Python + OpenCV: ROC de la Segmentation d'Images

Un tutoriel sur la première étape que vous avez décrit est disponible à pyimagesearch (et ils ont beaucoup de tutoriels en général)

En bref, comme décrit par Ella, vous devez utiliser cv2.CHAIN_APPROX_SIMPLE. Un peu plus robuste que la méthode serait d'utiliser cv2.RETR_LIST au lieu de cv2.RETR_EXTERNAL et puis trier les domaines, comme il se doit décemment de travail, même dans un fond blanc/si la page inscrit une plus grande forme à l'arrière-plan, etc.

Venir à la deuxième partie de votre question, un bon moyen de segmenter les caractères serait d'utiliser le au Maximum stable extrémal région extracteur disponible dans OpenCV. Une mise en œuvre complète en RPC ici dans un projet que j'avais en aidant à récemment. Le Python de la mise en œuvre permettrait d'aller le long de la lignes de Code ci-dessous fonctionne pour OpenCV 3.0+. Pour le OpenCV 2.x la syntaxe, consultez en ligne)

import cv2

img = cv2.imread('test.jpg')
mser = cv2.MSER_create()

#Resize the image so that MSER can work better
img = cv2.resize(img, (img.shape[1]*2, img.shape[0]*2))

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
vis = img.copy()

regions = mser.detectRegions(gray)
hulls = [cv2.convexHull(p.reshape(-1, 1, 2)) for p in regions[0]]
cv2.polylines(vis, hulls, 1, (0,255,0)) 

cv2.namedWindow('img', 0)
cv2.imshow('img', vis)
while(cv2.waitKey()!=ord('q')):
    continue
cv2.destroyAllWindows()

Cela donne le résultat sous la forme

Maintenant, pour éliminer les faux positifs, vous pouvez simplement faire défiler les points de coques, et calculer le périmètre (somme de la distance entre tous les points adjacents dans des enveloppes[i], où les coques[i] est une liste de tous les points dans un convexHull). Si le périmètre est trop grand, le classer comme pas un personnage.

La diagnol à travers les lignes de l'image sont à venir, car la frontière de l'image est en noir. cela peut être tout simplement supprimé par l'ajout de la ligne suivante dès que l'image est en lecture (en dessous de la ligne 7)

img = img[5:-5,5:-5,:]

qui donne à la sortie

Prétraitement de l'image en convertissant le texte souhaité dans l'avant-plan à noir en tournant de fond indésirable à blanc peut aider à améliorer la précision de l'OCR. En outre, en supprimant les lignes horizontales et verticales peuvent améliorer les résultats. Voici l'image prétraitée après la suppression des bruits indésirables tels que les lignes horizontales et verticales. Remarque la disparition de la frontière et de la table de lignes de

import cv2
# Load in image, convert to grayscale, and threshold
image = cv2.imread('1.jpg')
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
# Find and remove horizontal lines
horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (35,2))
detect_horizontal = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, horizontal_kernel, iterations=2)
cnts = cv2.findContours(detect_horizontal, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
cv2.drawContours(thresh, [c], -1, (0,0,0), 3)
# Find and remove vertical lines
vertical_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1,35))
detect_vertical = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, vertical_kernel, iterations=2)
cnts = cv2.findContours(detect_vertical, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
cv2.drawContours(thresh, [c], -1, (0,0,0), 3)
# Mask out unwanted areas for result
result = cv2.bitwise_and(image,image,mask=thresh)
result[thresh==0] = (255,255,255)
cv2.imshow('thresh', thresh)
cv2.imshow('result', result)
cv2.waitKey()