牛奶盒噴碼字符識別（基于opencv）————（三）字符的識別

• 更新
• 效果
• 方法
• • 1.制作模板
  • 2.讀入模板，
  • 3.讀入分割出來的圖片
  • 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

將分割出來的數字，效果很不錯的當作我們的模板，后面用作匹配，C L :都當作數字處理

2.讀入模板，

這里我通過建立三維數組，采用for循環讀入
注意，讀取時候，要加0參數，不然會以三通道方式讀取。

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.讀入分割出來的圖片

將上一節分割出來的20張圖片，都讀入進去，同樣構建三維數組，for循環讀入

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 0 #cv2.imshow("s"+ "%d" %i, img[:,:,i])

4.逐一匹配

采用嵌套for循環，使得每個分割的圖像與模板匹配，算出來的rez值最大的，就是最有可能的字符，這里采用cv2.TM_CCOEFF_NORMED標準相關匹配方法，這是 OpenCV 支持的最復雜的一種相似度算法。這里的相關運算就是數理統計學科的相關系數計算方法。
總之，越復雜，占用cpu越多，越耗時，但是越準確。

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，統計了50張圖，也就是1000個數字，準確率為95.2%

不足

當然算法還有一些不足之處：
比如：
1.如果字符不為20的話，算法會出錯，只不過我的數據集90%的圖都是20個字符的，要改進，可以使用文件操作相關函數
2.對于0和8，或扭曲數字，很容易出錯，有機會我會嘗試卷積神經網絡。
3.對于一些扭曲的圖片，兩行直接沒有白色像素，有很小幾率會無法切割行。

總之，這只是一門選修課，我也不愿太費心思去繼續改進，有什么問題可以評論區交流.
等結課后公布完整代碼，供大家學習交流。

總結

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）字符的识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。