Найти лучший регион интереса после обнаружения края в OpenCV

Question

Я хотел бы применить OCR к некоторым изображениям 7 сегментных дисплеев на стене. Моя стратегия заключается в следующем:

1. Скрытого Img в оттенках серого
2. Размытие IMG уменьшить ложные кромки
3. Пороговой IMG в двоичный IMG
4. Применить обнаружение Кання Грань
5. Set Область интересов (ROI) на рисунке, заданном силуэтом номера
6. Масштаб ROI и Шаблон соответствует области

Как установить ROI, чтобы моя программа не искала шаблон по всему изображению? Я хотел бы установить базу ROI на количество найденных краев или что-то более полезное, если кто-то может мне помочь.

Я изучал Классификацию Каскада и Хаара, но я не знаю, как применить его к моей проблеме.

Вот изображение после того, как предварительно обработаны и края обнаружены:

оригинал изображения

Answer 1

Если это представитель числа ребер вы будете иметь дело с вы можете попробовать красивую наивную стратегию, например, скопировать окно ROI-finder через двоичное изображение, которое просто суммирует значения пикселей и не срабатывает, если это значение не превышает пороговое значение. Это должно оптимизировать все пустые поверхности.

Редактировать: Ok несколько менее наивных подходов. Если у вас есть какие-то априорные знания, например, вы знаете, что фотография хорошо выровнена (и не сильно повернута или перекошена), вы можете сделать несколько проходов с решеткой с низким высоким уровнем низких частот, настроенной для захвата краев с обеих сторон сегмент, используя разные шкалы как в размерах x, так и y. Хороший удар в обоих направлениях даст подсказки не только о ROI, но и о том, какой масштаб шаблона начать (слишком большие и слишком маленькие решетки сразу не ударяют оба края).

Вы можете сделать обнаружение blob, а затем применить свои шаблоны к блокам в свою очередь (возврат к слиянию капель, если оценка соответствия шаблону ниже порогового значения, если ваш сегмент номера случайно разбит на разделы). Размер blob может снова дать вам некоторый намек на шкалу шаблона для применения.

Answer 2

Прежде всего, учитывая, что исходное изображение имеет светодиодный дисплей, и поэтому освещенная область имеет более высокую интенсивность, чем трест, я бы произнесла преобразование цвета Юва на исходное изображение, а затем работаю с интенсивностью плоскость (Y).

Далее, если вы знаете, что изображение хорошо выровнено (т. Е. Не повернуто), я бы предложил применять отдельные горизонтальные и вертикальные детекторы кромок, а не общий детектор кромок (вас не интересуют диагональные линии). Например.

sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5) 
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=5) 

В противном случае вы можете использовать обнаружения контура, чтобы найти границы цифр (хотя вы, возможно, потребуется выполнить Разбавить, чтобы закрыть промежутки между светодиодными сегментами.

Далее я построил бы горизонтальные и вертикальные гистограммы выходных данных этих ребер или контуров. Это поможет вам определить «занятые» области изображения, которые содержат много ребер.

Наконец, я бы породил плоскость Y и исследовал каждый из ROI с помощью своего шаблона.