基于OpenCV及Python的数独问题识别与求解(二)边框识别与图像矫正

在上一篇文章中经过预处理得到了较为纯净的数独问题图像,下一步是使用OpenCV的轮廓检测函数,识别并提取数独问题的最外层边框。

边框提取

首先进行轮廓检测。轮廓检测的原图像必须是二值化的图像,可以通过threshold或Canny等方法得到。同时,待检测的图像背景应为黑色而轮廓为白色,这也是上一篇中使用二值化时将图像反相的原因。

注意:在OpenCV 3.2版本后,函数不再对原图像进行修改而是将修改后的函数作为返回值的第一个,因此新版本中该函数有3个返回值而不是旧版本的2个,参考官方教程。但在函数说明中,又说3.2版本后不再对图像进行修改(modify),据本人观察返回值中图像与原图像没有区别。

在预处理后二值图像中使用 cv2.findContours 函数检测所有的轮廓,代码如下:

img, contours, hierarchy = cv2.findContours(img_thresh, cv2.RETR_EXTERNAL,
                                            cv2.CHAIN_APPROX_SIMPLE)
其中第二个参数选择最外层边框即可,选其他方式也可以,因为接下来会遍历找到的所有轮廓,并使用函数找到其中**面积最大**的轮廓,此轮廓即数独问题最外层边框,代码如下:
max_area = 0
biggest_contour = None
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area > max_area:
        max_area = area
        biggest_contour = cnt

接下来我们要用一个掩膜( mask )屏蔽边框之外画面,使用 cv2.drawContours() 绘制轮廓,其中第五个参数 thickness 如果为负数则会填充轮廓内部,这里使用的 cv2.FILLED 值就等于 -1 。所以下面代码先是在全黑的图像上绘制了白色(255)的轮廓并填充轮廓内部,又用黑色(0)绘制了一次轮廓线进一步缩小掩膜,最后将掩膜与原图像进行与运算,得到纯净的数独画面。

mask = np.zeros(img_brightness_adjust.shape, np.uint8)
cv2.drawContours(mask, [biggest_contour], 0, 255, cv2.FILLED)
cv2.drawContours(mask, [biggest_contour], 0, 0, 
评论 6
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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