pythonopencv4數字識別

1. python opencv查找某圖片是否包含字母a

能查找圖片中是否包含字母A，就能查找圖片中是否包含B。
能查找圖片中是否包含A、B，就能查找圖片中都包含哪些字母。
能查找圖片中都包含哪些字母，就能做一個驗證碼識別或者車牌識別的程序出來。

所以，你可以去查一下驗證碼識別或者車牌識別的源碼。問題就搞定了。
就說到這了。

2. 如何在Python中使用OpenCV的

0.下載安裝Opencv，當前版本為249.

1.下載Python，當前OPencv版本為249，不過其支持的最新版本的Python為2.7，所以可以下載276版本。

2.下載numpy，開始我使用了1.6，沒有通過，錯誤如圖。下載了最新的1.8.1版本。

3.將Opencv安裝目錄下opencvuildpython2.7x86中的cv2.pyd復制到python安裝目錄Libsite-packages下。

4.找到opencv源文件內的draw.py運行。

~如果你認可我的回答，請及時點擊【採納為滿意回答】按鈕

~~手機提問的朋友在客戶端右上角評價點【滿意】即可。

~你的採納是我前進的動力

~~O(∩_∩)O，記得好評和採納，互相幫助，謝謝。

3. 如何利用Python做簡單的驗證碼識別

1摘要

驗證碼是目前互聯網上非常常見也是非常重要的一個事物，充當著很多系統的防火牆功能，但是隨時OCR技術的發展，驗證碼暴露出來的安全問題也越來越嚴峻。本文介紹了一套字元驗證碼識別的完整流程，對於驗證碼安全和OCR識別技術都有一定的借鑒意義。

然後經過了一年的時間，筆者又研究和get到了一種更強大的基於CNN卷積神經網路的直接端到端的驗證識別技術（文章不是我的，然後我把源碼整理了下，介紹和源碼在這裡面）：

基於python語言的tensorflow的『端到端』的字元型驗證碼識別源碼整理(github源碼分享)

2關鍵詞

關鍵詞：安全,字元圖片,驗證碼識別,OCR,Python,SVM,PIL

3免責聲明

本文研究所用素材來自於某舊Web框架的網站完全對外公開的公共圖片資源。

本文只做了該網站對外公開的公共圖片資源進行了爬取，並未越權做任何多餘操作。

本文在書寫相關報告的時候已經隱去漏洞網站的身份信息。

本文作者已經通知網站相關人員此系統漏洞，並積極向新系統轉移。

本報告的主要目的也僅是用於OCR交流學習和引起大家對驗證安全的警覺。

4引言

關於驗證碼的非技術部分的介紹，可以參考以前寫的一篇科普類的文章：

互聯網安全防火牆（1）--網路驗證碼的科普

裡面對驗證碼的種類，使用場景，作用，主要的識別技術等等進行了講解，然而並沒有涉及到任何技術內容。本章內容則作為它的技術補充來給出相應的識別的解決方案，讓讀者對驗證碼的功能及安全性問題有更深刻的認識。

5基本工具

要達到本文的目的，只需要簡單的編程知識即可，因為現在的機器學習領域的蓬勃發展，已經有很多封裝好的開源解決方案來進行機器學習。普通程序員已經不需要了解復雜的數學原理，即可以實現對這些工具的應用了。

主要開發環境：

• python3.5

• python SDK版本

• PIL

• 圖片處理庫

• libsvm

• 開源的svm機器學習庫

關於環境的安裝，不是本文的重點，故略去。

6基本流程

一般情況下，對於字元型驗證碼的識別流程如下：

• 准備原始圖片素材

• 圖片預處理

• 圖片字元切割

• 圖片尺寸歸一化

• 圖片字元標記

• 字元圖片特徵提取

• 生成特徵和標記對應的訓練數據集

• 訓練特徵標記數據生成識別模型

• 使用識別模型預測新的未知圖片集

• 達到根據「圖片」就能返回識別正確的字元集的目標

7素材准備

7.1素材選擇

由於本文是以初級的學習研究目的為主，要求「有代表性，但又不會太難」，所以就直接在網上找個比較有代表性的簡單的字元型驗證碼（感覺像在找漏洞一樣）。

最後在一個比較舊的網站（估計是幾十年前的網站框架）找到了這個驗證碼圖片。

原始圖：



• def get_feature(img): """


• 獲取指定圖片的特徵值,


• 1. 按照每排的像素點,高度為10,則有10個維度,然後為6列,總共16個維度


• :param img_path:


• :return:一個維度為10（高度）的列表 """



• width, height = img.size



• pixel_cnt_list = []


• height = 10 for y in range(height):


• pix_cnt_x = 0 for x in range(width): if img.getpixel((x, y)) == 0: # 黑色點


• pix_cnt_x += 1



• pixel_cnt_list.append(pix_cnt_x) for x in range(width):


• pix_cnt_y = 0 for y in range(height): if img.getpixel((x, y)) == 0: # 黑色點


• pix_cnt_y += 1



• pixel_cnt_list.append(pix_cnt_y) return pixel_cnt_list



然後就將圖片素材特徵化，按照libSVM指定的格式生成一組帶特徵值和標記值的向量文

4. python怎麼識別圖片文字

可以調用opencv來進行識別

5. 如何使用python和opencv實現人眼識別

程序實現思路如下：

利用級聯分類器檢測出人臉區域，再在人臉區域中檢測出眼睛的區域，檢測出眼睛的區域之後，用跟蹤演算法咔嚓眼睛降低運算量，避免每一幀都去檢測眼睛。

代碼如下：

代碼中用到的級聯分類器初始化XML下載：

[cpp]view plain

• //OpenCV版本3.0.0

• //交流QQ2487872782

• 2016-8-4註：很報歉，此代碼目前不能公開發表在博客上，已經刪除，希望大家能理解！

代碼運行結果如下圖所示：




上圖是無眼鏡的情況！

說明一下：這段代碼只實現了一隻眼睛的檢測，如果要實現兩隻眼睛也不能，說下思路吧，上面代碼中的eyes[0]代表檢測到的第一隻眼睛，其實eyes[1]中還存儲了第二隻眼睛的區域哦！

-------------------------------------------
歡迎大家加入圖像識別技術交流群：271891601，另外，特別歡迎成都從事圖像識別工作的朋友交流，我的QQ號2487872782

6. 如何利用Python 做驗證碼識別

用python加「驗證碼」為關鍵詞在里搜一下，可以找到很多關於驗證碼識別的文章。我大體看了一下，主要方法有幾類：一類是通過對圖片進行處理，然後利用字型檔特徵匹配的方法，一類是圖片處理後建立字元對應字典，還有一類是直接利用ocr模塊進行識別。不管是用什麼方法，都需要首先對圖片進行處理，於是試著對下面的驗證碼進行分析。
一、圖片處理
這個驗證碼中主要的影響因素是中間的曲線，首先考慮去掉圖片中的曲線。考慮了兩種演算法：
第一種是首先取到曲線頭的位置，即x=0時，黑點的位置。然後向後移動x的取值，觀察每個x下黑點的位置，判斷前後兩個相鄰黑點之間的距離，如果距離在一定范圍內，可以基本判斷該點是曲線上的點，最後將曲線上的點全部繪成白色。試了一下這種方法，結果得到的圖片效果很一般，曲線不能完全去除，而且容量將字元的線條去除。
第二種考慮用單位面積內點的密度來進行計算。於是首先計算單位面積內點的個數，將單位面積內點個數少於某一指定數的面積去除，剩餘的部分基本上就是驗證碼字元的部分。本例中，為了便於操作，取了5*5做為單位范圍，並調整單位面積內點的標准密度為11。處理後的效果：
二、字元驗證
這里我使用的方法是利用pytesser進行ocr識別，但由於這類驗證碼字元的不規則性，使得驗證結果的准確性並不是很高。具體哪位大牛，有什麼好的辦法，希望能給指點一下。
三、准備工作與代碼實例
1、PIL、pytesser、tesseract
(1)安裝PIL：下載地址：http:// www. pythonware. com/procts/pil/(2)pytesser:下載地址：http :/ /code. google. com/p/pytesser/,下載解壓後直接放在代碼相同的文件夾下，即可使用。
(3)Tesseract OCR engine下載：http: / / code.google. com/p/tesseract-ocr/，下載後解壓，找到tessdata文件夾，用其替換掉pytesser解壓後的tessdata文件夾即可。
2、具體代碼
復制代碼
#encoding=utf-8
###利用點的密度計算
import Image,ImageEnhance,ImageFilter,ImageDrawimport sys
from pytesser import *
#計算范圍內點的個數
def numpoint(im):
w,h = im.size
data = list( im.getdata() )
mumpoint=0
for x in range(w):
for y in range(h):
if data[ y*w + x ] !=255:#255是白色
mumpoint+=1
return mumpoint
#計算5*5范圍內點的密度
def pointmi(im):
w,h = im.size
p=[]
for y in range(0,h,5):
for x in range(0,w,5):
box = (x,y, x+5,y+5)
im1=im.crop(box)
a=numpoint(im1)
if a<11:##如果5*5范圍內小於11個點，那麼將該部分全部換為白色。
for i in range(x,x+5):
for j in range(y,y+5):
im.putpixel((i,j), 255)
im.save(r'img.jpg')
def ocrend():##識別
image_name = "img.jpg"
im = Image.open(image_name)
im = im.filter(ImageFilter.MedianFilter())enhancer = ImageEnhance.Contrast(im)
im = enhancer.enhance(2)
im = im.convert('1')
im.save("1.tif")
print image_file_to_string('1.tif')
if __name__=='__main__':
image_name = "1.png"
im = Image.open(image_name)
im = im.filter(ImageFilter.DETAIL)
im = im.filter(ImageFilter.MedianFilter())enhancer = ImageEnhance.Contrast(im)
im = enhancer.enhance(2)
im = im.convert('1')
##a=remove_point(im)
pointmi(im)
ocrend()

7. opencv 圖像識別 c python哪個快

兩者主要的區別在於介面和效率。
實際上Python和C++的OpenCV介面幾乎一樣，不同的是用C++的話，矩陣用的是cv::Mat，Python裡面用的是numpy.array，用法和介面都不一樣，但文檔豐富，使用也非常方便，原理也相似。
效率方面，Python的介面實際上只是一層Binding，最終還是調用libopencv_*.so裡面的函數，所以在OpenCV這一層效率與C++是完全一致的。唯一不同的就是它的numpy.array和cv::Mat。Numpy底層也是使用C Extension的方法寫，但相比C++版的OpenCV介面，Python的介面需要把Numpy的數據轉化成OpenCV的C介面可接受的輸入。
實測Python寫的程序會慢，但具體慢多少並沒有測試數據可支撐。
用Python寫實際上也不會比C++開發快多少，因為介面都是一樣的，我建議不如直接用C++寫。
簡單說兩句，選python還是C++，考慮下面幾個問題
1. 性能壓力在哪裡？python的GIL使得多線程不能多核並行，必須用多進程，而且天生python要比c++慢一些。因此如果是cpu密集型，建議用C++，如果是IO密集型，python沒有那麼大的劣勢。
2. 開發成本高還是運行成本高，一個開發人員一個月多少錢，一個伺服器一個月多少錢，通常來說前者越來越貴而後者反之，權衡下利弊，C++開發要比python慢，在性能都達標的情況下，如果節省的伺服器成本能抵過開發成本，用C++，反之用python。
1，差不多，基本調用參數都一樣，格式符合各自語言規范。
2，在我開發的程序中python比cpp明顯有差距，但是換到工作用的電腦上這個差距就看不錯來了，so，硬體配置好一些，用python做實時也是沒有問題的。外，感覺同樣的函數python就是比cpp慢一些，雖然上面說到python底層用的也是lib。
3，基本一樣。（python可能功能稍微差一點2.4.8版本有個函數沒在python中找到，但是也就那一個）
4，python比較簡單，開發可能快一點（主要是軟體的其他部分可能比較容易開發）。

8. 如何從python中opencv的數組讀取原始PNG

比如元組s轉為列表。。？ 轉換就是list()和tuple()。哪來的數組python中只有列表和元組

9. python怎麼識別條形碼

一般思路是用Opencv解析條碼圖片，用NumPy做數值計算，中國區的條碼是是EAN13條形碼，找找這方面的資料吧，我也不是很清楚條碼的編碼解碼規則，也沒興趣去深入了解。理解了規則，再動手去做編碼解碼的活，就很簡單了，所以你要做的事就是：

1. 用cv2載入圖像，並轉換成單通道圖像，並解析圖像。

2. 跟據條碼規則和圖像解析結果，進行解碼。

3. 輸出結果。