Java基于opencv实现图像数字识别（⼆）—基本流程 sy-118Java基于opencv实现图像数字识别(⼆)—基本流程
做⼀个项⽬之前呢，我们应该有⼀个总体把握，或者是进度条；来⼀步步的督促着我们来完成这个项⽬，在我们正式开始前呢，我们先讨论下流程。
我做的主要是表格中数字的识别，但这个不是重点。重点是通过这个我们可以举⼀反三，来实现我们⾃⼰的业务。
图像的识别主要分为两步：图⽚预处理和图像识别；这两步都很重要
图像预处理：
2、图像降噪，去除⼲扰线
3、图像腐蚀、膨胀处理
4、字符分割
5、字符归⼀化
图像识别：
1、特征值提取
2、训练
3、测试
灰度化：
在RGB模型中，如果R=G=B时，则彩⾊表⽰灰度颜⾊，其中R=G=B的值叫灰度值；因此，灰度图像每个像素点只需⼀个字节存放灰度值(⼜称强度值、亮度值)，灰度范围为0-255。⼀般常⽤的是加权平均法来求像素点的灰度值 常见的加权⽅法如下：
1：）Gray = B ; Gray = G ; Gray = R
2：）Gray = max({B , G , R})
3：）Gray = (B + G + R) / 3
4：）Gray = 0.072169 * B + 0.715160 * G + 0.212671 * R
5：）Gray = 0.11 * B + 0.59 * G + 0.3 * R
这⼏种⽅法中，第⼀为分量法，即⽤RGB三个分量的某⼀个分量作为该点的灰度值；第⼆种⽅法为最⼤值法，将彩⾊图像中的三个分量亮度的最⼤值作为灰度图的灰度值；第三种⽅法是将彩⾊图像中的三分量求平均得到⼀个灰度图；后两种都属于加权平均法，其中第四种是opencv开发库所采⽤的⼀种求灰度值算法；第五种为从⼈体⽣理学⾓度所提出的⼀种求灰度值算法(⼈眼对绿⾊的敏感最⾼，对蓝⾊敏感最低)
⼆值化：
图像的⼆值化，就是将图像上的像素点的灰度值设置位0或255这两个极点，也就是将整个图像呈现出明显的只有⿊和⽩的视觉效果
图像降噪：
就是处理掉⼀些⼲扰因素；
主要的降噪算法
滤波类：通过设计滤波器对图像进⾏处理。特点是速度往往⽐较快，很多卷积滤波可以借助快速傅⾥叶变化来加速
稀疏表达类：⾃然图⽚之所以看起来不同于随机噪⾳/⼈造结构，是因为⼤家发现他们总会在某⼀个横型下存在稀疏表达。⽽我们想排除的噪⾳往往⽆法被稀疏化。基于这个判别式模型，⽤稀疏性来约束⾃然图像，在很多逆问题⾥取得了拔的效果
外部先验：如果从有噪⾳的图⽚本⾝⽆法到规律，我们也可以借助其他类似但⼜没有噪⾳的图⽚，来总结图⽚具有的固有属性。这⼀类⽅法利⽤的外部图⽚来创造先验条件，然后⽤于约束需要预测的图⽚。最有代表性就是混合⾼斯模型
鸟儿的侦察报告聚类低秩：除了可稀疏性，低秩性也是⾃然图⽚常见的⼀个特性。数学上，可稀疏表达的数据可以被认为是在Union of low-dimensional subspaces；⽽低秩数据则是直接存在于⼀个Low-dimensional subspace。这个更严格的限制往往也可以取得很好的降噪效果。
深度学习（Deep Learning）：这类可以归于外部先验的⼦类，如果说解决逆问题的关键，是寻⼀个好的图像约束器，那么我们为什么不⽤⼀个最好的约束器？深度学习⽅法的精髓，就在于通过⼤量 粉煤灰三氧化硫
的数据，学习得到⼀个⾼复杂度（多层⽹络结构）的图⽚约束器，从⽽将学习外部先验条件这⼀途径推到极限。近期的很多这类⼯作，都是沿着这⼀思路，取得了⾮常逆天的效果。
字符分割：就是把图⽚有⽤的部分⼀个个分割下来；字符分割有很多⽅法，但并不是每⼀种⽅法都是万能的，我们需要根据⾃⼰的业务来调整；常见的就是投影法和连通域法
信托公司集合资金信托计划管理办法
投影法：就是分析每⼀维上⿊⾊像素点的个数(假设是⼆值化的图像)，然后设置⼀个阙值，根据这个阙值来分割图⽚
图像腐蚀、膨胀处理
腐蚀：图像的⼀部分区域与指定的核进⾏卷积，求核的最⼩值并赋值给指定区域。腐蚀可以理解为图像中⾼亮区域的领域缩⼩。 99se
膨胀：图像的⼀部分区域与指定的核进⾏卷积，求核的最⼤值并赋值给指定区域。膨胀可以理解为图像中⾼亮区域的领域扩⼤。
字符的归⼀化：
就是将分割好的图像内的字符归⼀化到⼀个标准模板⼤⼩；归⼀化的理想结果就是：归⼀化到标准模板⼤⼩；倾斜校正；笔画宽度归⼀化；字形归⼀化。
注：
本⽂章参考了很多博客，感谢；主要是跟着⼀个博客来实现的(也是基于opencv来做的，只不过他是⽤c++实现的)感谢KU波可调电衰减器
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议