牛奶盒噴碼字符識(shí)別（基于opencv）————（三）字符的識(shí)別

• 更新
• 效果
• 方法
• • 1.制作模板
  • 2.讀入模板，
  • 3.讀入分割出來(lái)的圖片
  • 4.逐一匹配
• 不足

更新

2018.11.16:

效果

先看效果吧。



效果極佳，

方法

1.制作模板

將分割出來(lái)的數(shù)字，效果很不錯(cuò)的當(dāng)作我們的模板，后面用作匹配，C L :都當(dāng)作數(shù)字處理

2.讀入模板，

這里我通過(guò)建立三維數(shù)組，采用for循環(huán)讀入
注意，讀取時(shí)候，要加0參數(shù)，不然會(huì)以三通道方式讀取。

templatepath="C:\\Users\\mechrevo\\Desktop\\template\\" #模板 template=np.zeros([dsize,dsize,13],np.uint8) #注意uint8為1通道，默認(rèn)為 3通道 for i in range(13):#print(i)template[:,:,i] = cv2.imread(templatepath + "%d.png" %i, 0)

3.讀入分割出來(lái)的圖片

將上一節(jié)分割出來(lái)的20張圖片，都讀入進(jìn)去，同樣構(gòu)建三維數(shù)組，for循環(huán)讀入

img=np.zeros([dsize,dsize,20],np.uint8) for i in range(20):# print(i)img[:,:,i] = cv2.imread(root + "%d.png" %i, 0) #記住參數(shù) 0 #cv2.imshow("s"+ "%d" %i, img[:,:,i])

4.逐一匹配

采用嵌套for循環(huán)，使得每個(gè)分割的圖像與模板匹配，算出來(lái)的rez值最大的，就是最有可能的字符，這里采用cv2.TM_CCOEFF_NORMED標(biāo)準(zhǔn)相關(guān)匹配方法，這是 OpenCV 支持的最復(fù)雜的一種相似度算法。這里的相關(guān)運(yùn)算就是數(shù)理統(tǒng)計(jì)學(xué)科的相關(guān)系數(shù)計(jì)算方法。
總之，越復(fù)雜，占用cpu越多，越耗時(shí)，但是越準(zhǔn)確。

res=np.zeros([13],np.float16)for i in range(20):for j in range(13):res[j] = cv2.matchTemplate(img[:,:,i],template[:,:,j],cv2.TM_CCOEFF_NORMED) #注意邏輯maxindex = np.argmax(res) if (maxindex<10 and maxindex >=0): print(maxindex)elif (maxindex == 10):print("C")elif (maxindex == 11):print("L")elif (maxindex == 12):print(":") #print(res)

看看誰(shuí)最大，使用np.argmax直接得出答案，在等于10，11，12加入判斷即可
效果如頂部那樣，統(tǒng)計(jì)了50張圖，也就是1000個(gè)數(shù)字，準(zhǔn)確率為95.2%

不足

當(dāng)然算法還有一些不足之處：
比如：
1.如果字符不為20的話，算法會(huì)出錯(cuò)，只不過(guò)我的數(shù)據(jù)集90%的圖都是20個(gè)字符的，要改進(jìn)，可以使用文件操作相關(guān)函數(shù)
2.對(duì)于0和8，或扭曲數(shù)字，很容易出錯(cuò)，有機(jī)會(huì)我會(huì)嘗試卷積神經(jīng)網(wǎng)絡(luò)。
3.對(duì)于一些扭曲的圖片，兩行直接沒(méi)有白色像素，有很小幾率會(huì)無(wú)法切割行。

總之，這只是一門(mén)選修課，我也不愿太費(fèi)心思去繼續(xù)改進(jìn)，有什么問(wèn)題可以評(píng)論區(qū)交流.
等結(jié)課后公布完整代碼，供大家學(xué)習(xí)交流。

總結(jié)

以上是生活随笔為你收集整理的牛奶盒喷码字符识别（基于opencv）————（三）字符的识别的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。