Desarrollo de Python
  1. Desarrollo de Python
  3. Python: Segmentación de imágenes como proceso previo para clasificación
Intereting Posts
Python Firebase en tiempo real oyente Encuentra y reemplaza cadenas en Excel (.xlsx) usando Python En PyQt4, ¿es posible separar las tabs de un QTabWidget? Establecer la posición del cursor en un widget de texto En ConvexHull de scipy’s, ¿qué mide el “área”? ¿Cuántos bytes por elemento hay en una lista de Python (tupla)? Los valores distintos de Django Query funcionan pero no puedo usar el resultado de la consulta Implementando la API DiffMatchPatch de Google para Python 2/3 El método más eficiente para obtener claves para valores similares en un dict. cómo hacer flecha más fina matplotlib Regresión OLS: Scikit vs. Statsmodels? Configuración del entorno virtual de Python para usar Python 3 ¿Cómo extraer el estado celular y el estado oculto de un modelo RNN en tensorflow? longitud variable de% s con el operador% en python Tome una lista, devuelva una lista de Verdadero / Falso basado en valores duplicados consecutivos

Python: Segmentación de imágenes como proceso previo para clasificación

¿Qué técnica recomienda para segmentar los caracteres en esta imagen para que estén listos para alimentar un modelo como los que se usan con el conjunto de datos MNIST; porque toman un personaje a la vez. Esta pregunta no tiene en cuenta la importancia de transformar la imagen y su binarización.

¡Gracias!

introduzca la descripción de la imagen aquí

Como punto de partida probaría lo siguiente:

  1. Utilice el umbral de OTSU.
  2. A continuación, realice algunas operaciones morfológicas para eliminar el ruido y aislar cada dígito.
  3. Ejecutar labling componente conectado.
  4. Alimente cada componente conectado a su clasificador para que reconozca el dígito si el puntaje de clasificación es bajo descarte.
  5. La validación final espera que todo el dígito esté más o menos en línea y en más o menos una distancia constante entre sí.

Aquí están las primeras 4 etapas. Ahora necesita agregar su software de reconocimiento para reconocer los dígitos. 

import cv2 import numpy as np from matplotlib import pyplot as plt # Params EPSSILON = 0.4 MIN_AREA = 10 BIG_AREA = 75 # Read img img = cv2.imread('i.jpg',0) # Otzu threshold a,thI = cv2.threshold(img,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU) # Morpholgical se = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(1,1)) thIMor = cv2.morphologyEx(thI,cv2.MORPH_CLOSE,se) # Connected compoent labling stats = cv2.connectedComponentsWithStats(thIMor,connectivity=8) num_labels = stats[0] labels = stats[1] labelStats = stats[2] # We expect the conneccted compoennt of the numbers to be more or less with a constats ratio # So we find the medina ratio of all the comeonets because the majorty of connected compoent are numbers ratios = [] for label in range(num_labels): connectedCompoentWidth = labelStats[label,cv2.CC_STAT_WIDTH] connectedCompoentHeight = labelStats[label, cv2.CC_STAT_HEIGHT] ratios.append(float(connectedCompoentWidth)/float(connectedCompoentHeight)) # Find median ratio medianRatio = np.median(np.asarray(ratios)) # Go over all the connected component again and filter out compoennt that are far from the ratio filterdI = np.zeros_like(thIMor) filterdI[labels!=0] = 255 for label in range(num_labels): # Ignore biggest label if(label==1): filterdI[labels == label] = 0 continue connectedCompoentWidth = labelStats[label,cv2.CC_STAT_WIDTH] connectedCompoentHeight = labelStats[label, cv2.CC_STAT_HEIGHT] ratio = float(connectedCompoentWidth)/float(connectedCompoentHeight) if ratio > medianRatio + EPSSILON or ratio < medianRatio - EPSSILON: filterdI[labels==label] = 0 # Filter small or large compoennt if labelStats[label,cv2.CC_STAT_AREA] < MIN_AREA or labelStats[label,cv2.CC_STAT_AREA] > BIG_AREA: filterdI[labels == label] = 0 plt.imshow(filterdI) # Now go over each of the left compoenet and run the number recognotion stats = cv2.connectedComponentsWithStats(filterdI,connectivity=8) num_labels = stats[0] labels = stats[1] labelStats = stats[2] for label in range(num_labels): # Crop the bounding box around the component left = labelStats[label,cv2.CC_STAT_LEFT] top = labelStats[label, cv2.CC_STAT_TOP] width = labelStats[label, cv2.CC_STAT_WIDTH] height = labelStats[label, cv2.CC_STAT_HEIGHT] candidateDigit = labels[top:top+height,left:left+width] # plt.figure(label) # plt.imshow(candidateDigit)

OTSU thrshold imagen

Me conecto a la respuesta de Amitay.

Para el 2: utilizaría el adelgazamiento como operación morfológica (mire el algoritmo de adelgazamiento en opencv )

Para el 3: Y en OpenCV 3.0 ya existe una función llamada cv :: connectedComponents )

Espero eso ayude