（附完整python源码）基于tensorflow、opencv的入门案例_发票识别二：字符分割

发票识别二1.imread读入“发票代码区域”或者“发票号码码区域”；2.调整高度，直方图均衡化，形态学，阈值分割。颜色反转：文字置为白色，背景置为黑色；3.获取目标区域的最小外接矩形。消除被包围的轮廓，消除不合理尺寸的矩形；4.为了便于后期输入到cnn网络，将图像设置为28×28,不拉伸，全0填充(仿射变换—平移缩放)，保存并排序；5.通过SVM判断矩形框内的图片是否数字,按从左到右顺序保存序列数字。6.分割完毕，使用一个简单cnn模型逐个识别即可。（见发票识别三）

#encoding:utf-8

import cv2

import numpy as np

import util_funs

#将img的高度调整为28，先后对图像进行如下操作：直方图均衡化，形态学，阈值分割

def pre_treat(img):

    height_ = 28

    ratio_ = float(img.shape[1])/float(img.shape[0])

    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    gray = cv2.resize(gray,(int(ratio_*height_),height_))

    gray = cv2.equalizeHist(gray)

    _, binary = cv2.threshold(gray, 50, 255, cv2.THRESH_BINARY)

    img_ = 255 - binary #反转：文字置为白色，背景置为黑色

    return img_

#删掉不合理尺寸的矩形

def get_roi(contours):

    rect_list = []

    for i in range(len(contours)):

        rect = cv2.boundingRect(contours[i])

        if  rect2[3] > 10:

            rect_list.append(rect2)

    return rect_list

#获取目标区域的最小外接矩形

def get_rect(img):

    _,contours,hierarchy = cv2.findContours(img_, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

    rect_list = get_roi(contours)

    #消除内部轮廓，比如“0”内外各有1个轮廓

    del_rect = delete_(rect_list)

    return del_rect.solve()

#将图像设置为28×28,不拉伸，全0填充(仿射变换——平移缩放)

def change_(img):  

    length = 28  

    h,w = img.shape  

    H = np.float32([[1,0,(length-w)/2],[0,1,(length-h)/2]])  

    img = cv2.warpAffine(img,H,(length,length))  

    M = cv2.getRotationMatrix2D((length/2,length/2),0,26/float(img.shape[0]))  

    return cv2.warpAffine(img,M,(length,length))  

def get_img_list(rect_list):

     #保存所有初轮筛选出的图片于img_list中

    img_list = []

    for rect in rect_list:

        w1,w2 = rect2[0],rect2[0]+rect2[2]  

        h1,h2 = rect2[1],rect2[1]+rect2[3]

        img_list.append(change_(img.copy()[h1:h2,w1:w2])) 

    return img_list

def get_num_by_SVM(img_list):

    #通过SVM判断矩形框内的图片是否文数字

    #加载已经训练好的m文件。（训练过程在下面）

    svm_judge = joblib.load("train_model.m")

    num_list = []

    for img in img_list:

        if svm_judge.predict(img) == 1:

                      num_list.append(img)

    return num_list

 

def seg_num(img):

    img = pre_treat(img)

    rect_list = get_rect(img_)

    #从左到右边排序。"util_funs.py"见发票识别一

    rect_list = util_funs.sort_region(region,flag = 0)

    #保存所有初轮筛选出的图片于img_list中

    img_list = get_img_list(rect_list)

    img_num = get_num_by_SVM(img_list)

 

if __name__ == "__main__":

    img = cv2.imread("发票代码.jpg")

    img_num = seg_num(img)
 

 

 

--------------------- 
作者：远上寒山 
来源：CSDN 
原文：https://blog.csdn.net/m0_38097087/article/details/80312994 
版权声明：本文为博主原创文章，转载请附上博文链接！