Python 非均匀背景图像中的字符检测

我试图做字符检测，必须在字符周围画一个框，然后裁剪，然后输入神经网络进行识别。一切正常，但在我使用单色背景图像上的字符集之前，分割很容易完成

然而，对于真实的照片，我有不同的照明条件，真的很难找到轮廓。 在应用了一些自适应阈值后，我成功地获得了以下结果，但从那开始，我真的不知道如何正确地继续并检测每个角色。我可以很容易地发现一半的字符，但不是全部。可能是因为它们被许多不相关的小轮廓所包围。 我觉得还有一步要走，但我不知道是哪一步。 Find Countours只能找到大约一半的字符

简而言之，现在我在做：

im_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
im_gray = cv2.GaussianBlur(im_gray, (5, 5), 0)
_, th1 = cv2.threshold(im_gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
cim, ctrs, hier = cv2.findContours(th1.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

及

下图-原始图像和中间结果的一些变化

---

所以问题是-分割字符的步骤是什么？

您可以执行高斯差分。想法是用两个不同的核模糊图像，并减去它们各自的结果：

代码：

im = cv2.imread(img, 0)

#--- it is better to take bigger kernel sizes to remove smaller edges ---
kernel1 = 15
kernel2 = 31

blur1 = cv2.GaussianBlur(im,(kernel1, kernel1), 0) 
blur2 = cv2.GaussianBlur(im,(kernel2, kernel2), 0) 

cv2.imshow('Difference of Gaussians',blur2 - blur1)

结果：

im = cv2.imread(img, 0)

#--- it is better to take bigger kernel sizes to remove smaller edges ---
kernel1 = 15
kernel2 = 31

blur1 = cv2.GaussianBlur(im,(kernel1, kernel1), 0) 
blur2 = cv2.GaussianBlur(im,(kernel2, kernel2), 0) 

cv2.imshow('Difference of Gaussians',blur2 - blur1)

---

您是否尝试过降低噪音。Wiki中有一些可怕的名字，所以请尝试在opencv中搜索特定的技术，以查看结果（例如）。谢谢！实际上我还没试过这个。是的，可怕的名字并不可怕：）太好了，谢谢！这实际上比我所有的研究结果都要好struggles@Alex尝试改变内核的大小，可以看到不同的结果。