opencv学习——OCR字符识别特征提取

方法：可选用水平累积直方图、垂直累积直方图特征以及低分辨图像作为特征，用于训练的输入层

图中低分辨率图像的像素为5*5

1、水平和垂直累积直方图

a、使用countNonZero函数计算每一行或每一列的非0像素数，存放在矩阵mhist中

b、使用minMaxLoc函数求出mhist中的最大值

c、使用convertTo函数将mhist中所有的元素都除以这个最大值

Mat ProjectedHistogram(Mat img, int t)
{
    int sz=(t)?img.rows:img.cols;
    Mat mhist=Mat::zeros(1,sz,CV_32F);

    for(int j=0; j<sz; j++){
        Mat data=(t)?img.row(j):img.col(j);
        mhist.at<float>(j)=countNonZero(data);
    }

    //Normalize histogram
    double min, max;
    minMaxLoc(mhist, &min, &max);
    
    if(max>0)
        mhist.convertTo(mhist,-1 , 1.0f/max, 0);

    return mhist;
}

2、特征提取

mhist的所有元素+vhist的所有元素+低分辨率图像的所有像素

低分辨率图像可以是5*5，10*10，15*15，20*20，需要训练和测试来确定哪个最适合

Mat features(Mat in, int sizeData){
    //Histogram features
    Mat vhist=ProjectedHistogram(in,VERTICAL);
    Mat hhist=ProjectedHistogram(in,HORIZONTAL);
    
    //Low data feature
    Mat lowData;
    resize(in, lowData, Size(sizeData, sizeData) );

    if(DEBUG)
        drawVisualFeatures(in, hhist, vhist, lowData);
    
   
    //Last 10 is the number of moments components
    int numCols=vhist.cols+hhist.cols+lowData.cols*lowData.cols;
    
    Mat out=Mat::zeros(1,numCols,CV_32F);
    //Asign values to feature
    int j=0;
    for(int i=0; i<vhist.cols; i++)
    {
        out.at<float>(j)=vhist.at<float>(i);
        j++;
    }
    for(int i=0; i<hhist.cols; i++)
    {
        out.at<float>(j)=hhist.at<float>(i);
        j++;
    }
    for(int x=0; x<lowData.cols; x++)
    {
        for(int y=0; y<lowData.rows; y++){
            out.at<float>(j)=(float)lowData.at<unsigned char>(x,y);
            j++;
        }
    }
    if(DEBUG)
        cout << out << "\n===========================================\n";
    return out;
}

这样，通过features函数可提取出每一个训练样本的特征F_NUM，作为ANN的输入层

Mat layerSizes = (Mat_<int>(1, 3) << F_NUM, Hidden_NUM, classSum);