初步认识

#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>using namespace cv;
using namespace std;//声明一些全局变量，比如图像、模板和结果矩阵，以及匹配方法和窗口名称
Mat img; Mat templ; Mat result;
char* image_window = "Source Image";
char* result_window = "Result window";
int match_method;int main(int argc, char* argv[])
{//图片加载img = imread("E:\\研究生\\数字图像处理\\c++\\字符识别\\Project1\\ocr\\1.png");templ = imread("E:\\研究生\\数字图像处理\\c++\\字符识别\\Project1\\ocr\\template\\1.png");namedWindow(image_window, WINDOW_AUTOSIZE);namedWindow(result_window, WINDOW_AUTOSIZE);//创建将存储每个模板位置匹配结果的结果矩阵。详细观察结果矩阵的大小(匹配所有可能的位置)int result_cols = img.cols - templ.cols + 1;int result_rows = img.rows - templ.rows + 1;result.create(result_rows, result_cols, CV_32FC1);//执行模板匹配matchTemplate(img, templ, result, match_method);// 归一化normalize(result, result, 0, 1, NORM_MINMAX, -1, Mat());//利用cv::minMaxLoc对结果矩阵R中的最小值和最大值进行局部定位double minVal; double maxVal; Point minLoc; Point maxLoc;Point matchLoc;minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc, Mat());//对于前两个方法(TM_SQDIFF和MT_SQDIFF_NORMED)，最好的匹配是最小值。//对于其他来说，值越高代表匹配越好。因此，我们将相应的值保存在matchLoc变量中:if (match_method == TM_SQDIFF || match_method == TM_SQDIFF_NORMED){matchLoc = minLoc;}else{matchLoc = maxLoc;}//显示源图像和结果矩阵。在可能匹配的最高区域周围画一个矩形rectangle(img, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );imshow( image_window, img);imshow( result_window, result );waitKey(0);destroyAllWindows();}

大图是匹配的效果

字符识别算法

想法：把所有的字符模板放到一张图片，根据其各自位置建一个列表，将分割好的图片一次检测匹配，根据其在模板大图上的位置，根据索引在列表找到对应的字符

#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <imgproc.hpp>
#include <iostream>
#include <map>using namespace cv;
using namespace std;Mat getPos(Mat& image);//定位到字串的位置
void segChar(Mat& image);//字符分割 保存至文件夹
void charTem(Mat& image);//利用图像融合，做一个字符模板
string recog();//读取文件夹中char 图片，进行模板匹配，找到字符
//建立对应的字符字典
map<int, string> maps = { {0, "N",},{1, "J",},{2, "S",},{3, "G",},};int pos[4] = {};int main(int argc, char* argv[])
{//图片加载Mat img;img = imread("E:\\研究生\\数字图像处理\\c++\\字符识别\\Project1\\1.png");//定位 并取出文字区域 Mat pos_img;pos_img = getPos(img);//分割每个字符图片 保存至文件夹segChar(pos_img);//实现字符的模板charTem(img);//识别string chars = recog();cout << chars << endl;imshow("test1", pos_img);waitKey(0);destroyAllWindows();}Mat getPos(Mat& image)
{Mat ret;Mat img_copy;image.copyTo(img_copy);Mat img = img_copy;//!!! 图像预处理 部分cvtColor(img_copy, img_copy, COLOR_BGR2GRAY);bitwise_not(img_copy, img_copy);//黑白像素取反GaussianBlur(img_copy, img_copy, Size(3, 3), 0, 0);//高斯模糊，消除噪点threshold(img_copy, img_copy, 50, 255, THRESH_BINARY | THRESH_OTSU);//阈值化dilate(img_copy, img_copy, Mat(), Point(-1, -1),5);//膨胀int morph_size = 2;//闭运算，把字符之间进一步缩短，变成一团Mat element = getStructuringElement(MORPH_RECT, Size(morph_size * 2, morph_size * 2), Point(morph_size, morph_size));morphologyEx(img_copy, img_copy,MORPH_CLOSE,element,Point(-1,1),3);//!!! 找轮廓部分vector<vector<Point> > contours;vector<Vec4i> hierarchy;findContours(img_copy, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE);//获取轮廓的左上和右下两个坐标位置,左上是坐标最小的，右下是坐标最大的int left[2] = { contours[0][0].x, contours[0][0].y };int right[2] = { contours[0][0].x, contours[0][0].y };for (size_t i = 0; i < contours.size(); i++){for (size_t j = 1; j < contours[i].size(); j++){if (left[0] > contours[i][j].x) {left[0] = contours[i][j].x;}if (left[1] > contours[i][j].y) {left[1] = contours[i][j].y;}if (right[0] < contours[i][j].x) {right[0] = contours[i][j].x;}if (right[1] < contours[i][j].y) {right[1] = contours[i][j].y;}}}//在原图中框出区域//rectangle(ret,Point(left[0],left[1]), Point(right[0],right[1]),(255));//取出框中的图像ret = img(Rect(left[0], left[1], right[0]- left[0], right[1] - left[1]));//参数是 矩形区域的左上角坐标和对应的x,y的边长return ret;}void segChar(Mat& image)
{Mat img_copy;image.copyTo(img_copy);//!!! 图像预处理 部分cvtColor(img_copy, img_copy, COLOR_BGR2GRAY);bitwise_not(img_copy, img_copy);//黑白像素取反GaussianBlur(img_copy, img_copy, Size(3, 3), 0, 0);//高斯模糊，消除噪点threshold(img_copy, img_copy, 50, 255, THRESH_BINARY | THRESH_OTSU);//阈值化dilate(img_copy, img_copy, Mat(), Point(-1, -1), 3);//膨胀erode(img_copy, img_copy, Mat(), Point(-1, -1), 3);//!!! 投影法进行字符分割,投影到水平方向，那就是统计每个横坐标上的那一列有多少个白色的像素//!  画出像素投影图int src_width = img_copy.cols;int src_height = img_copy.rows;int* projectValArry = new int[src_width]();//创建用于储存每列白色像素个数的数组//memset(projectValArry, 0, src_width*4);//初始化数组//取列白色像素个数for (int i = 0; i < src_height; i++) {for (int j = 0; j < src_width; j++) {if (img_copy.at<uchar>(i, j)) {projectValArry[j]++;}}}//将每列白色像素数目绘制成直方图//定义画布 绘制垂直投影下每列白色像素的数目Mat verticalProjectionMat(src_height, src_width, CV_8UC1, Scalar(0));for (int i = 0; i < src_width; i++) {for (int j = 0; j < projectValArry[i]; j++) {verticalProjectionMat.at<uchar>(src_height - j - 1, i) = 255;}}imshow("verticalProjectionMat", verticalProjectionMat);//汉字的分割确实没有英文效果好//！ 根据每列白色像素数目设置截取起始和截止列vector<Mat> split_src;//定义Mat vector ，存储图片组bool white_block = 0, black_block = 0;//定义标志，用来指示在白色像素区还是在全黑区域int temp_col_forword = 0, temp_col_behind = 0;//定义列temp_col_forword  temp_col_behind，记录字符截取起始列和截止列Mat split_temp;//遍历数组projectValArry，统计每列的白色像素，投影到水平区域for (int i = 0; i < src_width; i++) {if (projectValArry[i]) {//表示区域有白色像素white_block = 1;black_block = 0;}else {              //若无白色像素（进入黑色区域）if (white_block == 1) {//若前一列有白色像素temp_col_behind = i;//取当前列为截止列//截取下一部分
split_temp = img_copy(Rect(temp_col_forword, 0, temp_col_behind - temp_col_forword, src_height)).clone();
split_src.push_back(split_temp);//将截取玩的图片存入列表中}temp_col_forword = i;//记录最新黑色区域的列号，记为起始列black_block = 1;//表示进入黑色区域white_block = 0;}}//! 将截出来的图片组放入文件夹for (size_t i = 0; i < split_src.size(); i++){string img_Name = "E:\\研究生\\数字图像处理\\c++\\字符识别\\Project1\\ocr\\" + to_string(i) + ".jpg";imwrite(img_Name, split_src[i]);}imshow("test2", img_copy);}void charTem(Mat& image)
{Mat img = Mat::zeros(image.size(), image.type());int img_col = img.cols;int img_row = img.rows;//cout << img_col << " : " << img_row << endl;//778 : 270//依次将几个字符按顺序图像融合，注意各自的坐标位置Mat img1 = imread("E:\\研究生\\数字图像处理\\c++\\字符识别\\Project1\\ocr\\0.jpg");cout << img1.size() << endl;Mat imageROI1 = img(Rect(100, 100, img1.cols, img1.rows));// 设置图片1要放入模板的位置pos[0] = 100;// 0位置 对应 字符 N addWeighted(imageROI1, 0, img1, 1, 0, imageROI1);Mat img2 = imread("E:\\研究生\\数字图像处理\\c++\\字符识别\\Project1\\ocr\\1.jpg");Mat imageROI2 = img(Rect(200, 100, img2.cols, img2.rows));// 设置图片1要放入模板的位置pos[1] = 200;// 0位置 对应 字符 J addWeighted(imageROI2, 0, img2, 1, 0, imageROI2);Mat img3 = imread("E:\\研究生\\数字图像处理\\c++\\字符识别\\Project1\\ocr\\2.jpg");Mat imageROI3 = img(Rect(300, 100, img3.cols, img3.rows));// 设置图片1要放入模板的位置pos[2] = 300;// 0位置 对应 字符 J addWeighted(imageROI3, 0, img3, 1, 0, imageROI3);Mat img4 = imread("E:\\研究生\\数字图像处理\\c++\\字符识别\\Project1\\ocr\\3.jpg");Mat imageROI4 = img(Rect(400, 100, img4.cols, img4.rows));// 设置图片1要放入模板的位置pos[2] = 400;// 0位置 对应 字符 J addWeighted(imageROI4, 0, img4, 1, 0, imageROI4);imshow("test3", img);string img_Name = "E:\\研究生\\数字图像处理\\c++\\字符识别\\Project1\\template\\temp.jpg";imwrite(img_Name, img);}
string recog()
{string ret;Mat temp = imread("E:\\研究生\\数字图像处理\\c++\\字符识别\\Project1\\template\\temp.jpg");//模板String pattern = "E:\\研究生\\数字图像处理\\c++\\字符识别\\Project1\\ocr";vector<cv::String> fn;glob(pattern, fn, false);vector<Mat> images;//size_t count = fn.size(); //number of png files in images folder,我这10个字符的图片for (size_t i = 0; i < fn.size(); i++){string img_Name = "E:\\研究生\\数字图像处理\\c++\\字符识别\\Project1\\ocr\\" + to_string(i) + ".jpg";Mat img = imread(img_Name);images.push_back(img);}//识别过程Mat result;int result_cols = temp.cols - images[0].cols + 1;int result_rows = temp.rows - images[0].rows + 1;int match_method = 0;result.create(result_rows, result_cols, CV_32FC1);vector<Point> loc;for (size_t i = 0; i < images.size(); i++){matchTemplate(temp, images[i], result, match_method);// 归一化normalize(result, result, 0, 1, NORM_MINMAX, -1, Mat());//利用cv::minMaxLoc对结果矩阵R中的最小值和最大值进行局部定位double minVal; double maxVal; Point minLoc; Point maxLoc;Point matchLoc;minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc, Mat());//对于前两个方法(TM_SQDIFF和MT_SQDIFF_NORMED)，最好的匹配是最小值。//对于其他来说，值越高代表匹配越好。因此，我们将相应的值保存在matchLoc变量中:if (match_method == TM_SQDIFF || match_method == TM_SQDIFF_NORMED){matchLoc = minLoc;}else{matchLoc = maxLoc;}loc.push_back(matchLoc);}//根据matchloc 的数值进行字符的匹配for (size_t i = 0; i < loc.size(); i++){cout << loc[i].x << endl;if (loc[i].x > 95 &loc[i].x < 105){ret = ret + maps[0];}else if (loc[i].x > 195 & loc[i].x < 205) {ret = ret + maps[1];}else if (loc[i].x > 295 & loc[i].x < 305) {ret = ret + maps[2];}else if (loc[i].x > 395 & loc[i].x < 405) {ret = ret + maps[3];}}return ret;}

VS Opencv 字符模板匹配小实例相关推荐

Opencv java模板匹配-角点检测（11）
函数在opencv中有模板匹配的方法, Imgproc.matchTemplate(src, template, result, Imgproc.TM_CCOEFF); 这个方法输入的参数分别是: ...
OpenCV—python 模板匹配与图像特征匹配
文章目录一.理论介绍与算法二.算法代码单目标匹配多目标匹配三多尺度模板匹配一.理论介绍与算法模板匹配是在一幅图像中寻找一个特定目标的方法之一,这种方法的原理非常简单,遍历图像中的每一个 ...
OpenCV：模板匹配
小程序「跳一跳」的自动化. 主要涉及到了OpenCV的模板匹配和边缘检测技术,以及Android开发调试工具ADB. 如果放在一起说,感觉内容有些多. 所以,分三期来讲,也能多了解一些东西. 首先介绍 ...
OpenCV SURF FLANN匹配的实例(附完整代码)
OpenCV SURF FLANN匹配的实例 OpenCV SURF FLANN匹配的实例 OpenCV SURF FLANN匹配的实例 #include <iostream> #incl ...
Python+OpenCV：模板匹配(Template Matching)
Python+OpenCV:模板匹配(Template Matching) Template Matching with Single Objects ######################## ...
基于VS与OpenCV的模板匹配学习（4）：手写OpenCV matchTemplate()
基于VS与OpenCV的模板匹配学习(4):手写OpenCV matchTemplate() 文章目录基于VS与OpenCV的模板匹配学习(4):手写OpenCV matchTemplate() 前 ...
Python+Opencv实现模板匹配
目录一.模板匹配简介二.传统模板匹配算法不足之处三.多尺度模板匹配实现步骤四.多尺度模板匹配实现代码五.多尺度模板匹配效果展示和分析六.思维扩展参考资料注意事项一.模板匹配简介 ...
基于opencv的模板匹配详解
1.什么是模板匹配在OpenCV教程中这样解释模板匹配: 模板匹配是一项在一幅图像中寻找与另一幅模板图像最匹配(相似)部分的技术.这里说的模板是我们已知的小图像,模板匹配就是在一副大图像中搜寻目标. ...
Opencv(六)模板匹配、轮廓检测、轮廓周围绘制矩形框和圆形框
模板匹配介绍模板匹配就是在整个图像区域发现与给定子图像匹配的小块区域. 所以模板匹配首先需要一个模板图像T(给定的子图像) 另外需要一个待检测的图像-源图像S 工作方法,在带检测图像上,从左到右,从 ...

VS Opencv 字符模板匹配小实例

初步认识

字符识别算法

VS Opencv 字符模板匹配小实例相关推荐

最新文章

热门文章