OPENCV数字识别(非手写数字/采用模板匹配)

这篇文章的重点在于 模板匹配 的使用。模板匹配是计算机视觉中的一项基本技术,它通过比对输入图像与模板图像的相似度,来进行目标识别。对于数字识别,特别是标准数字的识别,模板匹配非常有效。

请看效果:

文章结构

  1. 模板匹配的概念
  2. 如何裁剪图像以提高匹配精度
  3. 代码实现:数字识别
  4. 代码解析
  5. 总结与建议

模板匹配的概念

模板匹配是一种在图像中查找特定模板区域的方法。通过计算输入图像与多个模板的相似度,找到最匹配的区域。在数字识别中,这项技术通过将待识别的数字与一组模板数字进行比对,识别出最接近的数字。

如何裁剪图像以提高匹配精度

在使用模板匹配时,图像的预处理是至关重要的。裁剪掉不需要的部分,尤其是图像中可能干扰匹配的区域,可以大大提高匹配的精度。确保图像中只包含目标数字区域,从而提高识别准确率。


代码实现:数字识别

接下来,我会分享一段我用OpenCV实现的数字识别代码。这段代码利用了模板匹配的方式来识别标准数字。

python 复制代码
import cv2
import numpy as np
import os

# 数字模板匹配
def img_match(input_img, template_dict):
    """返回 (最佳匹配数字, 最大相似度)"""
    resized_img = cv2.resize(input_img, (32, 48), interpolation=cv2.INTER_LINEAR)
    max_val = 0.0
    best_num = -1
    for i in range(10):
        template = template_dict[i]
        result = cv2.matchTemplate(resized_img, template, cv2.TM_CCOEFF_NORMED)
        _, current_max, _, _ = cv2.minMaxLoc(result)
        if current_max > max_val:
            max_val = current_max
            best_num = i
    return best_num, max_val

# 加载数字模板
def load_templates(template_dir):
    template_dict = {}
    for i in range(10):
        template_path = os.path.join(template_dir, f"{i}.png")
        template = cv2.imread(template_path, cv2.IMREAD_GRAYSCALE)
        if template is not None:
            _, binary_template = cv2.threshold(template, 100, 255, cv2.THRESH_BINARY_INV)
            resized_template = cv2.resize(binary_template, (32, 48), interpolation=cv2.INTER_LINEAR)
            template_dict[i] = resized_template
    return template_dict

# 主函数
def main():
    # 加载数字模板
    template_dir = "G:/pycharm/projects/opencv/num/"  # 修改为你的模板路径
    template_dict = load_templates(template_dir)

    # 打开摄像头
    cap = cv2.VideoCapture(1)
    if not cap.isOpened():
        print("无法打开摄像头")
        return

    while True:
        ret, frame = cap.read()
        if not ret:
            break

        imgContour = frame.copy()
        imgGray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        imgBlur = cv2.GaussianBlur(imgGray, (7, 7), 1)
        _, imgThresh = cv2.threshold(imgBlur, 95, 255, cv2.THRESH_BINARY_INV)

        edges = cv2.Canny(imgBlur, 30, 150)
        imgCanny = cv2.bitwise_or(edges, imgThresh)
        kernel = np.ones((3, 3), np.uint8)
        imgCanny = cv2.morphologyEx(imgCanny, cv2.MORPH_CLOSE, kernel)

        contours, hierarchy = cv2.findContours(imgCanny, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

        for cnt in contours:
            area = cv2.contourArea(cnt)
            if area < 4500:  # 像素面积小,可认为是数字
                x, y, w, h = cv2.boundingRect(cnt)
                roi = imgCanny[y:y + h, x:x + w]
                if roi.size == 0:
                    continue
                num, score = img_match(roi, template_dict)
                if score > 0.6:
                    cv2.putText(imgContour, f"{num}", (x, y - 10),
                                cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)

        cv2.imshow("Processed", imgContour)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

    cap.release()
    cv2.destroyAllWindows()

if __name__ == "__main__":
    main()

代码解析

1. 数字模板匹配

img_match 函数负责执行模板匹配操作。它将输入的图像与预先加载的数字模板进行比对,计算出匹配度,并返回最佳匹配的数字和相似度。

2. 加载模板

load_templates 函数从指定路径加载数字模板,模板图像会经过二值化处理并调整到统一的尺寸,确保模板能够适应各种输入图像。

3. 图像预处理

在主函数中,我们首先通过摄像头读取图像,并进行一些常见的图像预处理操作,包括灰度化、模糊化和边缘检测。然后,我们使用 cv2.findContours 函数提取图像中的数字区域。

4. 匹配与识别

通过 img_match 函数对每一个数字区域进行模板匹配,若匹配的相似度大于设定的阈值(例如0.6),则将识别的数字显示在图像上。


总结与建议

通过模板匹配,我们能够快速、准确地识别标准数字,适用于数字识别的基础场景。对于更复杂的场景,如手写数字或不同字体的数字,可能需要更先进的算法,如深度学习模型。

希望这篇文章能够帮助你理解OpenCV中模板匹配的使用方法。如果你有任何问题或改进建议,欢迎在评论区留言讨论。

相关推荐
X Y O35 分钟前
神经网络初步学习3——数据与损失
人工智能·神经网络·学习
唯创知音1 小时前
玩具语音方案选型决策OTP vs Flash 的成本功耗与灵活性
人工智能·语音识别
Jamence1 小时前
多模态大语言模型arxiv论文略读(151)
论文阅读·人工智能·语言模型·自然语言处理·论文笔记
tongxianchao1 小时前
LaCo: Large Language Model Pruning via Layer Collapse
人工智能·语言模型·剪枝
HyperAI超神经1 小时前
OmniGen2 多模态推理×自我纠正双引擎,引领图像生成新范式;95 万分类标签!TreeOfLife-200M 解锁物种认知新维度
人工智能·数据挖掘·数据集·图像生成·医疗健康·在线教程·数学代码
网安INF2 小时前
深度学习中批标准化与神经网络调优
人工智能·深度学习·神经网络·机器学习
开开心心_Every2 小时前
便捷的电脑自动关机辅助工具
开发语言·人工智能·pdf·c#·电脑·音视频·sublime text
EnochChen_2 小时前
多实例学习简介
人工智能
路溪非溪2 小时前
Tensorflow的安装记录
人工智能·tensorflow·neo4j
jndingxin2 小时前
OpenCV 人脸分析----人脸识别的一个经典类cv::face::EigenFaceRecognizer
人工智能·opencv·计算机视觉