导航：首页 > 开发技术 >

opencv怎么实现简单的数字识别

发表于：2025-01-24 作者：千家信息网编辑

千家信息网最后更新 2025年01月24日，这篇文章主要介绍"opencv怎么实现简单的数字识别"，在日常操作中，相信很多人在opencv怎么实现简单的数字识别问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答"ope

千家信息网最后更新 2025年01月24日opencv怎么实现简单的数字识别

这篇文章主要介绍"opencv怎么实现简单的数字识别"，在日常操作中，相信很多人在opencv怎么实现简单的数字识别问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答"opencv怎么实现简单的数字识别"的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

前言

由于自己学识尚浅，不能用python深度学习来识别这里的数字，所以就完全采用opencv来识别数字，然后在这里分享、记录一下自己在学习过程中的一些所见所得和所想

要解决的问题

这是一个要识别的数字，我这里首先是对图像进行一个ROI的提取，提取结果就仅仅剩下数字，把其他的一些无关紧要的要素排除在外，

这是ROI图片，我们要做的就是识别出该照片中的数字，

解决问题的思路

1、先把这个图片中的数字分割，分割成为5张小图片，每张图片包含一个数字，为啥要分割呢？因为我们没办法让计算机知道这个数字是多少，所以只能根据特征，让计算机去识别特征，然后每一个特征对应一个值，首先贴出分割图片的程序，然后在程序下方会有一段思路解释

#include #include #include #include #include #include #include using namespace std ;using namespace cv;#include Mat src_threshold;Mat src_dil;int sunImage(Mat &image);vectorROI_image;//待测图片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);        vector>contours_src;        vectorhierarchy_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;i1.5&&height>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;        // 生成灰度图像        cvtColor(img, gray_img, CV_BGR2GRAY);        // 高斯模糊        Mat img_gau;        GaussianBlur(gray_img, img_gau, Size(3, 3), 0, 0);        // 阈值分割        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);        // 边缘检测，提取轮廓        Mat img_canny;        Canny(src_dil, img_canny, 200, 100);        //imshow("canny",img_canny);        vector> contours;        vector hierarchy(contours.size());        findContours(img_canny, contours, hierarchy, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE, Point());//寻找轮廓        int size = (int)(contours.size());//轮廓的数量        //cout< num_order;//定义一个整型int容器        map num_map;//容器，需要关键字和模板对象两个模板参数，此处定义一个int作为索引，并拥有相关连的指向int的指针        for (int i = 0; i < size; i++)   {                // 获取边框数据                Rect number_rect = boundingRect(contours[i]);                int width = number_rect.width;//获取矩形的宽                int height = number_rect.height;//获取矩形的高                // 去除较小的干扰边框，筛选出合适的区域                if (width > img.cols/20 )                {                        rectangle(img,number_rect.tl(),number_rect.br(),Scalar(255,255,255),1,1,0);//绘制矩形                        imshow("img",img);//显示矩形框                        num_order.push_back(number_rect.x);//把矩形的x坐标放入number_order容器中，将一个新的元素添加到vector的最后面，                        //位置为当前元素的下一个元素                        num_map[number_rect.x] = i;//向map中存入键值对，number_rect.x是关键字，i是值                        /*把矩形框的x坐标与对应的i值一起放入map容器中，形成一一对应的键值对                        */                }        }        // 按符号顺序提取        sort(num_order.begin(), num_order.end());/*把number_order容器中的内容按照从小到大的顺序排列,这里面是X的坐标*/        for (int i = 0; i < num_order.size(); i++) {                Rect number_rect = boundingRect(contours[num_map.find(num_order[i])->second]);//num_order里面放的是坐标                //cout<<"num_map的值是："<second<temptImage;//存放模板        for (int i=0;i<4;i++)        {                char name[50];                sprintf_s(name,"D:\\vs2012\\model\\%d.jpg",i);                Mat temp;                temp=imread(name);                //cout<<"加载模板图片通道数："<seq;//存放顺序结果        for (int i=0;i(j,i);                }        }        return sum;}

整体思路是这样子的：0-9这10个数字也都是已经被分割好的，并且保存好了，也就是模板，然后我们把待测的图片也分割掉，然后从0-9模板文件夹中去读取模板图片，让待测的分割完毕的图片去和10个模板逐个相减，然后去统计他们相减后的像素和，如果这个在这10个中最低，那么他们就是同一个数字，然后输出值就可以了，分割后的大概是这样