好了，我决定锻炼我的问题来解决上述问题。 我想要的是使用OpenCV的KNearest或SVM功能实现简单的OCR。 以下是我的工作方法。 (这只是为了学习如何将KNearest用于简单的OCR目的。
1 )我的第一个问题涉及OpenCV示例附带的letter_recognition.data文件。 我想知道这份文件的内容。
包含文字和该文字的16个功能。
2 )因为我知道如果不了解所有这些功能，就很难实现。 我试过其他几篇论文，对初学者来说有点难。
soijustdecidedtotakeallthepixelvaluesasmyfeatures.((我并不担心准确性或性能。 我只是希望至少能以最低限度的准确性工作。 ) ) )
我为训练数据拍摄了下图：
我知道训练数据的数量很少。 但是所有文字的字体和大小都一样，所以我决定试试)。
为了准备训练数据，我用OpenCV写了一个小代码。 执行以下操作：
加载图像。
选择数字。 通过明显搜索轮廓，对文字的面积和高度施加限制，避免错误检测。
在文字周围绘制边界矩形，然后等待key press manually。 这次是自己按框中文字对应的数字键。
按相应的数字键将框调整为10x10，在一个数组(这里是示例)中存储100个像素值，在另一个数组(这里是响应)中存储手动输入的数字。
然后，将两个数组保存在单独的txt文件中。
手动数字分类结束后，列车数据(train.png )中的所有数字都是我们自己手动标记的。 图像如下。
以下是我用于上述目的的代码(当然，不干净)。
importsysimportnumpyasnpimportcv2im=cv2.im read (' pi train.png ' ) im3=im.copy ) (gray=cv2.cvtcolor )，im，cvtcolor 2 ) # # # # # # nowfindingcontours # # cv2.retr _ list，cv2.CHAIN_APPROX_SIMPLE ) samples=NP.empty((0， 100 ) ) responses=[ ] keys=[ iforiinrances ] 58 ) forcntincontours : ifcv2. contour area (CNT ) 50:[x，y，w， h]=cv2.boundingrect ) CNT ) ifh283360cv2.即2 ) roi=thresh[y:y h，x : xw ] ROI small=cv2.resize (ROI，) im ) key=cv2.waitkey(0) ifkey==27:# (escapetoquit ) sys.exit ) ) elifkeyinkeys 3360 responses.append (int ) ) elifkeys360responses.ap 100 ) samples=NP . 0 ) responses=NP.array ) responses，np.float32 ) responses=responses 1) print ' training complete ' NP.savetxt (gent )
现在进入训练和测试部分。
为了测试零件，我使用了下面的照片。 这张照片和我训练的文字是同一类型。
在培训方面，我们将：
加载以前保存的txt文件
创建我们正在使用的分类器的实例。 这里是KNearest
然后，使用KNearest.train函数训练数据
为了测试目的，请执行以下操作：
加载用于测试的图像
早期处理图像，使用轮廓法提取每个数字
绘制边框，将大小调整为10x10，然后像以前那样将像素值存储在数组中。
然后，使用KNearest.find_nearest ()函数查找与给定项目最接近的项目。 运气好的话，会识别正确的数字。 ）
在下面的一个代码中包含了最后两个步骤“培训和测试”。
导入c v2导入端口numpyasnp # # # # training部件# # # # # # # # # samples=NP.load txt (general samples.) ) general samples NP.float 32 (responses=NP.load txt (general responses.data 1 ) model=cv2.KNearest () model.train ) samples， responses ) # # # # # # # # # # # # # # # # # # testing part # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # cv2.COLOR_BGR2GRAY ) thresh=cv2.adaptivethreshold ) gray，255，1，1，11 cv2.retr _ list，cv2.chain _ approx y () x w，y h )，0，255，0 )，2 ) roi=thresh[y:y h，x : xw ] ROI small=cv2.resize (ROI，((10，10 ) ) ) 1110 dists=model.find_nearest ) ROIsmall，k string，(x，y h )，0，1，(0，255，0 ) ) cv2.imshow )，im ) cv2.y
有效果了。 以下是我得到的结果。
在这里，以100%的精度动作。 我想这是因为所有的数字都是相同的种类和大小。
但是，无论如何，这对初学者来说是个好的开始。