opencv 数字识别

数字识别

ROI抽取：将目标区域从原始图像粗分离（二值化，噪声处理）

识别：对目标区域的进一步分离

ROI 抽取

位深度：每个像素占用的位（bit）

24位颜色可称之为真彩色，位深度是24，它能组合成2的24次幂种颜色，即：16777216种颜色 ( 或称千万种颜色 )，超过了人眼能够分辨的颜色数量。

当我们用24位来记录颜色时，实际上是以2^（8×3），即红、绿、蓝 ( RGB ) 三基色各以2的8次幂，256种颜色而存在的，三色组合就形成一千六百万种颜色。

通道：任意的单色灰阶图（R 、 G 、 B三个原色通道）。

掩码 :

mask = Mat::zeros(image.size(), CV_8UC1); 
mask(r1).setTo(255);  //r1是设置好的感兴趣区域（Region Of Interest）

• 第一步建立与原图一样大小的mask图像，并将所有像素初始化为0，因此全图成了一张全黑色图。
• 第二步将mask图中的r1区域的所有像素值设置为255,也就是整个r1区域变成了白色。

image.copyTo(img2, mask);

原始图image透过mask赋值到目的图img2上。即原图中的每个像素和mask中的每个对应像素进行与运算（&）。比如1 & 1 = 1；1 & 0 = 0；

识别

处理图像

1. 转化为灰度值（较之原图，三个维度的矩阵变成了一个维度）

2. 转化为二值图（由灰度图转化成黑白图，每个点非黑即白）

   阈值 threshold一个效应能够产生的最低值或最高值

检测并勾勒轮廓（考虑连通性，扫描线）

将二值图中的可连通的区域用一坨点表示，默认的轮廓检查会返回一个点的序列，使这个序列构成一个图形将该连通区域的所有点包围起来，比如四个点构成一个矩形。

特例：由于8这个数字中有两个圆圈，默认的轮廓检查会将这两个圆圈都检测到，8就会有三个轮廓，同样还可能出现这种情况的还有数字4,6,9。

因此需要指定findContours（）函数仅搜索最外层的轮廓，而不关注内部可能出现的任何轮廓。

检测完轮廓后，使用contours迭代器遍历每一个轮廓，找到并画出包围这个轮廓的最小矩阵。

但是，上述方法画出的矩形为旋转矩形（不一定水平） ，所以不采用这种方法。应使用boundingRect()画出矩形。

数字顺序整理（扫描线）

由于轮廓检测时，不一定按照图中所给顺序进行检测，所以在检测轮廓时，要记录所给数字的坐标，根据x，y坐标进行排序。

我按轮廓检测顺序的将矩阵的中心点存入结构体中，然后调用sort()函数。

sort(con,con+i);                                    //正确
sort(con,con+i+1);                                //错误
//WORTH FIGURING OUT

切割各个数字

使用ROI进行切割

最后的识别

将按轮廓线切割好的数字与标准数字文件比对，采用逐点像素遍历法。

utf-8 : unicode transformation format

来源：

cnblogs.com/farewell-farewell/archive/2004/01/13/5887068.html