注意 LCD 的轮廓是如何清晰可见的——这完成了步骤 #1。 我们现在可以继续第 2 步,提取 LCD 本身:
find contours in the edge map, then sort them by their
size in descending order
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
cnts = sorted(cnts, key=cv2.contourArea, reverse=True)
displayCnt = None
loop over the contours
for c in cnts:
approximate the contour
peri = cv2.arcLength(c, True)
approx = cv2.approxPolyDP(c, 0.02 * peri, True)
if the contour has four vertices, then we have found
the thermostat display
if len(approx) == 4:
displayCnt = approx
break
为了找到 LCD 区域,我们需要提取边缘图中区域的轮廓(即轮廓)。
然后我们按面积对等高线进行排序,确保将面积较大的等高线放在列表的前面。
给定我们排序的轮廓列表,逐个循环它们并应用轮廓近似。
如果我们的近似轮廓有四个顶点,那么我们假设我们已经找到了恒温器显示。 这是一个合理的假设,因为我们输入图像中最大的矩形区域应该是 LCD 本身。
获得四个顶点后,我们可以通过四点透视变换提取 LCD:
extract the thermostat display, apply a perspective transform
to it
warped = four_point_transform(gray, displayCnt.reshape(4, 2))
output = four_point_transform(image, displayCnt.reshape(4, 2))
应用这种透视变换为我们提供了一个自上而下的 LCD 鸟瞰图:
获得 LCD 的这个视图满足第 2 步——我们现在准备从 LCD 中提取数字:
threshold the warped image, then apply a series of morphological
operations to cleanup the thresholded image
thresh = cv2.threshold(warped, 0, 255,
cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (1, 5))
thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)
为了获得数字本身,我们需要对扭曲图像进行阈值处理,以在较亮的背景(即 LCD 显示屏的背景)中显示暗区(即数字):
然后我们应用一系列形态学操作来清理阈值图像:
现在我们有一个很好的分割图像,我们再次需要应用轮廓过滤,只是这次我们正在寻找实际的数字:
find contours in the thresholded image, then initialize the
digit contours lists
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
digitCnts = []
loop over the digit area candidates
for c in cnts:
compute the bounding box of the contour
(x, y, w, h) = cv2.boundingRect©
if the contour is sufficiently large, it must be a digit
if w >= 15 and (h >= 30 and h <= 40):
digitCnts.append©
为此,我们在阈值图像中找到轮廓。 初始化digitsCnts 列表——这个列表将存储数字本身的轮廓。
在每个轮廓上循环。
对于每个轮廓,我们计算边界框,确保宽度和高度是可接受的大小,如果是,则更新digitsCnts 列表。
如果我们循环遍历digitsCnts内部的轮廓并在图像上绘制边界框,结果将如下所示:
果然,我们在液晶显示屏上找到了数字! 最后一步是实际识别每个数字:
sort the contours from left-to-right, then initialize the
actual digits themselves
digitCnts = contours.sort_contours(digitCnts,
method=“left-to-right”)[0]
digits = []
在这里,我们只是根据 (x, y) 坐标从左到右对数字轮廓进行排序。
这个排序步骤是必要的,因为不能保证轮廓已经从左到右排序(与我们读取数字的方向相同)。
接下来是实际的数字识别过程:
loop over each of the digits
for c in digitCnts:
extract the digit ROI
(x, y, w, h) = cv2.boundingRect©
roi = thresh[y:y + h, x:x + w]
compute the width and height of each of the 7 segments
we are going to examine
(roiH, roiW) = roi.shape
(dW, dH) = (int(roiW * 0.25), int(roiH * 0.15))
dHC = int(roiH * 0.05)
define the set of 7 segments
segments = [
((0, 0), (w, dH)), # top
((0, 0), (dW, h // 2)), # top-left
((w - dW, 0), (w, h // 2)), # top-right
((0, (h // 2) - dHC) , (w, (h // 2) + dHC)), # center
((0, h // 2), (dW, h)), # bottom-left
((w - dW, h // 2), (w, h)), # bottom-right
((0, h - dH), (w, h)) # bottom
]
on = [0] * len(segments)
遍历每个数字轮廓。
对于这些区域中的每一个,我们计算边界框并提取数字 ROI。
我在下面包含了每个数字 ROI 的 GIF 动画:
给定数字 ROI,我们现在需要定位和提取数字显示的七个部分。
根据 ROI 尺寸计算每个段的大致宽度和高度。 然后我们定义一个 (x, y) 坐标列表,这些坐标对应七个线段。 此列表遵循与上面图 2 相同的段顺序。 这是一个示例 GIF 动画,它在正在调查的当前片段上绘制一个绿色框:
最后,初始化我们的 on 列表——该列表中的值 1 表示给定的段是“打开”的,而值为零表示该段是“关闭的”。 给定七个显示段的 (x, y) 坐标,识别一个段是打开还是关闭是相当容易的:
loop over the segments
for (i, ((xA, yA), (xB, yB))) in enumerate(segments):
extract the segment ROI, count the total number of
thresholded pixels in the segment, and then compute
the area of the segment
segROI = roi[yA:yB, xA:xB]
total = cv2.countNonZero(segROI)
area = (xB - xA) * (yB - yA)
if the total number of non-zero pixels is greater than
50% of the area, mark the segment as “on”
if total / float(area) > 0.5:
on[i]= 1
lookup the digit and draw it on the image
digit = DIGITS_LOOKUP[tuple(on)]
digits.append(digit)
cv2.rectangle(output, (x, y), (x + w, y + h), (0, 255, 0), 1)
cv2.putText(output, str(digit), (x - 10, y - 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 255, 0), 2)
我们开始循环遍历每个线段的 (x, y) 坐标。
我们提取片段 ROI,然后计算非零像素数(即片段中“开启”的像素数)。
如果非零像素与段总面积的比率大于 50%,那么我们可以假设该段是“on”并相应地更新我们的 on 列表。 在循环七段之后,我们可以将列表传递给 DIGITS_LOOKUP 以获取数字本身。
然后我们在数字周围绘制一个边界框并在输出图像上显示数字。 最后,我们的最后一个代码块将数字打印到我们的屏幕上并显示输出图像:
display the digits
print(u"{}{}.{} \u00b0C".format(*digits))
cv2.imshow(“Input”, image)
cv2.imshow(“Output”, output)
cv2.waitKey(0)
请注意我们如何使用 Python 和 OpenCV 正确识别 LCD 屏幕上的数字:
=============================================================
在今天的博客文章中,我演示了如何利用 OpenCV 和 Python 来识别图像中的数字。
这种方法专门用于七段显示器(即您通常会在数字闹钟上看到的数字显示器)。
通过提取七个段中的每一个并应用基本的阈值和形态学操作,我们可以确定哪些段是“开”的,哪些是“关”的。
从那里,我们可以在 Python 字典数据结构中查找开/关段以快速确定实际数字——无需机器学习!
正如我在这篇博文的开头提到的,应用计算机视觉来识别恒温器图像中的数字往往会使问题本身过于复杂——使用数据记录温度计会更可靠,并且需要的工作量要少得多。
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注:Python)
-LLckf4gN-1713755386849)]
[外链图片转存中…(img-Ot2GvrS0-1713755386850)]
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注:Python)