写在前面：
一个做传感器的朋友遇到了一个问题。他需要使用网络分析仪做一些测试，但是这个网络分析仪不能保存这些动态数据，以前采用的是这样的方法：先用手机录像，再用视频编辑软件一帧一帧的回放视频，手动把数据抄下来，比较麻烦。因此我想尝试用python写一段小程序，代替人工操作。如图是手机拍摄的视频其中一张截图，图中的 433.03500 Mhz 就是我们需要的数据，它1s内会变化几十次。
视频截图
我的思路是先将视频分帧提取成图片，然后再识别数据，最后再保存。但是存在一个问题，视频中存在很多不需要的数字和文字，如果全部提取出来就很不好分类。所以我打算将提取出的图片分块，保留需要的图片块。如下图是整个流程的思维导图。
流程思维导图
接下里就是各个部分的分别测试了，首先是视频分帧。我采用的是opencv。
安装 opencv：打开 cmd 输入
pip install opencv-python
这里给出 opencv 的官方文档链接：https://opencv-python-tutroals.readthedocs.io/en/latest/
以下代码是将指定视频每一帧读取并安顺序命名保存，还是比较简单的。调试过程中没有遇到什么问题，就直接放在这里了。其中 frame 变量就是读取出的图片。需要将视频和代码放在一个文件夹下。
#视频转图片 import cv2 video_path = 'test.mp4' # 视频地址 vid = cv2.VideoCapture(video_path)#打开视频 n = 0 while vid.isOpened(): is_read, frame = vid.read() if is_read: cv2.imwrite(str(n) + '.jpg', frame) cv2.waitKey(2)#输出图片 else: break
如果测试使用的视频太长会导致程序会运行很久，我测试用的视频只有6s，却提取出了100多张图片。所以在测试的时候可以加一些条件，比如每10帧截取一次图片 等。这样可以提高调试效率。
在后面数字识别的时候我发现识别结果的准确率很低，查了一些资料并进行了一些 测试后，我发现将图片变成黑白的可以很大的提高识别精度。这里使用到了 pillow 库。至此还剩一个问题，opencv 读出来的是 opencv 的图片格式，pillow 库使用 的是 img 格式，两种格式并不一样，所以这里需要小小的转换一下。以下是将 opencv 读取出的图片变成灰度图片并保存的代码。
#提取视频图片并保存为黑白图片 import cv2 import numpy from PIL import Image video_path = 'test_2.mp4' # 视频地址 vid = cv2.VideoCapture(video_path)#打开视频 is_read, frame = vid.read() if is_read: image_opencv = cv2.cvtColor(frame,cv2.COLOR_BGR2RGB) image_org = Image.fromarray(image_opencv) image_org = image_org.convert('L') image_org.save('image_gray.jpg')#保存 #以下代码是把上面的四行简写成两行了,最终程序这样写看起来会简洁些 #image_org = Image.fromarray(cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)).convert('L') #image_org.save('org.jpg') print("原图片尺寸为:\n" , image_org.size)
这里我只保存了第一张的截图。图片效果如下。
视频的第一张灰度截图
在后续的识别中还遇到了这样一个问题，代码会把其他不需要的数字识别出来，比如上图的设备型号 E5071C 等等。这样就导致后面数据不好处理。考虑到拍摄视频的时候手机是固定不动的，视频中需要识别的数据位置基本不会改变。所以我想直接手动截取需要的那一块图片，然后再去识别（方法有点笨 QAQ 我也没办法啦！）。因为之前已经变成 pillow 的 img 格式了，就直接使用 crop() 方法进行切割吧。
具体使用方法是这样的：因为截取的是一个矩形区域，只要确定左上角和右下角的两个点的坐标，就能确定这个矩形区域的位置。在 crop(x1,y1,x2,y2) 中，这是两个点的坐标，第一个是左上角的点，第二个是右下角的点。使用的时候自己观察一下大概要截取哪一部分的图片，修改这两个点的坐标值就可以了。
于是我就写了一个小工具来确定这两个坐标值。我将原尺寸的图片和截取的图片都保存下来，这样就可以直接观察截取的区间对不对了。这里还用到了下一部分的识别模块，等下就讲，那一句可以先注释掉。只需要运行下面的代码，看看截取的区间是否合适并且程序是否能识别就可以了。如果可以正确识别，我们就得到了这个合适的区间。
#确定区间的小工具 import cv2 import pytesseract import numpy from PIL import Image name_of_result_file = 'result'#保存截图结果的图片文件名,可修改 name_of_frame_file = 'frame'#保存截图结果的图片文件名,可修改 box = (260, 880, 560, 1450)#数据,根据实际情况修改 result = ''#保存结果的字符串 video_path = 'test.mp4' # 视频地址 vid = cv2.VideoCapture(video_path)#打开视频 is_read, frame = vid.read() if is_read: image_org = Image.fromarray(cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)).convert('L') image_org.save('img_org.jpg')#原尺寸的图片 region = image_org.crop(box)#截取左边的数字
region.save('crop.jpg')
result = pytesseract.image_to_string(region)#识别图片 print(result)
这个区间不太好确定，需要多试几次，如下图所示就得到了可使用的区间了。
识别结果
截取区间
至此图片处理部分就结束了。手动截取图片区间的时候需要注意，区间不能太小，否则什么都识别不出来，具体原因我也不清楚。我多次测试发现这个区间并不好找，我觉得主要原因还是原视频的清晰度不够，导致截取出来的图片很糊。我自己看起来都和马赛克一样，怎么让程序处理呢。如果视频比较清楚，那这个区间应当是很好找的。
转载请注明出处： https://www.cnblogs.com/mysteriouspavilion/articles/15389927.html