Opencv学习笔记（二十六）文本检测mser+非极大值抑制nms

文章目录

mser检测
nms非极大值抑制
代码

mser检测

nms非极大值抑制

代码

import cv2
import matplotlib.pyplot as plt
import numpy as np# NMS 方法（Non Maximum Suppression，非极大值抑制）
def nms(boxes, overlapThresh):if len(boxes) == 0:return []if boxes.dtype.kind == "i":boxes = boxes.astype("float")pick = []# 取四个坐标数组x1 = boxes[:, 0]y1 = boxes[:, 1]x2 = boxes[:, 2]y2 = boxes[:, 3]# 计算面积数组area = (x2 - x1 + 1) * (y2 - y1 + 1)  # 计算各个坐标框的面积# 按得分排序（如没有置信度得分，可按坐标从小到大排序，如右下角坐标）idxs = np.argsort(y2)  # np.argsort() ,返回元素原来的索引值。可通过索引值输出排序后的数组# x= np.array([3, 1, 2])# a = np.argsort(x,axis=0) # axis=0为列排序， axis=-1为最大维度方向排序。# print(a) 为[1, 2, 0]# print(x[a]) 为[1, 2, 3] 通过索引输出排序后的数组# 开始遍历，并删除重复的框while len(idxs) > 0:# 将最右下方的框放入pick数组last = len(idxs) - 1i = idxs[last]  # i表示右下角最大的框pick.append(i)# 找剩下的其余框中最大坐标和最小坐标xx1 = np.maximum(x1[i], x1[idxs[:last]])yy1 = np.maximum(y1[i], y1[idxs[:last]])xx2 = np.minimum(x2[i], x2[idxs[:last]])yy2 = np.minimum(y2[i], y2[idxs[:last]])# 计算重叠面积占对应框的比例，即 IoUw = np.maximum(0, xx2 - xx1 + 1)h = np.maximum(0, yy2 - yy1 + 1)overlap = (w * h) / area[idxs[:last]]# 如果 IoU 大于指定阈值，则删除# np.where(condation), 若满足条件，返回索引值；np.where()[0],返回行的索引值；np.where()[1]返回列的索引# np.where(condation, x, y),满足条件返回x, 不满足返回y.# np.concatenate((a1, a2,...), axis=0/1):数组拼接，a1,a2为数组， axis=0为行拼接（默认），axis=1为列拼接idxs = np.delete(idxs, np.concatenate(([last], np.where(overlap > overlapThresh)[0])))return boxes[pick].astype("int")if __name__ == '__main__':src = cv2.imread(r'F:\OPENCV\Opencv\digit.png')img = src.copy()img2 = img.copy()gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# mser算法mser = cv2.MSER_create(_min_area=10)regions, boxes = mser.detectRegions(gray)keep = []for box in boxes:x, y, w, h = boxkeep.append([x, y, x + w, y + h])cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)keep2 = np.array(keep)pick = nms(keep2, 0.3)for (startX, startY, endX, endY) in pick:cv2.rectangle(img2, (startX, startY), (endX, endY), (0, 0, 255), 2)titles = ['src', 'img1', 'img2']images = [src, img, img2]plt.figure(figsize=(3, 1))for i in range(len(images)):plt.subplot(1, 3, i + 1)plt.imshow(images[i][:, :, ::-1], 'gray')plt.title(titles[i])plt.xticks([])plt.yticks([])plt.savefig(r'F:\OPENCV\Opencv\mser.jpg', dpi=500)plt.show()

结果显示

Opencv学习笔记（二十六）文本检测mser+非极大值抑制nms相关推荐

OpenCV学习笔记（十六）——CamShift研究 OpenCV学习笔记（十七）——运动分析和物体跟踪Video OpenCV学习笔记（十八）——图像的各种变换（cvtColor*+）imgproc
OpenCV学习笔记(十六)--CamShift研究 CamShitf算法,即Continuously Apative Mean-Shift算法,基本思想就是对视频图像的多帧进行MeanShift运算 ...
OpenCV学习笔记（十六）：直方图均衡化：equalizeHist()
OpenCV学习笔记(十六):直方图均匀化:equalizeHist() 参考博客: 直方图均衡化的数学原理直方图匹配的数学原理直方图均衡化广泛应用于图像增强中: 直方图均衡化处理的"中 ...
JVM 学习笔记二十六、JVM监控及诊断工具-GUI篇
二十六.JVM监控及诊断工具-GUI篇 1.工具概述使用上一张命令行工具或组合能帮您获取目标Java应用性能相关的基础信息,但他们存在下列局限: (1)无法获取方法级别的分析数据,如方法间的调用关系 ...
opencv学习笔记二十九：SIFT特征点检测与匹配
SIFT(Scale-invariant feature transform)是一种检测局部特征的算法,该算法通过求一幅图中的特征点(interest points,or corner points) ...
opencv学习笔记三十六：AKAZE特征点检测与匹配
KAZE是日语音译过来的 , KAZE与SIFT.SURF最大的区别在于构造尺度空间,KAZE是利用非线性方式构造,得到的关键点也就更准确(尺度不变性 ): Hessian矩阵特征点检测 ,方向指定, ...
Jenkins 持续集成概念(学习笔记二十六)
持续集成:提交.测试.构建.测试.部署前不久接触了持续集成(Continuous Integration,CI). 一.持续集成是什么首先说说"集成"的概念.在实际的软件开发中 ...
立创eda学习笔记二十六：手把手教你使用立创eda的官方教程
可以通过以下办法找到教程: 1,在软件界面点帮助-使用教程 2,在网站首页-帮助-教程进入如何使用教程: 这里是一级目录,其实对新手最有用的是前面3个部分,后面的仿真先不看. 常见问题里面不光是讲的 ...
[傅里叶变换及其应用学习笔记] 二十六. 高维傅里叶变换的推导
高维意味着函数中有多个变量,典型的高维傅里叶应用为图像处理. 一个二维图像的亮度(灰度)可以用$f(x_1,x_2)$来表示,以lena为例,图像平面作为$x_1,x_2$平面,灰度作为$z$轴,形成 ...
Java学习笔记二十六:Java多态中的引用类型转换
Java多态中的引用类型转换引用类型转换: 1.向上类型转换(隐式/自动类型转换),是小类型到大类型的转换: 2.向下类型转换(强制类型转换),是大类型到小类型的转换: 3.instanceof运算 ...

Opencv学习笔记（二十六）文本检测mser+非极大值抑制nms

文章目录

mser检测

nms非极大值抑制

代码

Opencv学习笔记（二十六）文本检测mser+非极大值抑制nms相关推荐

最新文章

热门文章