现在很多场景需要使用的数字识别，比如银行卡识别，以及车牌识别等，在人工智能领域有很多图像识别算法，大多是居于opencv或者谷歌开源的超正方体识别，下面这篇文章主要给大家介绍了关于如何基于opencv实现简单的数字识别，需要的朋友可以参考下
目录
前言要解决的问题解决问题的思路总结
前言
由于自己学识尚浅，不能用大蟒深度学习来识别这里的数字，所以就完全采用opencv来识别数字，然后在这里分享、记录一下自己在学习过程中的一些所见所得和所想
要解决的问题
这是一个要识别的数字，我这里首先是对图像进行一个投资收益率的提取，提取结果就仅仅剩下数字，把其他的一些无关紧要的要素排除在外，
这是投资收益率图片，我们要做的就是识别出该照片中的数字，
解决问题的思路
1、先把这个图片中的数字分割，分割成为5张小图片，每张图片包含一个数字，为啥要分割呢？因为我们没办法让计算机知道这个数字是多少，所以只能根据特征，让计算机去识别特征，然后每一个特征对应一个值，首先贴出分割图片的程序，然后在程序下方会有一段思路解释
#包含opencv2/core/core.hpp
#包含opencv.hpp
#包含opencv2/highgui/highgui.hpp
#包含opencv 2/特性2d/特性2d。HPP
#包含opencv2/imgproc/imgproc.hpp
#包括输入输出流
#包括ctime
使用命名空间标准
使用名称空间cv；
#包含地图
Mat src _阈值；
Mat src _ dil
int太阳图像(Mat图像)；
vectorMatROI _ image//待测图片
int main()
{
时钟_t开始，结束；
开始=时钟();
Mat src
src=im read( D: vs pic picture number 6。jpg’)；
resize(src，src，Size(src.cols/7，src。行数/7))；
imshow(src ，src)；
Mat src _ gray
cvtColor(src，src_gray，COLOR _ bgr 2 gray)；
//imshow(gsrc_ray ，src _ gray)；
Mat src _ blur
blur(src_gray，src_blur，Size(9，9))；
//GaussianBlur(src_gray，src_blur，Size(11，11)，1，1)；
Mat src _阈值；
threshold(src_blur，src_threshold，150，255，THRESH _ OTSU)；
//imshow(src_threshold ，src _ threshold)；
Mat src _ canny
Canny(src_threshold，src_canny，125，255，3)；
//imshow(src_canny ，src _ canny)；
vectorvectorPointcontours _ src
vec 4 I hierarchy _ src(contours _ src。size())；
findContours(src_canny，contours_src，hierarchy_src，RETR)外部，CHAIN _ approximate _ NONE)；
rect rect _ s；
Rect选择_ rect
for(size _ t I=0；图标旅游_ src。size()；我)
{
rect _ s=边界矩形(contours _ src[I])；
双倍宽度=矩形宽度
双倍高度=rect _ s.height
double bizhi=宽度/高度；
如果（比直1.5高50)
{
/*rectangle(src，rect_s.tl()，rect_s.br()，Scalar(255，255，255)，1，1，0)；*/
choose_rect=Rect(rect_s.x 20，rect_s.y 30，rect_s.x-30，Rect _ s . y-108)；
}
}
Mat roi
ROI=src(choose _ rect)；
//imshow(src_ ，ROI)；
Mat img=roi
Mat gray _ img
//生成灰度图像
cvtColor(img，gray_img，CV _ bgr 2 gray)；
//高斯模糊
Mat img _ gau
GaussianBlur(gray_img，img_gau，Size(3，3)，0，0)；
//阈值分割
材料img _ seg
threshold(img_gau，img_seg，0，255，THRESH _ BINARY THRESH _ OTSU)；
垫元素；
element=getStructuringElement(MORPH _ RECT，Size(8，8))；
erode(img_seg，src_dil，element)；
//imshow(src_dil ，src _ dil)；
//边缘检测，提取轮廓
Mat img _ canny
Canny(src_dil，img_canny，200，100)；
//imshow(canny ，img _ canny)；
向量向量点轮廓；
vectorVec4i层次结构(轮廓。size())；
查找轮廓(img_canny，轮廓，层次，CV _ RETR _外部，CV_CHAIN_APPROX_NONE，Point())；//寻找轮廓
int size=(int)(等高线。size())；//轮廓的数量
//coutsizeendl；6个
//保存符号边框的序号
矢量数量顺序；//定义一个整型（同国际组织)国际组织容器
mapint，int num _ map//容器，需要关键字和模板对象两个模板参数，此处定义一个（同国际组织)国际组织作为索引，并拥有相关连的指向（同国际组织)国际组织的指针
for(int I=0；我尺寸；我)
{
//获取边框数据
rect number _ rect=bounding rect(contours[I])；
int width=number _ rect.width//获取矩形的宽
int height=number _ rect.height//获取矩形的高度
//去掉较小的干扰边框，筛选出合适的区域。
如果(宽度为20毫米/列)
{
rectangle(img，number_rect.tl()，number_rect.br()，Scalar(255，255，255)，1，1，0)；//绘制一个矩形
imshow(img ，img)；//显示矩形框
num _ order . push _ back(number _ rect . x)；//将矩形的x坐标放入number_order容器，在vector后面添加一个新元素，
//位置是当前元素的下一个元素
num _ map[number _ rect . x]=I；//在map中存储键值对，number_rect.x是关键字，I是值
/*将矩形框的X坐标与对应的I值一起放入地图容器，形成一对一的键值对。
*/
}
}
//按符号顺序提取
sort(num_order.begin()、num _ order . end())；/*按从小到大的顺序排列number_order容器的内容，其中是x的坐标*/
for(int I=0；I num _ order . size()；i ) {
rect number _ rect=bounding rect(contours[num _ map . find(num _ order[I])-second])；//num_order包含坐标。
cout num _ map的值为： num _ map . find(num _ order[I])-secondendl；
Rect choose_rect(number_rect.x，0，number_rect.width，img . rows)；//矩形左上角的x，y坐标以及矩形的宽度和高度
mat number _ img=img(choose _ rect)；
resize(number_img，number_img，Size(30，100))；//规范化大小
ROI _ image . push _ back(number _ img)；//另存为要测试的图片
//imshow(number to_string(i)，number _ img)；
char name[50]；
sprintf_s(name， D:vs2012model%d.jpg ，I)；//保存模板
imwrite(姓名，号码_ img)；
}
Cout“图片分割完成”endl
//加载模板
vectorMattemptImage//存储模板
for(int I=0；i4；我)
{
char name[50]；
sprintf_s(name， D:vs2012model%d.jpg ，I)；
Mat温度；
temp=im read(name)；
//cout 加载模板图像的通道数： temp . channels()endl；
temptimage . push _ back(temp)；
}
vectorintseq//存储序列结果
for(int I=0；iROI _ image . size()；我)
{
Mat子图像；
int sum=0；
int min=50000
int seq _ min=0；//记录最小和对应的数字
for(int j=0；j4；j)
{
absdiff(ROI_image[i]，temptImage[j]，subImage)；//从待测图片的像素中减去模板图片的像素
sum=sunImage(子图像)；//计算像素的总和
如果(总和)
{
min=sum
seq _ min=j；
}
sum=0；
}
seq . push _ back(seq _ min)；
}
Cout 输出数字匹配结果：；//endl表示换行。
for(int I=0；iseq . size()；I )//输出结果，小数点固定在第三位。
{
cout seq[I]；
如果(i==1)
{
cout . ；
}
}
finish=clock()；
double all_time=double(完成-开始)/CLOCKS _ PER _ SEC；
/*cout 总运行时间为： all _ timeendl*/
wait key(0)；
返回0；
}
//计算像素的总和
中间太阳图像(Mat图像)
{
int sum=0；
for(int I=0；iimage.cols我)
{
for(int j=0；jimage.rowsj)
{
sum=image.atuchar(j，I)；
}
}
返回总和；
}
整体思路是这样的：0-9这10个数字被分割保存，也就是模板。然后我们对待测图像进行分割，从0-9模板文件夹中读取模板图像，从10个模板中逐一减去分割后的图像，然后统计相减后的像素和。如果这是10个中最低的，那么它们是相同的数。然后
以上是第一种方法，然后还有第二种方法，就是穿线法，根据晶体管的数字特性来识别。
这就是晶体管数的特点。从0到9的每个数字都不一样。我们将在下一篇文章中详细介绍。
总结
关于如何基于opencv实现简单的数字识别的文章到此结束。有关opencv数字识别的更多信息，请搜索我们以前的文章或继续浏览下面的相关文章。希望你以后能支持我们！
