基于opencv的数字识别

    最近学习了opencv，然后想通过其对图片上的数字进行识别，参考了网上几篇关于opencv数字识别的博客，我自己也写了一个程序玩玩。我是在vs2017和opencv3.4.1环境下实现的。

    这里先说一下我的思路和步骤：

1. 加载需要识别的图片，然后将其转化为二值图
2. 寻找数字的外轮廓，切记不可以找全部轮廓，否则一个数字将会有多个轮廓，识别起来就很麻烦了
3. 对轮廓进行排序，因为使用findcontours函数寻找到的轮廓顺序不一定是我们想要的，因此需要对找到的数字轮廓根据输入的图片进行排序
4. 按顺序将数字轮廓分割，一个一个提取出来
5. 进行识别和匹配，将提取出来的数字与模板数字（需要自己创建）进行比较，这里采用两幅图片像素相减的方法，寻找出差值最小的图片即为最匹配的数字 

一、图片预处理

    将输入的图片转化为二值图以便寻找轮廓

        //输入要识别的图片，并显示
	Mat srcImage = imread("number.jpg");
	imshow("原图", srcImage);
	//对图像进行处理，转化为灰度图然后再转为二值图
	Mat grayImage;
	cvtColor(srcImage, grayImage, COLOR_BGR2GRAY);
	Mat binImage;
	//第4个参数为CV_THRESH_BINARY_INV是因为我的输入原图为白底黑字
	//若为黑底白字则选择CV_THRESH_BINARY即可
	threshold(grayImage, binImage, 100, 255, CV_THRESH_BINARY_INV);

二、寻找数字轮廓

     

        //寻找轮廓，必须指定为寻找外部轮廓，不然一个数字可能有多个轮廓组成，比如4,6,8,9等数字
	Mat conImage = Mat::zeros(binImage.size(), binImage.type());
	vector> contours;
	vector hierarchy;
	//指定CV_RETR_EXTERNAL寻找数字的外轮廓
	findContours(binImage, contours, hierarchy, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE);
	//绘制轮廓
	drawContours(conImage, contours, -1, 255);

 

 三、对轮廓进行排序

     在排序之前呢，我们需要定义一个类，用来存放轮廓的外接矩阵以及方便后续的排序

class myRect
{
public:
	myRect(){}
	~myRect(){}
	myRect(Rect &temp):myRc(temp){}
	//比较矩形左上角的横坐标，以便排序
	bool operator<(myRect &rect)
	{
		if (this->myRc.x < rect.myRc.x)
		{
			return true;
		}
		else
		{
			return false;
		}
	}
	//重载赋值运算符
	myRect operator=(myRect &rect)
	{
		this->myRc = rect.myRc;
		return *this;
	}
	//获取矩形
	Rect getRect()
	{
		return myRc;
	}
private:
	Rect myRc;//存放矩形
};

 

    有了这个类之后，我们可以将一个一个轮廓外接矩阵保存于该类中。而且类中重载了比较操作符，很容易对轮廓进行排序。

        //将每个数字，分离开，保存到容器中
	vector sort_rect;
	for (int i = 0; i < contours.size(); i++)
	{
		//boundingRect返回轮廓的外接矩阵
		Rect tempRect = boundingRect(contours[i]);
		sort_rect.push_back(tempRect);
	}

    排序算法的话，采用比较简单的冒泡法

        //对矩形进行排序，因为轮廓的顺序不一定是数字真正的顺序
	for (int  i = 0; i < sort_rect.size(); i++)
	{
		for (int j = i + 1; j < sort_rect.size(); j++)
		{
			if (sort_rect[j] < sort_rect[i])
			{
				myRect temp = sort_rect[j];
				sort_rect[j] = sort_rect[i];
				sort_rect[i] = temp;
			}
		}
	}

    这样，sort_rect容器中的轮廓矩形是按我们输入的图片中的数字顺序存放的。

四、加载（新建）数字模板

    我们在进行数字匹配时，需要先加载模板进行比较。如果没有就要先新建一个。新建模板需要输入的是0-9的数字模板，不用修改程序，只需要添加以下代码。

        /*加载模板，若没有则需自己新建一个*/

	//新建,运行一次就好，不过制作模板的材料为0-9十个数字的图像
	for (int i = 0; i < 10; i++)
	{
		Mat ROI = conImage(sort_rect[i].getRect());
		Mat dstROI;
		resize(ROI, dstROI, Size(40, 50),0, 0, INTER_NEAREST);
		char name[64];
		sprintf(name, "C:/Users/Administrator/Desktop/number_recognition/number_recognition/image/%d.jpg", i);
		//imshow(str, dstROI);
		imwrite(name, dstROI);
	}

    制作模板其实就是将我们需要的ROI区域保存为图片，代码中的路径是我的路径，可以根据自己情况修改。    

    然后是加载模板，也就是从文件中将各个模板图片读入，路径根据自己的情况修改。

        //加载模板
	vector myTemplate;
	for (int i = 0; i < 10; i++)
	{
		char name[64];
		sprintf(name, "C:/Users/Administrator/Desktop/number_recognition/number_recognition/image/%d.jpg", i);
		Mat temp = imread(name, 0);
		myTemplate.push_back(temp);
	}

五、分割数字 

    分割数字比较容易，即通过轮廓外接矩形在二值图片上寻找我们要使用的ROI，然后分别保存下来，以供识别。根据排好序的sort_rect可以分割出待识别的数字。

        //按顺序取出和分割数字
	vector myROI;
	for (int i = 0; i < sort_rect.size(); i++)
	{
		Mat ROI;
		ROI = conImage(sort_rect[i].getRect());
		Mat dstROI = Mat::zeros(myTemplate[0].size(),myTemplate[0].type());
		resize(ROI, dstROI, myTemplate[0].size(), 0, 0, INTER_NEAREST);
		myROI.push_back(dstROI);
	}

 

六、比较和匹配

    我采用的比较和匹配方法是，将absdiff计算模板和待识别数字的差值，然后比较出差值最小的即为最匹配的数字，从而实现匹配。在匹配前我们需要定义一个getPiexSum函数以计算两幅图片的差值的像素之和。

//求图片的像素和
int getPiexSum(Mat &image)
{
	int sum = 0;
	for (int i = 0; i < image.cols; i++)
	{
		for (int j = 0; j < image.rows; j++)
		{
			sum += image.at(j, i);
		}
	}
	return sum;
}

    下面进行匹配和输出

        //进行比较,将图片与模板相减，然后求全部像素和，和最小表示越相似，进而完成匹配
	vector seq;//顺序存放识别结果
	for (int i = 0; i < myROI.size(); i++)
	{
		Mat subImage;
		int sum = 0;
		int min = 100000;
		int min_seq = 0;//记录最小的和对应的数字
		for (int j = 0; j < 10; j++)
		{
			//计算两个图片的差值
			absdiff(myROI[i], myTemplate[j], subImage);
			sum = getPiexSum(subImage);
			if (sum < min)
			{
				min = sum;
				min_seq = j;
			}
			sum = 0;
		}
		seq.push_back(min_seq);
	}

	//输出结果
	cout << "识别结果为：";
	for (int i = 0; i < seq.size(); i++)
	{
		cout << seq[i];
	}
	cout << endl;

七、总结

        识别的结果图片：

    存在的不足：这种识别方式有个不好的点就是，模板的数字大小（比如我用的是48号字体大小）不能与待识别的数字的大小相差太多，否则会降低识别准确率。如果相差不是很大的话是可以准确识别的。然后该程序也只能识别单行数字，暂时还不能识别多行。但是可以在本程序的基础上做点修改就可以了。等以后有时间了再回来解决这两个问题。

    附上程序源码下载：https://download.csdn.net/download/m0_37543178/10662148