由于自己學識尚淺，不能用python深度學習來識別這里的數(shù)字，所以就完全采用opencv來識別數(shù)字，然后在這里分享、記錄一下自己在學習過程中的一些所見所得和所想
1、先把這個圖片中的數(shù)字分割，分割成為5張小圖片，每張圖片包含一個數(shù)字，為啥要分割呢？因為我們沒辦法讓計算機知道這個數(shù)字是多少，所以只能根據(jù)特征，讓計算機去識別特征，然后每一個特征對應一個值，首先貼出分割圖片的程序，然后在程序下方會有一段思路解釋
#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，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
// 保存符號邊框的序號
vectorint> num_order;//定義一個整型int容器
mapint, int> num_map;//容器，需要關鍵字和模板對象兩個模板參數(shù)，此處定義一個int作為索引，并擁有相關連的指向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坐標放入number_order容器中，將一個新的元素添加到vector的最后面，
//位置為當前元素的下一個元素
num_map[number_rect.x] = i;//向map中存入鍵值對，number_rect.x是關鍵字，i是值
/*把矩形框的x坐標與對應的i值一起放入map容器中，形成一一對應的鍵值對
*/
}
}
// 按符號順序提取
sort(num_order.begin(), num_order.end());/*把number_order容器中的內容按照從小到大的順序排列,這里面是X的坐標*/
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
//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;//記錄最小的和對應的數(shù)字
for (int j=0;j4;j++)
{
absdiff(ROI_image[i],temptImage[j],subImage);//待測圖片像素減去模板圖片像素
sum=sunImage(subImage);//統(tǒng)計像素和
if (summin)
{
min=sum;
seq_min=j;
}
sum=0;
}
seq.push_back(seq_min);
}
cout"輸出數(shù)字匹配結果:";//endl是換行的意思
for (int i=0;iseq.size();i++)//輸出結果，小數(shù)點固定在第3位
{
coutseq[i];
if (i==1)
{
cout".";
}
}
finish=clock();
double all_time=double(finish-start)/CLOCKS_PER_SEC;
/*cout"運行總時間是："all_timeendl;*/
waitKey(0);
return 0;
}
//計算像素和
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，讓待測的分割完畢的圖片去和10個模板逐個相減，然后去統(tǒng)計他們相減后的像素和，如果這個在這10個中最低，那么他們就是同一個數(shù)字，然后輸出值就可以了，分割后的大概是這樣
到此這篇關于如何基于opencv實現(xiàn)簡單的數(shù)字識別的文章就介紹到這了,更多相關opencv實現(xiàn)數(shù)字識別內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
