使用Python+OpenCV实现具有数字识别和整数线性规划的自动数独（数字位置）求解器...

数独是一个基于逻辑的数字放置难题，它由81个单元格组成，分为9列9行。该游戏的目标是用数字1–9填充每个单元格，以便在每一行，每一列和每一块中都没有重复的数字。

在这篇文章中，旨在介绍一种基于数字识别和基于整数线性规划的自动数独求解器，它使用以下内容：Keras（基于MNIST数据库）和OpenCV用于数字识别，而PuLP用于整数线性规划。

另外，计划详细介绍整数线性规划部分，只稍微涉及数字识别和提取部分（图像处理）

MNIST数据库是手写数字的大型数据库，通常用于训练各种图像处理系统。该数据库还广泛用于机器学习领域的训练和测试。

这篇文章的其余部分安排如下：

1. 使用OpenCV进行数字提取并使用Keras进行数字识别

2. 用于数独解谜的带有PuLP的公式和Python3代码

3. 数独游戏图像上的数字位置

4. 用示例数独难题测试所开发的求解器

图1 自动数独求解器的概念图

1. 使用OpenCV进行数字提取并使用Keras进行数字识别

在本节中，将解释用于数字识别的图像处理概述。下面，对示例代码进行了简单描述。

• 图像处理：高斯模糊，阈值处理，调整大小以使用基于MNIST的数字识别模型进行预测

• 数字提取：基于轮廓，裁剪和变形图像

• 数字识别：基于MNIST的数字识别模型（当我使用现有的经过训练的模型时，我将不提供用于数字识别建模的示例代码。）

第1部分 设置

import cv2
import pulp
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from PIL import Image
from itertools import product
from tensorflow.keras.models import load_model
from keras.preprocessing import image

MNIST_MODEL_PATH = 'model/mnist_model.h5' # trained model path
SUDOKU_PUZZLE_IMAGE_PATH = 'image/sample_sudoku_puzzle.png' # sample sudoku puzzle image path

第2部分 数字提取和识别函数

def _image_processing_for_extracting_digits(_SUDOKU_PUZZLE_IMAGE_PATH):
    
    # read image as gray scale
    _image = cv2.imread(_SUDOKU_PUZZLE_IMAGE_PATH)
    _gray_scale_image = cv2.cvtColor(_image, cv2.COLOR_BGR2GRAY)
    
    # applying gaussian blurring to reduce background noise
    _gaussian_blurred_gray_scale_image = cv2.GaussianBlur(_gray_scale_image,(1,1),cv2.BORDER_DEFAULT)
    
    # applying inverse binary threshold
    _ret, _inverse_binary_threshold_image = cv2.threshold(_gray_scale_image, 180, 255,cv2.THRESH_BINARY_INV)
    
    # applying probabilistic hough transform