我有如下图片：
我想找到 8 位数字的边界框。我的第一次尝试是使用带有以下代码的 cv2：
import cv2
import matplotlib.pyplot as plt
import cvlib as cv
from cvlib.object_detection import draw_bbox
im = cv2.imread('31197402.png')
bbox, label, conf = cv.detect_common_objects(im)
output_image = draw_bbox(im, bbox, label, conf)
plt.imshow(output_image)
plt.show()
不幸的是，这不起作用。有人有想法吗？
【问题讨论】：
您的解决方案中的问题可能是输入图像的质量很差。人物和背景几乎没有对比。 cvlib 的 blob 检测算法可能无法区分字符 blob 和背景，从而产生无用的二进制掩码。让我们尝试使用纯粹的OpenCV 来解决这个问题。
我提出以下步骤：
让我们看看代码：
# importing cv2 & numpy:
import numpy as np
import cv2
# Set image path
path = "C:/opencvImages/"
fileName = "mrrm9.png"
# Read input image:
inputImage = cv2.imread(path+fileName)
inputCopy = inputImage.copy()
# Convert BGR to grayscale:
grayscaleImage = cv2.cvtColor(inputImage, cv2.COLOR_BGR2GRAY)
从这里没有太多要讨论的，只是阅读BGR图像并将其转换为grayscale。现在，让我们使用gaussian 方法应用adaptive threshold。这是棘手的部分，因为参数是根据输入的质量手动调整的。该方法的工作方式是将图像划分为windowSize 的单元格网格，然后应用局部阈值来找到前景和背景之间的最佳分离。可以在阈值中添加一个由windowConstant 指示的额外常量以微调输出：
# Set the adaptive thresholding (gasussian) parameters:
windowSize = 31
windowConstant = -1
# Apply the threshold:
binaryImage = cv2.adaptiveThreshold(grayscaleImage, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, windowSize, windowConstant)
你会得到这个漂亮的二进制图像：
现在，如您所见，图像有一些斑点噪点。让我们使用area filter 来消除噪音。噪声小于感兴趣的目标斑点，因此我们可以根据区域轻松过滤它们，如下所示：
# Perform an area filter on the binary blobs:
componentsNumber, labeledImage, componentStats, componentCentroids = \
cv2.connectedComponentsWithStats(binaryImage, connectivity=4)
# Set the minimum pixels for the area filter:
minArea = 20
# Get the indices/labels of the remaining components based on the area stat
# (skip the background component at index 0)
remainingComponentLabels = [i for i in range(1, componentsNumber) if componentStats[i][4] >= minArea]
# Filter the labeled pixels based on the remaining labels,
# assign pixel intensity to 255 (uint8) for the remaining pixels
filteredImage = np.where(np.isin(labeledImage, remainingComponentLabels) == True, 255, 0).astype('uint8')
这是过滤后的图像：
我们可以通过一些形态学来提高这张图片的质量。一些字符似乎被破坏了（查看第一个3 - 它被分成两个分开的斑点）。我们可以加入他们应用关闭操作：
# Set kernel (structuring element) size:
kernelSize = 3
# Set operation iterations:
opIterations = 1
# Get the structuring element:
maxKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (kernelSize, kernelSize))
# Perform closing:
closingImage = cv2.morphologyEx(filteredImage, cv2.MORPH_CLOSE, maxKernel, None, None, opIterations, cv2.BORDER_REFLECT101)
这是“关闭”的图像：
现在，您想要获取每个字符的 bounding boxes。让我们检测每个 blob 的外轮廓并在其周围放置一个漂亮的矩形：
# Get each bounding box
# Find the big contours/blobs on the filtered image:
contours, hierarchy = cv2.findContours(closingImage, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_SIMPLE)
contours_poly = [None] * len(contours)
# The Bounding Rectangles will be stored here:
boundRect = []
# Alright, just look for the outer bounding boxes:
for i, c in enumerate(contours):
if hierarchy[0][i][3] == -1:
contours_poly[i] = cv2.approxPolyDP(c, 3, True)
boundRect.append(cv2.boundingRect(contours_poly[i]))
# Draw the bounding boxes on the (copied) input image:
for i in range(len(boundRect)):
color = (0, 255, 0)
cv2.rectangle(inputCopy, (int(boundRect[i][0]), int(boundRect[i][1])), \
(int(boundRect[i][0] + boundRect[i][2]), int(boundRect[i][1] + boundRect[i][3])), color, 2)
最后一个for 循环几乎是可选的。它从列表中获取每个边界矩形并将其绘制在输入图像上，因此您可以看到每个单独的矩形，如下所示：
让我们在二进制图像上可视化：
另外，如果你想使用我们刚刚得到的边界框来裁剪每个字符，你可以这样做：
# Crop the characters:
for i in range(len(boundRect)):
# Get the roi for each bounding rectangle:
x, y, w, h = boundRect[i]
# Crop the roi:
croppedImg = closingImage[y:y + h, x:x + w]
cv2.imshow("Cropped Character: "+str(i), croppedImg)
cv2.waitKey(0)
这就是获取单个边界框的方法。现在，也许您正试图将这些图像传递给OCR。我尝试将过滤后的二进制图像（在关闭操作之后）传递给pyocr（这是我正在使用的OCR），我将其作为输出字符串：31197402
我用来获取关闭图像的OCR的代码是这样的：
# Set the OCR libraries:
from PIL import Image
import pyocr
import pyocr.builders
# Set pyocr tools:
tools = pyocr.get_available_tools()
# The tools are returned in the recommended order of usage
tool = tools[0]
# Set OCR language:
langs = tool.get_available_languages()
lang = langs[0]
# Get string from image:
txt = tool.image_to_string(
Image.open(path + "closingImage.png"),
lang=lang,
builder=pyocr.builders.TextBuilder()
)
print("Text is:"+txt)
请注意OCR 接收白色背景上的黑色字符，因此您必须先反转图像。
【讨论】：