
#include opencv2/highgui/highgui.hpp>
#include opencv2/features2d/features2d.hpp>
#include opencv2/imgproc/imgproc.hpp>
#include iostream>
#include ctime>
using namespace std ;
using namespace cv;
#include map>
Mat src_threshold;
Mat src_dil;
int sunImage(Mat image);
vectorMat>ROI_image;//待測(cè)圖片
int main() 
{
	clock_t start ,finish;
	start=clock();
	Mat src;
	src=imread("D:\\vspic\\picture\\number6.jpg");
	resize(src,src,Size(src.cols/7,src.rows/7));
	imshow("src",src);
	Mat src_gray;
	cvtColor(src,src_gray,COLOR_BGR2GRAY);
	//imshow("gsrc_ray",src_gray);
	Mat src_blur;
	blur(src_gray,src_blur,Size(9,9));
	//GaussianBlur(src_gray,src_blur,Size(11,11),1,1);
	Mat src_threshold;
	threshold(src_blur,src_threshold,150,255,THRESH_OTSU);
	//imshow("src_threshold",src_threshold);
	Mat src_canny;
	Canny(src_threshold,src_canny,125,255,3);
	//imshow("src_canny",src_canny);
	vectorvectorPoint>>contours_src;
	vectorVec4i>hierarchy_src(contours_src.size());
	findContours(src_canny,contours_src,hierarchy_src,RETR_EXTERNAL,CHAIN_APPROX_NONE);
	Rect rect_s;
	Rect choose_rect;
	for (size_t i=0;icontours_src.size();i++)
	{
		rect_s=boundingRect(contours_src[i]);
		double width=rect_s.width;
		double height= rect_s.height;
		double bizhi=width/height;
		if (bizhi>1.5height>50)
		{
			/*rectangle(src,rect_s.tl(),rect_s.br(),Scalar(255,255,255),1,1,0);*/
			choose_rect=Rect(rect_s.x+20,rect_s.y+30,rect_s.x-30,rect_s.y-108);
		}
	}
	Mat roi;
	roi=src(choose_rect);
	//imshow("src_",roi);
	Mat img =roi;
	Mat gray_img;
	// 生成灰度圖像
	cvtColor(img, gray_img, CV_BGR2GRAY);
	// 高斯模糊
	Mat img_gau;
	GaussianBlur(gray_img, img_gau, Size(3, 3), 0, 0);
	// 閾值分割
	Mat img_seg;
	threshold(img_gau, img_seg, 0, 255, THRESH_BINARY + THRESH_OTSU);
	Mat element;
	element=getStructuringElement(MORPH_RECT,Size(8,8));
	erode(img_seg,src_dil,element);
	//imshow("src_dil",src_dil);
	// 邊緣檢測(cè),提取輪廓
	Mat img_canny;
	Canny(src_dil, img_canny, 200, 100);
	//imshow("canny",img_canny);
	vectorvectorPoint>> contours;
	vectorVec4i> hierarchy(contours.size());
	findContours(img_canny, contours, hierarchy, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE, Point());//尋找輪廓
	int size = (int)(contours.size());//輪廓的數(shù)量
	//coutsizeendl;6個(gè)
	// 保存符號(hào)邊框的序號(hào)
	vectorint> num_order;//定義一個(gè)整型int容器
	mapint, int> num_map;//容器,需要關(guān)鍵字和模板對(duì)象兩個(gè)模板參數(shù),此處定義一個(gè)int作為索引,并擁有相關(guān)連的指向int的指針
	for (int i = 0; i  size; i++)
   {
		// 獲取邊框數(shù)據(jù)
		Rect number_rect = boundingRect(contours[i]);
		int width = number_rect.width;//獲取矩形的寬
		int height = number_rect.height;//獲取矩形的高
		// 去除較小的干擾邊框,篩選出合適的區(qū)域
		if (width > img.cols/20 )
		{
			rectangle(img,number_rect.tl(),number_rect.br(),Scalar(255,255,255),1,1,0);//繪制矩形
			imshow("img",img);//顯示矩形框
			num_order.push_back(number_rect.x);//把矩形的x坐標(biāo)放入number_order容器中,將一個(gè)新的元素添加到vector的最后面,
			//位置為當(dāng)前元素的下一個(gè)元素
			num_map[number_rect.x] = i;//向map中存入鍵值對(duì),number_rect.x是關(guān)鍵字,i是值
			/*把矩形框的x坐標(biāo)與對(duì)應(yīng)的i值一起放入map容器中,形成一一對(duì)應(yīng)的鍵值對(duì)
			*/
		}
	}
	// 按符號(hào)順序提取
	sort(num_order.begin(), num_order.end());/*把number_order容器中的內(nèi)容按照從小到大的順序排列,這里面是X的坐標(biāo)*/
	for (int i = 0; i  num_order.size(); i++) {
		Rect number_rect = boundingRect(contours[num_map.find(num_order[i])->second]);//num_order里面放的是坐標(biāo)
		//cout"num_map的值是:"num_map.find(num_order[i])->secondendl;
		Rect choose_rect(number_rect.x, 0, number_rect.width, img.rows);//矩形左上角x,y的坐標(biāo)以及矩形的寬和高
		Mat number_img = img(choose_rect);
		resize(number_img,number_img,Size(30,100));//歸一化尺寸
		ROI_image.push_back(number_img);//保存為待測(cè)圖片
		//imshow("number" + to_string(i), number_img);
		char name[50];
		sprintf_s(name,"D:\\vs2012\\model\\%d.jpg",i);//保存模板
		imwrite(name, number_img);	
	}
	cout"圖片分割完畢"endl;
	//加載模板
	vectorMat>temptImage;//存放模板
	for (int i=0;i4;i++)
	{
		char name[50];
		sprintf_s(name,"D:\\vs2012\\model\\%d.jpg",i);
		Mat temp;
		temp=imread(name);
		//cout"加載模板圖片通道數(shù):"temp.channels()endl;
		temptImage.push_back(temp);
	}
	vectorint>seq;//存放順序結(jié)果
	for (int i=0;iROI_image.size();i++)
	{
		Mat subImage;
		int sum=0;
		int min=50000;
		int seq_min=0;//記錄最小的和對(duì)應(yīng)的數(shù)字
		for (int j=0;j4;j++)
		{
			absdiff(ROI_image[i],temptImage[j],subImage);//待測(cè)圖片像素減去模板圖片像素
			sum=sunImage(subImage);//統(tǒng)計(jì)像素和
			if (summin)
			{
				min=sum;
			    seq_min=j;
			}
			sum=0;
		}
		seq.push_back(seq_min);
	}
	cout"輸出數(shù)字匹配結(jié)果:";//endl是換行的意思
	for (int i=0;iseq.size();i++)//輸出結(jié)果,小數(shù)點(diǎn)固定在第3位
	{
		coutseq[i];
		if (i==1)
		{
			cout".";
		}
	}
	finish=clock();
	double all_time=double(finish-start)/CLOCKS_PER_SEC;
	/*cout"運(yùn)行總時(shí)間是:"all_timeendl;*/
	waitKey(0);
	return 0;
}
//計(jì)算像素和
int sunImage(Mat image)
{
	int sum=0;
	for (int i=0;iimage.cols;i++)
	{
		for (int j=0;jimage.rows;j++)
		{
			sum+=image.atuchar>(j,i);
		}
	}
	return sum;
}

整體思路是這樣子的:0-9這10個(gè)數(shù)字也都是已經(jīng)被分割好的,并且保存好了,也就是模板,然后我們把待測(cè)的圖片也分割掉,然后從0-9模板文件夾中去讀取模板圖片,讓待測(cè)的分割完畢的圖片去和10個(gè)模板逐個(gè)相減,然后去統(tǒng)計(jì)他們相減后的像素和,如果這個(gè)在這10個(gè)中最低,那么他們就是同一個(gè)數(shù)字,然后輸出值就可以了,分割后的大概是這樣

上邊是第一種方法,然后還有第二種,是穿針引線的方法,是根據(jù)晶體管數(shù)字特征來識(shí)別的

這是晶體管數(shù)字的特征,每個(gè)0-9每個(gè)數(shù)字都是不一樣的,我們下一篇文章再做詳細(xì)的介紹

總結(jié)

到此這篇關(guān)于如何基于opencv實(shí)現(xiàn)簡(jiǎn)單的數(shù)字識(shí)別的文章就介紹到這了,更多相關(guān)opencv實(shí)現(xiàn)數(shù)字識(shí)別內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

您可能感興趣的文章:
  • python opencv實(shí)現(xiàn)信用卡的數(shù)字識(shí)別
  • Python+Opencv實(shí)現(xiàn)數(shù)字識(shí)別的示例代碼
  • python基于OpenCV模板匹配識(shí)別圖片中的數(shù)字
  • 詳解Python OpenCV數(shù)字識(shí)別案例

標(biāo)簽:呂梁 蕪湖 紹興 蘭州 吉安 懷化 安康 廣西

巨人網(wǎng)絡(luò)通訊聲明:本文標(biāo)題《如何基于opencv實(shí)現(xiàn)簡(jiǎn)單的數(shù)字識(shí)別》,本文關(guān)鍵詞  如何,基于,opencv,實(shí)現(xiàn),簡(jiǎn)單,;如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題,煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們,我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò),涉及言論、版權(quán)與本站無關(guān)。
  • 相關(guān)文章
  • 下面列出與本文章《如何基于opencv實(shí)現(xiàn)簡(jiǎn)單的數(shù)字識(shí)別》相關(guān)的同類信息!
  • 本頁收集關(guān)于如何基于opencv實(shí)現(xiàn)簡(jiǎn)單的數(shù)字識(shí)別的相關(guān)信息資訊供網(wǎng)民參考!
  • 推薦文章