opencv如何编码（深度学习OpenCV最常用的操作）
opencv如何编码（深度学习OpenCV最常用的操作）图4：图像二值化操作方法对于一张图像来说，使用OpenCV读取到之后，该图像数据中是包含三个通道的，而对于字符识别来说，黑白图像就完全能够进行识别，因此，第一步就是要将RGB图像转化为二值化的图像，具体操作如图4所示。图2：真实的文本图像下面我们利用OpenCV，实现将上述的文本块变成如图3所示的独立字符。图3 ：字符分割的结果
在前面的文章中，我们对于OpenCV的一些基本操作进行了简要的说明，今天将结合一个实际的例子对OpenCV中的一些复杂操作进行学习。
引言深度学习的发展可以追溯到很早，但是真正的实用系统是1998年LeCun等人在手写体数字识别上进行的研究，如图1所示是手写体数字识别的数据集MINIST。目前，在该数据集上使用深度学习的方法识别率能够达到99%以上。其识别的主要思路是将该问题定义成一个分类问题，然后设计一个深度学习模型，通过大量训练，最后得到结果。
图1：MINIST数据集示例
即使是对于中文字符，在足够规模的训练集下，也能够达到很好的效果（模型的定义及训练将在后续逐步进行展开）。但是细心的同学可能会发现，我们平时在实际中看到的往往是一长串手写体数字，或者是如图3所示的文本图像。即使我们有一个训练好的字符识别模型，也没有办法直接应用到实际的场景中去，因为我们的模型只能识别一个个的字符，而无法识别整块的文本。
图2：真实的文本图像
下面我们利用OpenCV，实现将上述的文本块变成如图3所示的独立字符。
图3 ：字符分割的结果
图像的二值化对于一张图像来说，使用OpenCV读取到之后，该图像数据中是包含三个通道的，而对于字符识别来说，黑白图像就完全能够进行识别，因此，第一步就是要将RGB图像转化为二值化的图像，具体操作如图4所示。
图4：图像二值化操作方法
其中四个关键操作及作用如下：
第5行：图像灰度化。简单说来就是将RGB的图像转化成灰度图像，灰度图像是RGB通道的一个线性组合，公式为： Gray = R*0.299 G*0.587 B*0.114。
第6行：图像二值化。通过二值化操作，可以将灰度图转化为二值化的图。在该函数中，第1个参数是输入图像，第2个参数是阀值，第3个参数是Maxval，第4个参数是转换模式。通过设置不同的阀值，可以实现背景噪声的消除。其中可指定的转换模式如下：
THRESH_BINARY：当前点值大于阈值时，取Maxval，也就是第3个参数，下面再不说明，否则设置为0。
THRESH_BINARY_INV：当前点值大于阈值时，设置为0，否则设置为Maxval。
THRESH_TRUNC：当前点值大于阈值时，设置为阈值，否则不改变。
THRESH_TOZERO：当前点值大于阈值时，不改变，否则设置为0。
THRESH_TOZERO_INV：当前点值大于阈值时，设置为0，否则不改变。
通过
第7行：颜色反转。在图像中，文字是黑色的，其像素值是0，背景是白色的，其值为255。而在计算时往往希望表示文字的值大于0，因此进行颜色反转，使得文字部分的数值大于0。
第8行：图像腐蚀。该操作主要目的是消除一些孤立的毛刺，第2个参数是腐蚀的大小，需要注意该参数的大小，如果选择过大，可能导致文字部分被破坏。
以上操作的结果如图5所示，可以看到原始的图像被转化成为黑底白字的图像，而且每个像素值的大小要么为255，要么为0。
图5：图像二值化效果
投影法字符分割对于一张二值化的图像，有很多的方法，可以从中分割出字符。对于本问题这种印刷体字符的分割，我们可以使用一种简便易行的方法：投影法。具体的操作及效果如图6所示，关键的操作是第13行和第14行，实现按照指定的维度将数据进行累加。该函数的具体用法大家可以参考numpy的用户手册。
图6：图像投影操作及效果
Tips：在前面图像的基本操作中讲过图像数据的存储方式是按行存储，第1个维度（axis=0）是行数，第2个维度（axis=1）是列，需要注意不要弄混。
从图6中可以看到，投影到y轴上的数据出现了非常明显的空隙，对比可以发现，这些空隙与文本图像中的行与行之间的间隔是一一对应的，因而，只要按照这些数据空隙进行分割就能够将文本按行分割。
图7显示的按行分割方法的实现步骤，以及第一行文本的分割及投影效果。从图中我们可以看到，对于包含单行文本的图像，投影到x轴上的数据出现了比较明显的空隙，而这与字符之间的间隔又是相对应的。同理，我们就可以从单行文本中分割出一个一个的字符。
图7：按行分割方法及结果展示
至此，通过一系列操作，我们实现了从一张原始的图像中将字符分割出来。但是这种方法只适用于图片质量相对比较好，特别是横平竖直的图像，一但图像出现旋转，在投影法分割图像时就可以出错，具体解决方法将在下次给出。
作者：花木兰
申明：本文为易学智能原创内容，未经允许请勿转载
欢迎关注“易学智能”头条号，评论区有问必答
www.easyaiforum.cn论坛提在线开发和学习平台
