opencv 数字识别 数码管

已于 2022-04-16 17:19:17 修改
阅读量2.1k 收藏 39
点赞数 5
分类专栏： 记录 文章标签： opencv 计算机视觉 qt
于 2021-02-20 17:56:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42239488/article/details/113857409
版权

在这里插入图片描述

QT opencv 万用表 数码管数字识别

首先，设备及配置

1、qt5.12 + msvc2013

用MinGW 也没问题

在这里插入图片描述

2、opencv3.0.0

在这里插入图片描述

3、摄像头是普通USB无驱

摄像头

一、配置.pro文件

pro文件添加以下内容
按照自己的路径更改

INCLUDEPATH +=D:/opencv/opencv_300/opencv/build/include/opencv \
D:/opencv/opencv_300/opencv/build/include/opencv2 \
D:/opencv/opencv_300/opencv/build/include

CONFIG(debug, debug|release) {
LIBS += -LD:/opencv/opencv_300/opencv/build/x64/vc12/lib \
-lopencv_world300
-lopencv_world300d
}
CONFIG(release, debug|release) {
LIBS += -LD:/opencv/opencv_300/opencv/build/x64/vc12/lib \
-lopencv_world300
-lopencv_world300d
}

二、添加界面配置

在这里插入图片描述
getimg 按钮： 获取当前画面截图
saveimg按钮： 保存已经获取的截图
load template按钮: 加载要匹配的模板图片
start 按钮: 模板加载后，点击，开始识别程序
comboBox 控件： 选择模板匹配所需的模式
三个label控件： 一个显示摄像头画面，一个显示截图，一个显示模板图片

三、主要处理步骤

在这里插入图片描述

1、模板匹配并切割


/*Method
0: SQDIFF           平方差匹配
1: SQDIFF NORMED    标准平方差匹配
2: TM CCORR         相关匹配
3: TM CCORR NORMED  标准相关匹配
4: TM COEFF         相关匹配
5: TM COEFF NORMED" 标准相关匹配
对于方法 SQDIFF 和 SQDIFF_NORMED,
越小的数值代表更高的匹配结果. 而对于其他方法, 数值越大匹配越好*/

			//开始匹配
            Mat originimg = frame.clone();
            cv::matchTemplate(originimg,thTemplateImage,result,match_method);
            cv::normalize(result,result,0,1,NORM_MINMAX,-1,Mat());  //归一化数据

            //取出最佳匹配结果
            double Val;
            double minVal,maxVal;
            Point  minLoc,maxLoc,matchLoc;
            minMaxLoc(result,&minVal,&maxVal,&minLoc,&maxLoc,Mat());
            if(match_method == 0 ||match_method == 1){

                matchLoc = minLoc;
                Val = minVal;
            }
            else {
                matchLoc = maxLoc;
                Val = maxVal;
            }

            //截取图像
            Rect rect(matchLoc.x,
                      matchLoc.y,
                      thTemplateImage.cols,
                      thTemplateImage.rows);

2、轮廓提取

 	//边缘检测
    Canny(thresholdImg,cannyImg,50,200,3);

    //提取最大轮廓
    vector<vector<Point>> contours;    //储存轮廓
    vector<Vec4i> hierarchy;
    findContours(cannyImg, contours, hierarchy,
                 RETR_CCOMP, CHAIN_APPROX_SIMPLE);    //获取轮廓

3、矩形包围

从以上轮廓中查找最大的轮廓，多边形逼近获得矩形轮廓。

 	//提取最大面积轮廓 矩形包围
    vector<vector<Point>> polyContours(contours.size());

    int maxArea = 0;
    for (int index = 0; index < contours.size(); index++){
        if (contourArea(contours[index]) > contourArea(contours[maxArea]))
            maxArea = index;
        //多边形逼近
        approxPolyDP(contours[index], polyContours[index], 100, true);
    }

    //过滤掉面积gauss小的轮廓
    if(contourArea(contours[maxArea]) <= 28000)     
    {
        qDebug()<<"未检测到合适面积"<<contourArea(contours[maxArea]);
        return;
    }

    //画出矩形
    drawContours(orgImg, polyContours, maxArea, Scalar(0,0,255), 2);

4、定位矩形四点

参考博文：利用OpenCV提取图像中的矩形区域（PPT屏幕等）
凸包检测，在图片中画出，获取四个点的位置参数

	//凸包检测 获取矩形四个点
    vector<int>  hull;
    convexHull(polyContours[maxArea], hull, false);    //检测该轮廓的凸包

    if(hull.size() != 4)
    {
        qDebug()<<"检测到非矩形的点";
        return;
    }

    //画出点
    for (int i = 0; i < hull.size(); ++i){
        circle(orgImg, polyContours[maxArea][i], 10, Scalar(255, 0, 0), 3);
    }

效果如图
效果图

5、透视变换（将捕捉的图像矫正）

参考博文：利用OpenCV提取图像中的矩形区域（PPT屏幕等）

透视变换之前要对图像做一系列的处理工作，减少干扰

特别注意的是，调整腐蚀和膨胀，使小数点和左右的数字分离，否则较难识别

  Mat orgImg,cannyImg,grayImg,thresholdImg,turnedImg,gaussImg;
    orgImg    = src.clone();

    turnedImg = src.clone();

    //灰度图
    cvtColor(orgImg,grayImg,cv::COLOR_BGR2GRAY);

    //高斯模糊
    GaussianBlur(grayImg,gaussImg,Size(3,3),1.5);

    //二值化
    threshold(grayImg,thresholdImg,120,255,THRESH_BINARY_INV);

    //开运算 白色区域先腐蚀后膨胀
    Mat element = getStructuringElement(MORPH_RECT,Size(3,3));
    morphologyEx(thresholdImg,thresholdImg,MORPH_OPEN,element);

    //腐蚀 分离小数点
    Mat element1 = getStructuringElement(MORPH_RECT,Size(5,5));
    erode(thresholdImg,thresholdImg,element1);

处理完成后，正式进入透视变换步骤：

首先，计算出凸包检测得出的矩形四点的相对位置，
得出矩形左上、右上、右下、左下的位置

根据四点位置与dstPoints四点，获得变换矩阵
根据变换矩阵即可得到校正后的图形

效果如下图
因为原图像本身变形不大，所以透视变换的效果有限，
20度以内的旋转形变，矫正是没问题的
在这里插入图片描述

 	//目标坐标 我这里按照实际情况向内侧延伸了一部分，排除边缘的影响
    Point2f srcPoints[4], dstPoints[4]; //左上，右上，右下， 左下
    dstPoints[0] = Point2f(-30, 0);
    dstPoints[1] = Point2f(5*62, 0);
    dstPoints[2] = Point2f(5*62, 7*34);
    dstPoints[3] = Point2f(-30, 7*34);

    //对检测到的矩形四个点进行排序 分出左上 右上 右下 左下
    bool sorted = false;
    int n = 4;
    while (!sorted){
        for (int i = 1; i < n; i++){
            sorted = true;
            if (polyContours[maxArea][i-1].x > polyContours[maxArea][i].x){
                swap(polyContours[maxArea][i-1], polyContours[maxArea][i]);
                sorted = false;
            }
        }
        n--;
    }

    if (polyContours[maxArea][0].y < polyContours[maxArea][1].y){
        srcPoints[0] = polyContours[maxArea][0];
        srcPoints[3] = polyContours[maxArea][1];
    }
    else{

        srcPoints[0] = polyContours[maxArea][1];
        srcPoints[3] = polyContours[maxArea][0];
    }

    if (polyContours[maxArea][2].y < polyContours[maxArea][3].y){
        srcPoints[1] = polyContours[maxArea][2];
        srcPoints[2] = polyContours[maxArea][3];
    }
    else{
        srcPoints[1] = polyContours[maxArea][3];
        srcPoints[2] = polyContours[maxArea][2];
    }


    //获取变换矩阵 坐标变换
    Mat transMat = getPerspectiveTransform(srcPoints,dstPoints);

    warpPerspective(thresholdImg , outputImg, transMat,
                    thresholdImg.size(),INTER_LINEAR// INTER_LINEAR | WARP_INVERSE_MAP
                    );

6、垂直投影法分割字符

参考博文：Opencv2.4学习：：垂直投影法分割字符
如图，上图是直方图，下图是按直方图分割后的图片
在这里插入图片描述

    Mat orgImg,thorgImg,cannyImg;

    int src_width  = inputsrc.cols;
    int src_height = inputsrc.rows;
    int* projectValArry = new int[src_width]();//创建用于储存每列白色像素个数的数组

    //取列白色像素个数
    for (int i = 0; i < src_height; i++){
        for (int j = 0; j < src_width; j++){
            if (inputsrc.at<uchar>(i, j)){
                projectValArry[j]++;
            }
        }
    }

    /**************将每列白色像素数目绘制成直方图***************************/
    //定义画布 绘制垂直投影下每列白色像素的数目
    Mat verticalProjectionMat(src_height, src_width, CV_8UC1, Scalar(0));
    for (int i = 0; i< src_width; i++){
        for (int j = 0; j < projectValArry[i]; j++){
            verticalProjectionMat.at<uchar>(src_height-j-1,i) = 255;
        }
    }
    imshow("verticalProjectionMat", verticalProjectionMat);


    /*********根据每列白色像素数目设置截取起始和截止列***********************/
    //定义Mat vector ，存储图片组
    vector<Mat> split_src;

    //定义标志，用来指示在白色像素区还是在全黑区域
    bool white_block = 0, black_block = 0;

    //定义列temp_col_forword  temp_col_behind，记录字符截取起始列和截止列
    int temp_col_forword=0,temp_col_behind = 0;

    Mat split_temp;
    //遍历数组projectValArry
    for (int i = 0; i < src_width; i++){
        if (projectValArry[i]){//表示区域有白色像素
            white_block = 1;
            black_block = 0;
        }
        else{				//若无白色像素（进入黑色区域）
            if (white_block == 1){//若前一列有白色像素
                temp_col_behind = i;//取当前列为截止列

                split_temp=inputsrc(Rect(temp_col_forword, 0, temp_col_behind - temp_col_forword, src_height)).clone();
                split_src.push_back(split_temp);
            }
            temp_col_forword = i;//记录最新黑色区域的列号，记为起始列
            black_block = 1;//表示进入黑色区域
            white_block = 0;
        }
    }

7、穿线法识别数字

参考博文：OpenCV识别数码管穿线法（基础版）
小数点识别也可以参照此方法

在这里插入图片描述

//识别中间行的单个数字
void MyThread::myDiscern(Mat n)
{
    //1的图像，使用穿线会是8。应该从它的尺寸入手，高远大于宽，这里我们选取3倍比.
    if(3*n.cols<n.rows)
    {
        emit thSetNumber(1);
        qDebug()<<"数字：1";
        return;
    }
    //竖线
    int x_half=n.cols/2;
    //上横线
    int y_one_third=n.rows/3;
    //下横线
    int y_two_third=n.rows*2/3;
    //每段数码管，0灭，1亮
    int a=0,b=0,c=0,d=0,e=0,f=0,g=0;

    //竖线识别a,g,d段
    for(int i=0;i<n.rows;i++)
    {
        uchar *data=n.ptr<uchar>(i);
        if(i<y_one_third)
        {
            if(data[x_half]==255) a=1;
        }
        else if(i>y_one_third&&i<y_two_third)
        {
            if(data[x_half]==255) g=1;
        }
        else
        {
            if(data[x_half]==255) d=1;
        }
    }

    //上横线识别：
    for(int j=0;j<n.cols;j++)
    {
        uchar *data=n.ptr<uchar>(y_one_third);
        //f
        if(j<x_half)
        {
            if(data[j]==255) f=1;
        }
        //b
        else
        {
            if(data[j]==255) b=1;
        }
    }

    //下横线识别：
    for(int j=0;j<n.cols;j++)
    {
        uchar *data=n.ptr<uchar>(y_two_third);
        //e
        if(j<x_half)
        {
            if(data[j]==255) e=1;
        }
        //c
        else
        {
            if(data[j]==255) c=1;
        }
    }

    //七段管组成的数字
    if(a==1 && b==1 && c==1 && d==1 && e==1 && f==1 && g==0)
    {
        emit thSetNumber(0);
        qDebug()<<"数字：0";
        return;
    }
    else if(a==0 && b==1 && c==1 && d==0 && e==0 && f==0 && g==0)
    {
        emit thSetNumber(1);
        qDebug()<<"数字：1";
        return;
    }
    else if(a==1 && b==1 && c==0 && d==1 && e==1 && f==0 && g==1)
    {
        emit thSetNumber(2);
        qDebug()<<"数字：2";
        return;
    }
    else if(a==1 && b==1 && c==1 && d==1 && e==0 && f==0 && g==1)
    {
        emit thSetNumber(3);
        qDebug()<<"数字：3";
        return;
    }
    else if(a==0 && b==1 && c==1 && d==0 && e==0 && f==1 && g==1)
    {
        emit thSetNumber(4);
        qDebug()<<"数字：4";
        return;
    }
    else if(a==1 && b==0 && c==1 && d==1 && e==0 && f==1 && g==1)
    {
        emit thSetNumber(5);
        qDebug()<<"数字：5";
        return;
    }
    else if(a==1 && b==0 && c==1 && d==1 && e==1 && f==1 && g==1)
    {
        emit thSetNumber(6);
        qDebug()<<"数字：6";
        return;
    }
    else if(a==1 && b==1 && c==1 && d==0 && e==0 && f==0 && g==0)
    {
        emit thSetNumber(7);
        qDebug()<<"数字：7";
        return;
    }
    else if(a==1 && b==1 && c==1 && d==1 && e==1 && f==1 && g==1)
    {
        emit thSetNumber(8);
        qDebug()<<"数字：8";
        return;
    }
    else if(a==1 && b==1 && c==1 && d==1 && e==0 && f==1 && g==1)
    {
        emit thSetNumber(9);
        qDebug()<<"数字：9";
        return;
    }
    else
    {
        //printf("[error_%d_%d_%d_%d_%d_%d_%d]",a,b,c,d,e,f,g);
        return;
    }

}

最终识别结果图中红色框框：

在这里插入图片描述

内容因为讲解需要，很多部分是截取的，有缺失

需要源码的，自行下载：https://gitee.com/laomaogu/qt_opencv_DigitalRecognition.git.

老毛鸪
关注
  • 5
    点赞
  • 踩
  • 39
    收藏
    觉得还不错? 一键收藏
  • 17
    评论
专栏目录
opencv 数字识别 附完整代码
06-02 1万+
本文大部分代码转自：https://blog.csdn.net/ltg01/article/details/50492556看到原文有很多人求完整代码，于是在这里给出完整代码，并且补充了更详细的注释，以便于更好的理解代码。具体的步骤和思路，原文里有详细的说明，这里就不再阐述了。以下为完整代码：#include "cv.h" #include "highgui.h" #include "cxcore...
基于opencv数码管数字识别
qq_34359028的博客
12-19 4249
int shiBieShuMaGuan(Mat &img) { int num = 0; Mat roi,binary; //大小设置为模板大小 resize(img,roi,Size(20,28)); threshold(roi,binary,200,255,THRESH_BINARY); // imshow("ss",binary); int
OpenCV之七段数码管识别（含代码）
ZONGXP的博客
12-19 1万+
1 背景 利用opencv识别数码管，采用传统的穿线法，前提是利用深度学习目标检测的方法，在机柜中将数码管区域切割出来，然后再对切割出来的区域进行识别，判断数字是多少。切割出来的形状如图所示： 数码管各段表示为 2 识别思路 先对数码管进行灰度化和二值化，将数字变为255，背景变为0，然后利用穿线法，对abcdefg7个区域依次穿线，判断是否有255的值，有则表示该区域高亮，最后结...
使用OpenCV模板匹配进行Qt桌面仪表数字识别（详细攻略）
qq_52852432的博客
06-16 330
导师让干的活，要传给别人，记录一下自己的付出和成果希望后生能好好为老师服务，别当一个不负责的人
opencv识别数码管数字
九月清晨的博客
08-11 2195
基于opencv的数码管图片数字识别。
opencv实现数码管数字的识别小白篇（python）
qq_35935600的博客
03-05 944
原图 -> 灰度处理 -> 二值化处理（数字部分为白色）-> 膨胀处理 -> 寻找轮廓找出所有数字的轮廓，分别传入识别函数（穿针法识别：tubo_roi为各段的区域，通过判断abcdefg有哪几个是白色，来组合成不同的数字）特殊数字：1 ，通过长宽比大于2来判断为数字1。
基于OpenCV的数码管数字识别
MengchiCMC的博客
06-13 1万+
利用OpenCV可实现工业仪表设备的读数识别。仪表一般可分为两：数字式仪表和指针式仪表，本博文主要介绍一下数字式仪表识别的关键技术。下图是用软件模拟的数码管图片，本文识别的也就是图中的数字。一、图像定位 在实际的应用场景中，拍摄到的仪表区域很有可能会包含多余的背景部分，一个比较简单的解决方法是在拍摄时先行设定一个边界区域，提醒拍摄者将待识别的内容限制在区域中。后期识别时直接提取边界区域内的信息进行
opencv 数字识别详细教程
热门推荐
LTG01的博客
01-10 6万+
最近要做数字识别这块，但是自己又完全不懂这个，网上搜资料搜了好多，但是都没找到完整代码。只有自己慢慢搞，下面写下自己的过程以及代码有不好的地方希望大神可以指出，大家相互交流下。有需要完整代码的可以留下邮箱 我是在VS2013 和opencv 2.4.9 环境下实现的。关于环境的搭建和配置以及软件的下载可以可以参考，http://blog.csdn.net/ltg01/article/detail
opencv 数码管数字识别（一）
海底小星星的博客
06-07 6428
一、图像定位确定感兴趣区域，初步计划先鼠标手动选择感兴趣区域，然后提取每一个数字进行识别。（需要使用回调函数）。二、图像预处理1、灰度化；2、二值化，进行初步感兴趣区域分割；3、根据具体情况进行一定程度的膨胀腐蚀；（目的是将数码管的数字构成连通区域，便于后续的提取操作。）4、膨胀腐蚀后数码管数字连通，可以进行轮廓提取；5、根据轮廓的x坐标信息进行排序；（目的是便于后续进行数字提取后有个顺序，以保证...
利用python-opencv对LED数码管显示数字进行有效识别
Gray.Sky.MzY
07-17 5561
因为项目原因，现在要搞一个LED数码管的数字识别，识别包含各种各样的数码管，需要做通用匹配的文件，主要是利用opencv的的函数调用，并结合段式数码管的发光物理特性进行有效识别。 在项目中因为需要匹配各种各样的数码管，包含数字+小数点的识别，因此实际效果非常好。 各种数码管的图片都是通过网络下载以后，然后标定需要识别的POI区域，对POI区域内的数字加小数点进行有效识别。非常简单，大概调试了3天左右。 有需要合作的项目可以私信联系 以下是识别图片内的数码管显示内容结果描述： ...
树莓派 OpenCV 数码管数字识别
11-13
总之，"树莓派 OpenCV 数码管数字识别"项目提供了一个从图像采集、处理到识别的完整流程，通过结合KNN算法，为初学者展示了如何在现实世界中应用计算机视觉技术。通过深入学习和实践，你可以掌握这一领域的关键技能...
opencv识别数码管数字（基于穿线法）C++
12-09
基于C++，可在liunx下运行，对与高光干扰和噪声有很好的抑制效果，鲁棒性很好。旋转旋转图片代码实现了
opencv数码管识别程序
01-10
接下来，要识别数码管的每一个段，可以使用形态学操作来分离每个段的形状。例如，闭运算可以连接断开的线条，而开运算可以消除小的噪声点。然后，我们可以通过轮廓检测找到每个独立的段，并计算它们的几何特征，如...
opencv+ 穿线法识别数码管数字
04-14
总的来说，使用OpenCV和穿线法识别数码管数字是一种有效的解决方案，它结合了图像处理技术和数学算法，实现了从原始图像到数字识别的全过程。如果你在实际操作中遇到任何问题，可以与其他开发者交流，共同探讨解决...
opencv 数字识别
08-10
OpenCV 是一个强大的开源计算机视觉库，它包含了大量的图像处理和计算机视觉算法，适用于各种应用场景，包括数字识别。在这个特定的项目中，我们关注的是使用 C++ 和 OpenCV 库来实现数字识别。尽管描述中提到识别率...
基于opencv[python]的人脸检测
m0_65963495的博客
07-25 2820
从这里可以清晰看到有1/3的图像没有成功检测到，后面我试试用Faster R-CNN模型，不过需要标注，数据量也大，这里先试着玩玩呗。
OpenCV车牌识别技术详解
极客代码
07-21 1580
本节介绍了OpenCV中的图像预处理技术，包括图像读取与显示、图像灰度化、图像二值化、图像形态学操作和图像轮廓提取。通过Python代码示例，展示了如何使用这些功能来处理车牌图像，为后续的车牌定位和字符分割做好准备。这些预处理步骤是车牌识别系统中不可或缺的部分，它们有助于提高识别的准确性和效率。后续文章将继续介绍OpenCV的其他功能模块和技术原理。本节介绍了OpenCV中的车牌定位技术，包括基于边缘检测的方法和基于颜色分割的方法。通过Python代码示例，展示了如何使用这些方法来定位车牌在图像中的位置。
图像生成中图像质量评估指标—FID介绍
最新发布
u013889591的专栏
07-27 1833
Fréchet Inception Distance（\textbf{FID}）是一种衡量生成模型性能的指标，它基于Inception网络提取的特征来计算模型生成的图像与真实图像集合之间的距离。FID利用了Inception模型（通常指的是InceptionV3）来提取图像的特征表示。然后，它计算了两组特征（真实图像和生成图像）的Fréchet距离，即均值和协方差之间的距离。
opencv数码管数字识别python
12-13
OpenCV是一个开源的计算机视觉库，提供了许多图像处理和计算机视觉方面的功能。在Python中，我们可以利用OpenCV来进行数码管数字的识别。数码管数字通常是在一些仪表或者显示屏上显示的数字，利用OpenCV我们可以将这些数字进行识别并提取出来。 首先，我们需要利用OpenCV读取数码管数字所在的图像，然后对图像进行预处理，包括灰度化、二值化、滤波等操作，以便后续数字识别算法能够更好地工作。接着，我们可以利用一些数字识别算法来识别图像中的数字，比如基于模板匹配、轮廓检测、机器学习等方法。最后，我们将识别出的数字进行处理，可以输出到屏幕上或者进行其他后续处理。 通过利用OpenCV进行数码管数字识别，我们可以实现自动化的数字识别和提取，这在很多实际应用中都具有重要意义。比如在工业自动化中，可以利用这种方法对仪表上的读数进行自动化的采集和处理；在智能仪器或者机器人中，也可以利用这种方法来对显示屏上的数字进行识别和理解。 总之，利用OpenCV来进行数码管数字识别是一项非常有意义的工作，能够极大地提高数字识别的效率和准确性，也能够为很多实际应用带来便利和可能性。
评论 17
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值