=========================================================================

我们将使用恒温器图像作为输入：

识别的步骤：

步骤 1：定位恒温器上的 LCD。 这可以使用边缘检测来完成，因为塑料外壳和 LCD 之间有足够的对比度。

步骤2：提取 LCD。 给定一个输入边缘图，我可以找到轮廓并寻找矩形的轮廓——最大的矩形区域应该对应于 LCD。 透视变换会给我一个很好的 LCD 提取。

步骤3：提取数字区域。 一旦我有了 LCD 本身，我就可以专注于提取数字。 由于数字区域和 LCD 背景之间似乎存在对比，我相信阈值和形态操作可以实现这一点。

步骤4：识别数字。 使用 OpenCV 识别实际数字将涉及将数字 ROI 划分为七个部分。 从那里我可以在阈值图像上应用像素计数来确定给定的片段是“开”还是“关”。

所以看看我们如何使用 OpenCV 和 Python 完成这个四步过程来进行数字识别，继续阅读。

使用计算机视觉和 OpenCV 识别数字

===============================================================================

让我们继续开始这个例子。新建一个文件，将其命名为 identify_digits.py ，并插入以下代码：

import the necessary packages

from imutils.perspective import four_point_transform

from imutils import contours

import imutils

import cv2

define the dictionary of digit segments so we can identify

each digit on the thermostat

DIGITS_LOOKUP = {

(1, 1, 1, 0, 1, 1, 1): 0,

(0, 0, 1, 0, 0, 1, 0): 1,

(1, 0, 1, 1, 1, 1, 0): 2,

(1, 0, 1, 1, 0, 1, 1): 3,

(0, 1, 1, 1, 0, 1, 0): 4,

(1, 1, 0, 1, 0, 1, 1): 5,

(1, 1, 0, 1, 1, 1, 1): 6,

(1, 0, 1, 0, 0, 1, 0): 7,

(1, 1, 1, 1, 1, 1, 1): 8,

(1, 1, 1, 1, 0, 1, 1): 9

}

导入我们所需的 Python 包。 引入mutils，这是我的一系列便利函数，可以更轻松地使用 OpenCV + Python。 如果您还没有安装 imutils，现在应该花一点时间使用 pip 在您的系统上安装该软件包： 使用 OpenCV 和 Python 识别数字

pip install imutils

定义一个名为 DIGITS_LOOKUP 的 Python 字典。 他们对表的关键是七段数组。 数组中的 1 表示给定的段已打开，零表示该段已关闭。 该值是实际数字本身：0-9。

一旦我们识别了恒温器显示器中的段，我们就可以将数组传递到我们的 DIGITS_LOOKUP 表中并获得数字值。 作为参考，该词典使用与上面图 2 中相同的段顺序。 让我们继续我们的例子：

load the example image

image = cv2.imread(“example.jpg”)

pre-process the image by resizing it, converting it to

graycale, blurring it, and computing an edge map

image = imutils.resize(image, height=500)

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

blurred = cv2.GaussianBlur(gray, (5, 5), 0)

edged = cv2.Canny(blurred, 50, 200, 255)

加载我们的图像。

然后我们通过以下方式预处理图像：-

• 调整大小。

• 将图像转换为灰度。

• 使用 5×5 内核应用高斯模糊以减少高频噪声。

• 通过 Canny 边缘检测器计算边缘图。

应用这些预处理步骤后，我们的边缘图如下所示：

注意 LCD 的轮廓是如何清晰可见的——这完成了步骤 #1。 我们现在可以继续第 2 步，提取 LCD 本身：

find contours in the edge map, then sort them by their

size in descending order

cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,

cv2.CHAIN_APPROX_SIMPLE)

cnts = imutils.grab_contours(cnts)

cnts = sorted(cnts, key=cv2.contourArea, reverse=True)

displayCnt = None

loop over the contours

for c in cnts:

approximate the contour

peri = cv2.arcLength(c, True)

approx = cv2.approxPolyDP(c, 0.02 * peri, True)

if the contour has four vertices, then we have found

the thermostat display

if len(approx) == 4:

displayCnt = approx

break

为了找到 LCD 区域，我们需要提取边缘图中区域的轮廓（即轮廓）。

然后我们按面积对等高线进行排序，确保将面积较大的等高线放在列表的前面。

给定我们排序的轮廓列表，逐个循环它们并应用轮廓近似。

如果我们的近似轮廓有四个顶点，那么我们假设我们已经找到了恒温器显示。 这是一个合理的假设，因为我们输入图像中最大的矩形区域应该是 LCD 本身。

获得四个顶点后，我们可以通过四点透视变换提取 LCD：

extract the thermostat display, apply a perspective transform

to it

warped = four_point_transform(gray, displayCnt.reshape(4, 2))

output = four_point_transform(image, displayCnt.reshape(4, 2))

应用这种透视变换为我们提供了一个自上而下的 LCD 鸟瞰图：

获得 LCD 的这个视图满足第 2 步——我们现在准备从 LCD 中提取数字：

threshold the warped image, then apply a series of morphological

operations to cleanup the thresholded image

thresh = cv2.threshold(warped, 0, 255,

cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (1, 5))

thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)

为了获得数字本身，我们需要对扭曲图像进行阈值处理，以在较亮的背景（即 LCD 显示屏的背景）中显示暗区（即数字）：

然后我们应用一系列形态学操作来清理阈值图像：

现在我们有一个很好的分割图像，我们再次需要应用轮廓过滤，只是这次我们正在寻找实际的数字：

find contours in the thresholded image, then initialize the

digit contours lists

cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,

cv2.CHAIN_APPROX_SIMPLE)

cnts = imutils.grab_contours(cnts)

digitCnts = []

loop over the digit area candidates

for c in cnts:

compute the bounding box of the contour

(x, y, w, h) = cv2.boundingRect©

if the contour is sufficiently large, it must be a digit

if w >= 15 and (h >= 30 and h <= 40):

digitCnts.append©

为此，我们在阈值图像中找到轮廓。 初始化digitsCnts 列表——这个列表将存储数字本身的轮廓。

在每个轮廓上循环。

对于每个轮廓，我们计算边界框，确保宽度和高度是可接受的大小，如果是，则更新digitsCnts 列表。

如果我们循环遍历digitsCnts内部的轮廓并在图像上绘制边界框，结果将如下所示：

果然，我们在液晶显示屏上找到了数字！ 最后一步是实际识别每个数字：

sort the contours from left-to-right, then initialize the

actual digits themselves

digitCnts = contours.sort_contours(digitCnts,

method=“left-to-right”)[0]

digits = []

在这里，我们只是根据 (x, y) 坐标从左到右对数字轮廓进行排序。

这个排序步骤是必要的，因为不能保证轮廓已经从左到右排序（与我们读取数字的方向相同）。

接下来是实际的数字识别过程：

loop over each of the digits

for c in digitCnts:

extract the digit ROI

(x, y, w, h) = cv2.boundingRect©

roi = thresh[y:y + h, x:x + w]

compute the width and height of each of the 7 segments

we are going to examine

(roiH, roiW) = roi.shape

(dW, dH) = (int(roiW * 0.25), int(roiH * 0.15))

dHC = int(roiH * 0.05)

define the set of 7 segments

segments = [

((0, 0), (w, dH)), # top

((0, 0), (dW, h // 2)), # top-left

((w - dW, 0), (w, h // 2)), # top-right

((0, (h // 2) - dHC) , (w, (h // 2) + dHC)), # center

((0, h // 2), (dW, h)), # bottom-left

((w - dW, h // 2), (w, h)), # bottom-right

((0, h - dH), (w, h)) # bottom

]

on = [0] * len(segments)

遍历每个数字轮廓。

对于这些区域中的每一个，我们计算边界框并提取数字 ROI。

我在下面包含了每个数字 ROI 的 GIF 动画：

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
[外链图片转存中…(img-Yg2XAG40-1712900346990)]