使用 OpenCV 和 Python 识别数字，2024年最新零基础学python爬虫教程

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但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年最新Python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。

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，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

• 调整大小。

• 将图像转换为灰度。

• 使用 5×5 内核应用高斯模糊以减少高频噪声。

• 通过 Canny 边缘检测器计算边缘图。

应用这些预处理步骤后，我们的边缘图如下所示：

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：

文末有福利领取哦~

👉一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉二、Python必备开发工具

👉三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉 四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）

👉五、Python练习题

检查学习结果。

👉六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
tps://img-blog.csdnimg.cn/a9d7c35e6919437a988883d84dcc5e58.png)

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）
[外链图片转存中…(img-ujkd9WSx-1713456764534)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！