2. 圖像預(yù)處理

　　前面通過(guò)學(xué)習(xí)產(chǎn)生了分類器，但我們輸入圖像中的數(shù)字并不能直接作為測(cè)試輸入。圖像中的數(shù)字筆畫(huà)有時(shí)并不規(guī)整，還可能相互重疊。因?yàn)楸疚睦訛榱撕?jiǎn)化用的是屏幕截圖，所以位置形變校正，色彩亮度校正等等都省去了，但仍需要一些簡(jiǎn)單處理。下面先對(duì)輸入圖像進(jìn)行一把簡(jiǎn)單的預(yù)處理，主要目的是將數(shù)字之間兩兩分開(kāi)。方法很簡(jiǎn)單，首先將圖像轉(zhuǎn)成二值圖，然后腐蝕一把，數(shù)字之間就分離得比較開(kāi)了，這樣便于我們下一步分割和識(shí)別。這樣做還有個(gè)好處，就是把其余的噪聲也順帶去掉了。

　　cvtColor（input， out_img， CV_BGR2GRAY）;

　　threshold（out_img， out_img， 0， 255， CV_THRESH_OTSU + CV_THRESH_BINARY）;

　　。。。

　　erode（out_img， out_img， elem）;

　　結(jié)果：

　　3. 圖像分割

　　接下來(lái)，就可以對(duì)圖像進(jìn)行分割了。由于我們的分類器只能對(duì)數(shù)字一個(gè)一個(gè)地識(shí)別，所以首先要把每個(gè)數(shù)字分割出來(lái)?；舅枷胧窍扔胒indContours（）函數(shù)把基本輪廓找出來(lái)，然后通過(guò)簡(jiǎn)單驗(yàn)證以確認(rèn)是否為數(shù)字的輪廓。對(duì)于那些通過(guò)驗(yàn)證的輪廓，接下去會(huì)用boundingRect（）找出它們的包圍盒。

　　vector《 vector《 Point》 》 contours;

　　findContours（contour_img， contours， CV_RETR_EXTERNAL， CV_CHAIN_APPROX_NONE）;

　　vector《vector《Point》 》：：iterator it = contours.begin（）;

　　while （it！=contours.end（）） {

　　RotatedRect rect = minAreaRect（Mat（*it））;

　　if（verifyRect（rect））{

　　++it; // A valid rectangle found

　　} else {

　　it= contours.erase（it）;

　　}

　　}

　　。。。

　　vector《Rect》 boundRect（contours.size（））;

　　for （int i = 0; i 《 contours.size（）; ++i） {

　　Scalar color = Scalar（200， 200， 200）;

　　boundRect［i］ = boundingRect（Mat（contours［i］））;

　　rectangle（out_img， boundRect［i］.tl（）， boundRect［i］.br（）， color， 0.2， 8， 0）;

　　CvRect roi = CvRect（boundRect［i］）;

　　IplImage orig = out_img;

　　IplImage *res = cvCreateImage（cvSize（roi.width， roi.height）， orig.depth， orig.nChannels）;

　　cvSetImageROI（&orig， roi）;

　　cvCopy（&orig， res）;

　　cvResetImageROI（&orig）;

　　IplImage *bininv_img;

　　bininv_img = cvCreateImage（cvSize（128， 128）， IPL_DEPTH_8U， 1）;

　　cvResize（res， bininv_img）;

　　cvThreshold（bininv_img， bininv_img， 100， 255， CV_THRESH_BINARY_INV）;

　　int ret = do_ocr（bininv_img）;

　　res_elem elem;

　　elem.num = ret;

　　elem.xpos = boundRect［i］.tl（）.x;

　　res_vec.push_back（elem）;

　　。。。

　　}

　　結(jié)果：