Java基於opencv實現圖像數字識別(二)—基本流程
做一個項目之前呢，我們應該有一個總體把握，或者是進度條；來一步步的督促着我們來完成這個項目，在我們正式開始前呢，我們先討論下流程。
我做的主要是表格中數字的識別，但這個不是重點。重點是通過這個我們可以舉一反三，來實現我們自己的業務。
圖像的識別主要分為兩步：圖片預處理和圖像識別；這兩步都很重要
圖像預處理：
1、 圖像灰度化；二值化
2、 圖像降噪，去除干擾線
3、 圖像腐蝕、膨脹處理
4、 字符分割
5、 字符歸一化
圖像識別：
1、 特征值提取
2、 訓練
3、 測試
灰度化：
在RGB模型中，如果R=G=B時，則彩色表示灰度顏色，其中R=G=B的值叫灰度值；因此，灰度圖像每個像素點只需一個字節存放灰度值(又稱強度值、亮度值)，灰度范圍為0-255。一般常用的是加權平均法來求像素點的灰度值
常見的加權方法如下：
1：）Gray = B ; Gray = G ; Gray = R
2：）Gray = max({B , G , R})
3：）Gray = (B + G + R) / 3
4：）Gray = 0.072169 * B + 0.715160 * G + 0.212671 * R
5：）Gray = 0.11 * B + 0.59 * G + 0.3 * R
這幾種方法中，第一為分量法，即用RGB三個分量的某一個分量作為該點的灰度值；第二種方法為最大值法，將彩色圖像中的三個分量亮度的最大值作為灰度圖的灰度值；第三種方法是將彩色圖像中的三分量求平均得到一個灰度圖；后兩種都屬於加權平均法，其中第四種是opencv開發庫所采用的一種求灰度值算法；第五種為從人體生理學角度所提出的一種求灰度值算法(人眼對綠色的敏感最高，對藍色敏感最低)
二值化：
圖像的二值化，就是將圖像上的像素點的灰度值設置位0或255這兩個極點，也就是將整個圖像呈現出明顯的只有黑和白的視覺效果
圖像降噪：
就是處理掉一些干擾因素；
主要的降噪算法
濾波類：通過設計濾波器對圖像進行處理。特點是速度往往比較快，很多卷積濾波可以借助快速傅里葉變化來加速
稀疏表達類：自然圖片之所以看起來不同於隨機噪音/人造結構，是因為大家發現他們總會在某一個橫型下存在稀疏表達。而我們想排除的噪音往往無法被稀疏化。基於這個判別式模型，用稀疏性來約束自然圖像，在很多逆問題里取得了拔群的效果
外部先驗：如果從有噪音的圖片本身無法找到規律，我們也可以借助其他類似但又沒有噪音的圖片，來總結圖片具有的固有屬性。這一類方法利用的外部圖片來創造先驗條件，然后用於約束需要預測的圖片。最有代表性就是混合高斯模型
聚類低秩：除了可稀疏性，低秩性也是自然圖片常見的一個特性。數學上，可稀疏表達的數據可以被認為是在Union of low-dimensional subspaces；而低秩數據則是直接存在於一個Low-dimensional subspace。這個更嚴格的限制往往也可以取得很好的降噪效果。
深度學習（Deep Learning）：這類可以歸於外部先驗的子類，如果說解決逆問題的關鍵，是尋找一個好的圖像約束器，那么我們為什么不用一個最好的約束器？深度學習方法的精髓，就在於通過大量的數據，學習得到一個高復雜度（多層網絡結構）的圖片約束器，從而將學習外部先驗條件這一途徑推到極限。近期的很多這類工作，都是沿着這一思路，取得了非常逆天的效果。
字符分割：就是把圖片有用的部分一個個分割下來;字符分割有很多方法，但並不是每一種方法都是萬能的，我們需要根據自己的業務來調整；常見的就是投影法和連通域法
投影法：就是分析每一維上黑色像素點的個數(假設是二值化的圖像)，然后設置一個闕值，根據這個闕值來分割圖片
圖像腐蝕、膨脹處理
腐蝕：圖像的一部分區域與指定的核進行卷積，求核的最小值並賦值給指定區域。 腐蝕可以理解為圖像中高亮區域的領域縮小。
膨脹：圖像的一部分區域與指定的核進行卷積，求核的最大值並賦值給指定區域。 膨脹可以理解為圖像中高亮區域的領域擴大。
字符的歸一化：
就是將分割好的圖像內的字符歸一化到一個標准模板大小；歸一化的理想結果就是：歸一化到標准模板大小；傾斜校正；筆畫寬度歸一化；字形歸一化。
注：
本文章參考了很多博客，感謝；主要是跟着一個博客來實現的https://blog.csdn.net/ysc6688/article/category/2913009(也是基於opencv來做的，只不過他是用c++實現的)感謝