一、opencv的示例模型文件使用tensorflow实现模型frozen_east_text_detection.pb，下载地址：https://www.dropbox.com/s/r2ingd0l3zt8hxs/frozen_east_text_detection.tar.gz?dl=1 。 参考论文和开源代码如下：EAST: An Efficient and Accurate Scene T
转载
2024-07-10 15:45:48
391阅读
作者 | 小白小伙伴们可能会觉得从图像中提取文本是一件很麻烦的事情，尤其是需要提取大量文本时。PyTesseract是一种光学字符识别（OCR），该库提了供文本图像。PyTesseract确实有一定的效果，用PyTesseract来检测短文本时，结果相当不错。但是，当我们用它来检测表格中的文本时，算法执行失败。图1.直接使用PyTesseract检测表中的文本图1描绘了文本检测结果，绿色框包围了检
转载
2024-02-19 13:49:12
138阅读
引言在利用OpenCV对图像进行处理时，通常会遇到一个情况，就是只需要对部分感兴趣区域进行处理。因此，如何选取感兴趣区域呢？(其实就是“抠图”)。在学习opencv的掩码运算后，尝试实现一个类似halcon的reduce_domain功能，对于实现抠图的过程中，需要掌握的要点就是位运算符和copyTo函数?位运算符的相关API：void bitwise_and(InputArray src1, I
转载
2024-03-19 17:31:04
135阅读
OpenCV是一个巨大的开源库，广泛用于计算机视觉，人工智能和图像处理领域。它在现实世界中的典型应用是人脸识别，物体检测，人类活动识别，物体跟踪等。现在，假设我们只需要从整个输入帧中检测到一个对象。因此，代替处理整个框架，如果可以在框架中定义一个子区域并将其视为要应用处理的新框架，该怎么办。我们要完成一下三个步骤：• 定义兴趣区• 在ROI中检测轮廓• 阈值检测轮廓轮廓线什么是ROI？简而言之，我
转载
2024-03-28 11:52:16
78阅读
本篇文章主要调用OpenCV库（cv2）进行车牌区域识别，具体步骤包括：1.灰度转换：将彩色图片转换为灰度图像，常见的R=G=B=像素平均值。2.高斯平滑和中值滤波：去除噪声。3.Sobel算子：提取图像边缘轮廓，X方向和Y方向平方和开跟。4.二值化处理：图像转换为黑白两色，通常像素大于127设置为255，小于设置为0。5.膨胀和细化：放大图像轮廓，转换为一个个区域，这些区域内包含车牌。6.通过算
转载
2024-03-06 07:51:58
156阅读
一、目标：将图像中我们需要的部分提取出，进行扫描，提取出其中的文字。二、思路：首先我们要定位我们在图像中需要的部分，将其轮廓提取出。 - 1将图像变换大小 - 2灰度化，高斯滤波，边缘检测 - 3轮廓提取 - 4筛选第三步中的轮廓，选择其中较大的 - 5绘制轮廓的近似，返回其中有四个点的轮廓image = cv2.imread(args["image"])
ratio = image.shape[
转载
2023-11-20 08:21:25
1032阅读
概述这个工作主要是利用之前项目的语义分割算法，顺便探索一下身份证部件解析的功能。安排实习生利用合成的身份证照片进行了语义分割的标注。我的目的有两个：1.检测身份证上的信息是否齐全；2.确定身份证各文字信息的位置，把文字抠出来给OCR程序。基于opencv的算法之前写过一篇文章《python_opencv–身份证文字区域检测》，利用opencv的接口进行二值化，然后找出所有的阴影对应的外接矩形。这个
转载
2024-02-24 12:12:25
132阅读
小伙伴们可能会觉得从图像中提取文本是一件很麻烦的事情，尤其是需要提取大量文本时。PyTesseract是一种光学字符识别（OCR），该库提了供文本图像。PyTesseract确实有一定的效果，用PyTesseract来检测短文本时，结果相当不错。但是，当我们用它来检测表格中的文本时，算法执行失败。图1.直接使用PyTesseract检测表中的文本图1描绘了文本检测结果，绿色框包围了检测到的单词。可
转载
2024-02-19 14:16:23
91阅读
目录目标原理腐蚀膨胀开运算闭运算形态学梯度礼帽黑帽小结：形态学操作之间的关系目标• 学习不同的形态学操作，例如腐蚀，膨胀，开运算，闭运算等• 我们要学习的函数有：cv2.erode()，cv2.dilate()，cv2.morphologyEx()等 原理形态学操作是根据图像形状进行的简单操作。一般情况下对二值化图像进行的操作。需要输入两个参数，一个是原始图像，第二个被称为结构化元素或核，它是用来
转载
2024-03-28 06:34:33
106阅读
问题描述这是一幅基因芯片的荧光图像，检测图像的ROI区域，对这个区域内的阴性点（弱）和阳性点（强）的数量进行统计，并标出点的位置。ROI区域检测：思路：(1)观察到图像对比度很低，首先对图像进行对比度增强(2)图像分割需要获得边缘信息，用canny算子检测边缘(3)对图像做闭运算，图像中很小的点江北腐蚀掉，从而显现出大的边缘(4)用findContours方法找出边缘(5) boundingRec
转载
2024-03-30 07:44:09
0阅读
从图像中提取文本可能会让人筋疲力尽，尤其是当您要提取大量内容时。一个众所周知的文本提取库是PyTesseract，一种光学字符识别 (OCR)。该库将为您提供给定图像的文本。PyTesseract 真的很有帮助，第一次知道 PyTesseract，我直接用它来检测一些短文本，结果很满意。然后，我用它来检测表格中的文本，但算法执行失败。 图 1. 直接使用 PyTesseract 检测表格中的文本
转载
2023-11-30 21:57:06
109阅读
2020年12月28日22:08:08环境：windows10 vscode cmake vcpkgvcpkg install opencvvcpkg install tesseract 参考手册tesseract-ocr demohttps://github.com/tesseract-ocr/tessdoc/blob/master/APIExample.md&nb
转载
2024-05-19 22:27:49
53阅读
问题：如果文字大小存在比较大的差异时，怎么办？ 答：这里给出另外一种策略，不是使用投影直方图，而是使用膨胀以及寻找连通区域。进行分割。 1）对图像二值化 2）对二值化之后的图像进行膨胀操作（dilate） 3）在2）得到的结果上寻找联通区域的边界（findContours）。 4）利用3）得到的结果画出方框。 本文是对这里的文章的另一种实现。使用C++。首先，读取图片Mat img =
转载
2024-03-23 12:38:19
447阅读
两种类型：基于像素的移动目标检测和基于区域的移动目标检测。1，帧差，采用gray图像进行帧差（1）gray_pre 与 gray_aft进行帧差，并进行之后的阈值判断区分出前景背景#include "iostream"
#include "highgui.h"
#include "opencv2/opencv.hpp"
#include "imgproc/imgproc.hpp"
#include
转载
2024-04-22 15:04:35
191阅读
# Java OpenCV 文字检测技术概述
随着计算机视觉技术的迅速发展，文字检测作为其重要领域之一，已经广泛应用于各种场合，包括自动化文档处理、图像识别和增强现实等。本文将介绍如何使用 Java 和 OpenCV 来进行文字检测，并提供一个简单的代码示例。
## 什么是文字检测？
文字检测是指在图像或视频中识别和定位文本区域的技术。与文字识别（OCR）不同，文字检测仅关注文本的存在和位置
在 2019年7月11日 上张贴 由 hotdog发表回复 文本检测文本检测 在本教程中，您将学习如何使用 EAST 文本检 测器使用 OpenCV 检测自然场景图像中的文本。OpenCV 的 EAST 文本检测器是一种基于新颖架构和训练模式的深度学习模型。它能够（1）在720p图像上以13 FPS接近实时运行，并且（2）获得最先进的 文本检测 精度。在本教程的其余部分，您将学习如何使用 Open
转载
2024-08-26 11:55:29
69阅读
Python部落(python.freelycode.com)组织翻译，禁止转载，欢迎转发。利用Opencv中的Houghline方法进行直线检测---python语言在图像处理中，霍夫变换用来检测任意能够用数学公式表达的形状，即使这个形状被破坏或者有点扭曲。下面我们将看到利用HoughLine算法来阐述霍夫变化进行直线检测的原理，把此算法应用到特定图像的边缘检测是可取的。Houghline算法基
转载
2024-03-13 22:12:52
107阅读
# 使用Python OpenCV实现指定区域检测
在计算机视觉的领域中，使用OpenCV库进行图像处理是非常常见的。今天，我将指导您如何在Python中使用OpenCV检测图像的指定区域。以下是整个实现过程的步骤：
## 流程步骤
以下是实现“Python OpenCV指定区域检测”的流程步骤：
| 步骤 | 描述 |
| ---- | ---- |
| 1 | 导入所需的库 |
| 2
原创
2024-09-18 07:24:10
313阅读
在今年泰迪杯A题电商中图片的文字识别这道题中，我们先用了一种很笨的办法来分割字符。 首先对图片进行灰度化，然后二值化，这里的二值化要选择一个合适的阈值。然后我们进行轮廓的提取，计算轮廓最小矩形的面积，若面积过大，则认为这个是背景图片，若面积过小，则认为是噪点。这种方法有一个弊端，就是文字有大有小，大的文字也有可能会被当成背景，小的标点也可能会被当成噪点。代码如下： 实现了读入一张图片，进行灰度
转载
2023-11-03 12:11:10
120阅读
区域分割和分割部分的分类。这里我们没有提特征步骤是因为我们把图像块作为一个矢量特征。 在第一步（分割），我们使用了不同的滤波器(高斯模糊，Sobel滤波，阈值滤波)和形态学(morphological)运算,轮廓（contour）算法,用于检索（retrieve）可能含有板状物体的表单域（validation）。 在第二部分（分类），我们应用了支
转载
2024-02-22 14:19:19
38阅读
