溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編給大家分享一下python如何基于OpenCV模板匹配識別圖片中的數字，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！
單個數字模板：（這些單個模板是我自己直接從圖片上截取下來的）
要處理的圖片：
終端輸出：
文本輸出：
首先定義兩個會用到的函數
第一個是顯示圖片的函數，這樣的話在顯示圖片的時候就比較方便了
def cv_show(name, img): cv2.imshow(name, img) cv2.waitKey(0) cv2.destroyAllWindows()
第二個是圖片縮放的函數
def resize(image, width=None, height=None, inter=cv2.INTER_AREA): dim = None (h, w) = image.shape[:2] if width is None and height is None: return image if width is None: r = height / float(h) dim = (int(w * r), height) else: r = width / float(w) dim = (width, int(h * r)) resized = cv2.resize(image, dim, interpolation=inter) return resized
先把這個代碼貼出來，方便后面單個函數代碼的理解。
if __name__ == "__main__":
# 存放數字模板列表
digits = []
# 當前運行目錄
now_dir = os.getcwd()
print("當前運行目錄：" + now_dir)
numbers_address = now_dir + "\\numbers"
load_digits()
times = input("請輸入程序運行次數：")
for i in range(1, int(times) + 1):
demo(i)
print("輸出成功，請檢查本地temp.txt文件")
while True:
if input("輸入小寫‘q'并回車退出") == 'q':
break接下來是第一個主要函數，功能是加載數字模板并進行處理。
這個函數使用到了os模塊，所以需要在開頭import os
def load_digits(): # 加載數字模板 path = numbers_address # 這個地方就是獲取當前運行目錄 獲取函數在主函數里面 filename = os.listdir(path) # 獲取文件夾文件 for file in filename: img = cv2.imread(numbers_address + "\\" + file) # 讀取圖片 img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度處理 # 自動閾值二值化 把圖片處理成黑底白字 img_temp = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1] # 尋找數字輪廓 cnt = cv2.findContours(img_temp, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[0] # 獲取數字矩形輪廓 x, y, w, h = cv2.boundingRect(cnt[0]) # 將單個數字區域進行縮放并存到列表中以備后面使用 digit_roi = cv2.resize(img_temp[y:y+h, x:x+w], (57, 88)) digits.append(digit_roi)
最后一個函數是程序的重點，實現功能就是識別出數字并輸出。
不過這里把這個大函數分開兩部分來講解。
第一部分是對圖片進行處理，最終把圖片中的數字區域圈出來。
# 這兩個都是核，參數可以改變 rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (25, 25)) sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 這個就是讀取圖片的，可以暫時不理解 target_path = now_dir + "\\" + "demo_" + str(index) + ".png" img_origin = cv2.imread(target_path) # 對圖片進行縮放處理 img_origin = resize(img_origin, width=300) # 灰度圖 img_gray = cv2.cvtColor(img_origin, cv2.COLOR_BGR2GRAY) # 高斯濾波 參數可以改變，選擇效果最好的就可以 gaussian = cv2.GaussianBlur(img_gray, (5, 5), 1)、 # 自動二值化處理，黑底白字 img_temp = cv2.threshold( gaussian, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1] # 頂帽操作 img_top = cv2.morphologyEx(img_temp, cv2.MORPH_TOPHAT, rectKernel) # sobel操作 img_sobel_x = cv2.Sobel(img_top, cv2.CV_64F, 1, 0, ksize=7) img_sobel_x = cv2.convertScaleAbs(img_sobel_x) img_sobel_y = cv2.Sobel(img_top, cv2.CV_64F, 0, 1, ksize=7) img_sobel_y = cv2.convertScaleAbs(img_sobel_y) img_sobel_xy = cv2.addWeighted(img_sobel_x, 1, img_sobel_y, 1, 0) # 閉操作 img_closed = cv2.morphologyEx(img_sobel_xy, cv2.MORPH_CLOSE, rectKernel) # 自動二值化 thresh = cv2.threshold( img_closed, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] # 閉操作 img_closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) # 尋找數字輪廓 cnts = cv2.findContours( img_closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[0] # 輪廓排序 (cnts, boundingBoxes) = contours.sort_contours(cnts, "top-to-bottom") # 存放正確數字序列（包含逗號）的輪廓，即過濾掉不需要的輪廓 right_loc = [] # 下面這個循環是對輪廓進行篩選，只有長寬比例大于2的才可以被添加到列表中 # 這個比例可以根據具體情況來改變。除此之外，還可以通過輪廓周長和輪廓面積等對輪廓進行篩選 for c in cnts: x, y, w, h = cv2.boundingRect(c) ar = w/float(h) if ar > 2: right_loc.append((x, y, w, h))
部分步驟的效果圖：
可以看到在進行完最后一次閉操作后，一串數字全部變成白色區域，這樣再進行輪廓檢測就可以框出每一行數字的大致范圍，這樣就可以縮小數字處理的范圍，可以在這些具體的區域內部對單個數字進行處理。
輪廓效果：
在這樣進行以上步驟之后，就可以確定一行數字的范圍了，下面就進行輪廓篩選把符合條件的輪廓存入列表。
注意：在代碼中使用了(cnts, boundingBoxes) = contours.sort_contours(cnts, "top-to-bottom")
這個函數的使用需要導入imutils，這個模塊具體使用方法可以瀏覽我的另一篇博客OpenCV學習筆記
函數的最后一部分就是對每個數字輪廓進行分割，取出單個數字的區域然后進行模板匹配。
for (gx, gy, gw, gh) in right_loc:
# 用于存放識別到的數字
digit_out = []
# 下面兩個判斷主要是防止出現越界的情況發生，如果發生的話圖片讀取會出錯
if (gy-10 < 0):
now_gy = gy
else:
now_gy = gy-10
if (gx - 10 < 0):
now_gx = gx
else:
now_gx = gx-10
# 選擇圖片興趣區域
img_digit = gaussian[now_gy:gy+gh+10, now_gx:gx+gw+10]
# 二值化處理
img_thresh = cv2.threshold(
img_digit, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
# 尋找所有輪廓 找出每個數字的輪廓（包含逗號） 正確的話應該有9個輪廓
digitCnts = cv2.findContours(
img_thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[0]
# 從左到右排列輪廓
# 這樣排列的好處是，正常情況下可以確定逗號的位置方便后面刪除逗號
(cnts, boundingBoxes) = contours.sort_contours(digitCnts, "left-to-right")
# cnts是元組，需要先轉換成列表，因為后面會對元素進行刪除處理
cnts = list(cnts)
flag = 0
# 判斷輪廓數量是否有9個
if len(cnts) == 9:
# 刪除逗號位置
del cnts[1]
del cnts[2]
del cnts[3]
del cnts[4]
# 可以在轉成元組
cnts = tuple(cnts)
# 存放單個數字的矩形區域
num_roi = []
for c in cnts:
x, y, w, h = cv2.boundingRect(c)
num_roi.append((x, y, w, h))
# 對數字區域進行處理，把尺寸縮放到與數字模板相同
# 對其進行簡單處理，方便與模板匹配，增加匹配率
for (rx, ry, rw, rh) in num_roi:
roi = img_digit[ry:ry+rh, rx:rx+rw]
roi = cv2.resize(roi, (57, 88))
# 高斯濾波
roi = cv2.GaussianBlur(roi, (5, 5), 1)
# 二值化
roi = cv2.threshold(
roi, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
# 用于存放匹配率
source = []
# 遍歷數字模板
for digitROI in digits:
# 進行模板匹配
res = cv2.matchTemplate(
roi, digitROI, cv2.TM_CCOEFF_NORMED)
max_val = cv2.minMaxLoc(res)[1]
source.append(max_val)
# 這個需要仔細理解 這個就是把0-9數字中匹配度最高的數字存放到列表中
digit_out.append(str(source.index(max(source))))
# 打印最終輸出值
print(digit_out)
else:
print("讀取失敗")
flag = 1
# 將數字輸出到txt文本中
t = ''
with open(now_dir + "\\temp.txt", 'a+') as q:
if flag == 0:
for content in digit_out:
t = t + str(content) + " "
q.write(t.strip(" "))
q.write('\n')
t = ''
else:
q.write("讀取失敗")
q.write('\n')注意理解：digit_out.append(str(source.index(max(source))))
這個是很重要的，列表source存放模板匹配的每個數字的匹配率，求出其中最大值的索引值，因為數字模板是按照0-9排列的，索引source的匹配率也是按照0-9排列的，所以每個元素的索引值就與相匹配的數字相同。這樣的話，取得最大值的索引值就相當于取到了匹配率最高的數字。
from imutils import contours
import cv2
import os
def cv_show(name, img):
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
dim = None
(h, w) = image.shape[:2]
if width is None and height is None:
return image
if width is None:
r = height / float(h)
dim = (int(w * r), height)
else:
r = width / float(w)
dim = (width, int(h * r))
resized = cv2.resize(image, dim, interpolation=inter)
return resized
def load_digits():
# 加載數字模板
path = numbers_address
filename = os.listdir(path)
for file in filename:
# print(file)
img = cv2.imread(
numbers_address + "\\" + file)
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img_temp = cv2.threshold(
img_gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
cnt = cv2.findContours(img_temp, cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_NONE)[0]
x, y, w, h = cv2.boundingRect(cnt[0])
digit_roi = cv2.resize(img_temp[y:y+h, x:x+w], (57, 88))
# 將數字模板存到列表中
digits.append(digit_roi)
def demo(index):
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (25, 25))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
target_path = now_dir + "\\" + "demo_" + str(index) + ".png"
img_origin = cv2.imread(target_path)
img_origin = resize(img_origin, width=300)
img_gray = cv2.cvtColor(img_origin, cv2.COLOR_BGR2GRAY)
gaussian = cv2.GaussianBlur(img_gray, (5, 5), 1)
img_temp = cv2.threshold(
gaussian, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
img_top = cv2.morphologyEx(img_temp, cv2.MORPH_TOPHAT, rectKernel)
img_sobel_x = cv2.Sobel(img_top, cv2.CV_64F, 1, 0, ksize=7)
img_sobel_x = cv2.convertScaleAbs(img_sobel_x)
img_sobel_y = cv2.Sobel(img_top, cv2.CV_64F, 0, 1, ksize=7)
img_sobel_y = cv2.convertScaleAbs(img_sobel_y)
img_sobel_xy = cv2.addWeighted(img_sobel_x, 1, img_sobel_y, 1, 0)
img_closed = cv2.morphologyEx(img_sobel_xy, cv2.MORPH_CLOSE, rectKernel)
thresh = cv2.threshold(
img_closed, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
img_closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
cnts = cv2.findContours(
img_closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[0]
(cnts, boundingBoxes) = contours.sort_contours(cnts, "top-to-bottom")
draw_img = img_origin.copy()
draw_img = cv2.drawContours(draw_img, cnts, -1, (0, 0, 255), 1)
cv_show("666", draw_img)
# 存放正確數字序列（包含逗號）的輪廓，即過濾掉不需要的輪廓
right_loc = []
for c in cnts:
x, y, w, h = cv2.boundingRect(c)
ar = w/float(h)
if ar > 2:
right_loc.append((x, y, w, h))
for (gx, gy, gw, gh) in right_loc:
# 用于存放識別到的數字
digit_out = []
if (gy-10 < 0):
now_gy = gy
else:
now_gy = gy-10
if (gx - 10 < 0):
now_gx = gx
else:
now_gx = gx-10
img_digit = gaussian[now_gy:gy+gh+10, now_gx:gx+gw+10]
# 二值化處理
img_thresh = cv2.threshold(
img_digit, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
# 尋找輪廓 找出每個數字的輪廓（包含逗號） 正確的話應該有9個輪廓
digitCnts = cv2.findContours(
img_thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[0]
# 從左到右排列
(cnts, boundingBoxes) = contours.sort_contours(digitCnts, "left-to-right")
cnts = list(cnts)
flag = 0
if len(cnts) == 9:
del cnts[1]
del cnts[2]
del cnts[3]
del cnts[4]
cnts = tuple(cnts)
num_roi = []
for c in cnts:
x, y, w, h = cv2.boundingRect(c)
num_roi.append((x, y, w, h))
for (rx, ry, rw, rh) in num_roi:
roi = img_digit[ry:ry+rh, rx:rx+rw]
roi = cv2.resize(roi, (57, 88))
roi = cv2.GaussianBlur(roi, (5, 5), 1)
roi = cv2.threshold(
roi, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
source = []
for digitROI in digits:
res = cv2.matchTemplate(
roi, digitROI, cv2.TM_CCOEFF_NORMED)
max_val = cv2.minMaxLoc(res)[1]
source.append(max_val)
digit_out.append(str(source.index(max(source))))
cv2.rectangle(img_origin, (gx-5, gy-5),
(gx+gw+5, gy+gh+5), (0, 0, 255), 1)
print(digit_out)
else:
print("讀取失敗")
flag = 1
t = ''
with open(now_dir + "\\temp.txt", 'a+') as q:
if flag == 0:
for content in digit_out:
t = t + str(content) + " "
q.write(t.strip(" "))
q.write('\n')
t = ''
else:
q.write("讀取失敗")
q.write('\n')
if __name__ == "__main__":
# 存放數字模板列表
digits = []
# 當前運行目錄
now_dir = os.getcwd()
print("當前運行目錄：" + now_dir)
numbers_address = now_dir + "\\numbers"
load_digits()
times = input("請輸入程序運行次數：")
for i in range(1, int(times) + 1):
demo(i)
print("輸出成功，請檢查本地temp.txt文件")
cv2.waitKey(0)
cv2.destroyAllWindows()
while True:
if input("輸入小寫‘q'并回車退出") == 'q':
break整個文件下載地址：https://wwe.lanzous.com/iLSDunf850b
注意：如果想同時識別多個圖片話，需要將圖片統一改名為“demo_ + 數字序號.png” 例如：demo_1.png demo_2.png 同時在運行代碼時輸入圖片個數即可。
以上是“python如何基于OpenCV模板匹配識別圖片中的數字”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
