- 先来张效果图
网络异常,图片无法展示
|
- 处理的方式
图像灰度化->二值化处理->形态学(膨胀)->轮廓提取->得到矩形边框->数据过滤->图像提取->图像匹配 复制代码
- 得到轮廓矩形边框
#根据轮廓获取最小矩形边框 x, y, w, h = cv.boundingRect(cnts[i]) 复制代码
网络异常,图片无法展示
|
- 数据过滤
#轮廓获取得到的是上面图,下面的会有一些干扰项#通过拿到边框的坐标,然后根据宽高的比例进行过滤,我这里根据宽高的差 x, y, w, h = cv.boundingRect(cnts[i]) print(x,y,w,h) if(abs(w-h)>20): continue 复制代码
- 数据识别
#识别之前要做的是边框排序,根据上面拿到的轮廓数据#这里按照Y,X递增的方式进行 questionCnts2 = sorted(questionCnts.copy(), key=lambda x: (x[1],x[0])) #排序我这里遇到了问题,因为每行棋子识别的时候,坐标有些高低差导致排序结果可能跟棋盘显示有些出入#其实识别之后可以根据上一篇文章得到的棋盘表格一步一步的得到棋子,我这里没做#我用了个笨办法处理的 就是每行的Y轴根据个大致范围固定了 if abs(y - 19) < 20: y = 19 if abs(y - 88) < 20: y = 88 #拿到了边框后我们可以根据边框截取抠图了 x, y, w, h = questionCnts2[i] # print(x, y, w, h) im = img[y:y + h, x:x + w] #抠图后然后根据模板匹配算法得到最匹配的模板 result = cv.matchTemplate(cv.resize(old_img,None,fx=0.8, fy=0.8, interpolation = cv.INTER_CUBIC),tempImg,cv.TM_CCOEFF) (_, score, _, _) = cv.minMaxLoc(result) if check_score == 0 or score > check_score: #最大得分项 check_score = score #最大得分项的文件名,然后根据字典获取棋子名称 check_img = fileName 复制代码
- 最终效果图
这里可以再完善下通过上一篇获取的棋盘信息进行棋盘保存
网络异常,图片无法展示
|