Цифры OpenCV объединяются в окружающие коробки

Ответ 1

Вот код, который, кажется, работает достаточно хорошо. Существует два этапа:

• Можно заметить, что цифры немного смелее, чем коробки. Плюс все изображение имеет сильную горизонтальность. Таким образом, мы можем применять растяжение сильнее горизонтально, чтобы избавиться от большинства вертикальных линий.
• На данный момент OCR, например Google, могут обнаруживать большинство номеров. К сожалению, он слишком хорош и видит другие вещи, поэтому я добавил еще одну фазу, более сложную и весьма связанную с вашим конкретным контекстом.

Вот один результат изображения после 1-й фазы:

И вот все результаты после второй фазы:

Как вы видите, это не идеально, 8 можно рассматривать как B (ну, даже такой человек, как я, видит его как B... но его можно легко устранить, если у вас есть только номера в вашем мире). Существует также как символ ":" (наследие от удаленной вертикальной линии), из-за которого я не могу избавиться либо от чрезмерной настройки кода...

Код С#:

static void Unbox(string inputFilePath, string outputFilePath)
{
    using (var orig = new Mat(inputFilePath))
    {
        using (var gray = orig.CvtColor(ColorConversionCodes.BGR2GRAY))
        {
            using (var dst = orig.EmptyClone())
            {
                // this is what I call the "horizontal shake" pass.
                // note I use the Rect shape here, this is important
                using (var dilate = Cv2.GetStructuringElement(MorphShapes.Rect, new Size(4, 1)))
                {
                    Cv2.Dilate(gray, dst, dilate);
                }

                // erode just a bit to get back some numbers to life
                using (var erode = Cv2.GetStructuringElement(MorphShapes.Rect, new Size(2, 1)))
                {
                    Cv2.Erode(dst, dst, erode);
                }

                // at this point, good OCR will see most numbers
                // but we want to remove surrounding artifacts

                // find countours
                using (var canny = dst.Canny(0, 400))
                {
                    var contours = canny.FindContoursAsArray(RetrievalModes.List, ContourApproximationModes.ApproxSimple);

                    // compute a bounding rect for all numbers w/o boxes and artifacts
                    // this is the tricky part where we try to discard what not related exclusively to numbers
                    var boundingRect = Rect.Empty;
                    foreach (var contour in contours)
                    {
                        // discard some small and broken polygons
                        var polygon = Cv2.ApproxPolyDP(contour, 4, true);
                        if (polygon.Length < 3)
                            continue;

                        // we want only numbers, and boxes are approx 40px wide,
                        // so let discard box-related polygons, if any
                        // and some other artifacts that passed previous checks
                        // this quite depends on some context knowledge...
                        var rect = Cv2.BoundingRect(polygon);
                        if (rect.Width > 40 || rect.Height < 15)
                            continue;

                        boundingRect = boundingRect.X == 0 ? rect : boundingRect.Union(rect);
                    }

                    using (var final = dst.Clone(boundingRect))
                    {
                        final.SaveImage(outputFilePath);
                    }
                }
            }
        }
    }
}

Ответ 2

Просто предложение, я этого никогда не пробовал.

Вместо того, чтобы пытаться удалять бары, держите их и тренируйтесь на всех возможных положениях бара. Обрежьте бары символами для правильного выравнивания.

02032018022018. Думаю, лучше имитировать бары на чистых персонажах.

Ответ 3

В частности, посмотрите на свой 1 в 2018 ниже в случае с Yves Daoust casus... что почти "n" или как три четверти целого числа 0 а 8 становится буквой B 2 можно считать инвертированным 6. В некоторых случаях 0 можно читать как 6 и т.д. Даже некоторые из них могут оказаться "неузнаваемыми", если вы оставите сетку на месте. Таким образом, мой подход:

1. Вывод избыточной сетки-информации помогает лучше идентифицировать целые числа, которые имеют прямые линии внутри них, такие как 0,1, 2, 4, 5 и 7.
2. Затем следует обучение персонажа с использованием классификатора Cascade.

Кривизны некоторых цифр легко обнаруживаются после удаления сетки и обучения. Это уменьшит 90-95 процентов ваших ложных отрицательных обращений на реальные целые числа (истинные положительные результаты) или тележки (истинные негативы). Вам тогда нужно только беспокоиться о тех 5-10 процентах.

Документацию и информацию о кодовых примерах можно найти здесь, в OpenCV, здесь, в Code-Robin, и здесь, в github.

Значения изображения 02032018022018: