前言

本文主要实现基于python+opencv实现数独

效果展示图

原图：

效果图：

一、引入库

import numpy as np
import cv2, time

二、训练KNN模型

# 训练KNN模型
samples = np.load('./data/samples.npy')
labels = np.load('./data/label.npy')k = 80
train_label = labels[:k]
train_input = samples[:k]
test_input = samples[k:]
test_label = labels[k:]model = cv2.ml.KNearest_create()
model.train(train_input,cv2.ml.ROW_SAMPLE,train_label)     #训练80个

三、读取数独图片并提取轮廓

#读取数独
img = cv2.imread('./data/2.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 阈值分割
ret,thresh = cv2.threshold(gray,200,255,1)kernel = cv2.getStructuringElement(cv2.MORPH_CROSS,(5, 5))
dilated = cv2.dilate(thresh,kernel)# 轮廓提取
image, contours, hierarchy = cv2.findContours(dilated,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

四、提取9*9的81小方格

#　提取八十一个小方格
boxes = []
for i in range(len(hierarchy[0])):if hierarchy[0][i][3] == 0:boxes.append(hierarchy[0][i])height,width = img.shape[:2]
box_h = height/9
box_w = width/9
number_boxes = []

五、解析数独数字

# 数独初始化为零阵
soduko = np.zeros((9, 9),np.int32)for j in range(len(boxes)):if boxes[j][2] != -1:#number_boxes.append(boxes[j])x,y,w,h = cv2.boundingRect(contours[boxes[j][2]])number_boxes.append([x,y,w,h])#img = cv2.rectangle(img,(x-1,y-1),(x+w+1,y+h+1),(0,0,255),2)#img = cv2.drawContours(img, contours, boxes[j][2], (0,255,0), 1)## 对提取的数字进行处理number_roi = gray[y:y+h, x:x+w]## 统一大小resized_roi=cv2.resize(number_roi,(20,40))thresh1 = cv2.adaptiveThreshold(resized_roi,255,1,1,11,2) ## 归一化像素值normalized_roi = thresh1/255.  ## 展开成一行让knn识别sample1 = normalized_roi.reshape((1,800))sample1 = np.array(sample1,np.float32)## knn识别retval, results, neigh_resp, dists = model.findNearest(sample1, 1)        number = int(results.ravel()[0])## 求在矩阵中的位置soduko[int(y/box_h)][int(x/box_w)] = number

soduko为数独矩阵

六、解数独

def findNextCellToFill(grid, i, j):for x in range(i,9):for y in range(j,9):if grid[x][y] == 0:return x,yfor x in range(0,9):for y in range(0,9):if grid[x][y] == 0:return x,yreturn -1,-1def isValid(grid, i, j, e):rowOk = all([e != grid[i][x] for x in range(9)])if rowOk:columnOk = all([e != grid[x][j] for x in range(9)])if columnOk:# finding the top left x,y co-ordinates of the section containing the i,j cellsecTopX, secTopY = 3 *(i//3), 3 *(j//3) #floored quotient should be used here. for x in range(secTopX, secTopX+3):for y in range(secTopY, secTopY+3):if grid[x][y] == e:return Falsereturn Truereturn Falsedef solveSudoku(grid, i=0, j=0):i,j = findNextCellToFill(grid, i, j)if i == -1:return Truefor e in range(1,10):if isValid(grid,i,j,e):grid[i][j] = eif solveSudoku(grid, i, j):return Truegrid[i][j] = 0return False

总结

数独数组变化：

源码

基于opencv+python实现数独相关推荐

基于 OpenCV + Python 的人脸识别上课签到系统
目录前言安装第三方库第一步:采集人脸图像 (1)修改姓名学号 (2)运行capture_face.py (3)采集人脸图像 (4)查看采集到的人脸图像第二步:训练模型第三步:识别签到 (1) ...
基于Opencv+python的车流量检测项目
目录项目介绍整体流程调试环境项目流程 1.预处理 2.汽车识别--去背景算法(KNN/MOG2) 3.统计车流量数目结尾源代码测试视频资料流程图项目介绍本次项目主要采用了传统视觉的 ...
基于opencv+python的角度测量
import cv2 # 导入opencv import math # 导入math库,计算角度时需要path = './Angle Finder/background.png' # 测试样图相对路径 ...
基于opencv+python的车道检测技术
针对自动驾驶系统的实际需求,我们需要一种能够兼顾速度.不同环境下高检测成功率和鲁棒性的车道识别算法.首先,因为停车场更多的是地下光线昏暗的情况需要提高车道线与周围环境的对比度,然后灰度化图像进行模糊降 ...
光流 | OpenCV中的Lucas-Kanade光流与稠密光流：基于Opencv+Python（附代码）
===================================================== github:https://github.com/MichaelBeechan CSDN: ...
计算机视觉与深度学习 | ORB特征匹配：基于OpenCV+Python（暴力匹配、FLANN）
===================================================== github:https://github.com/MichaelBeechan CSDN: ...
计算机视觉与深度学习 | ORB特征提取：基于OpenCV+Python（附代码）
===================================================== github:https://github.com/MichaelBeechan CSDN: ...
文本分割之水平投影法基于OpenCV(python)版实现
对于如下一张图片,如何将文本区域分割成一行一行的了? 在文本分割领域中有一种很优秀的算法:投影法,包括水平投影法和垂直投影法.本文主要讲述水平投影法,水平投影法可以理解为一束光线从图像的左侧向右边进行 ...
文本分割之垂直投影法基于OpenCV(python)的实现
在我的上一篇博客中讲述了水平投影法取出文本行图像的实现,在这里将用垂直投影法对文本行的每个字符进行分割.下图是用水平投影法切割的文本行: 文本分割的原理如下,先用水平投影取出单一文本行,接着使用垂直投 ...

基于opencv+python实现数独

文章目录

前言

效果展示图

一、引入库

二、训练KNN模型

三、读取数独图片并提取轮廓

四、提取9*9的81小方格

五、解析数独数字

六、解数独

总结

基于opencv+python实现数独相关推荐

最新文章

热门文章