OpenCV 初接触

OpenCV

字数统计: 680阅读时长: 2 min

 2018/12/30

利用方式

在利用方面主要根据场景不同而有所区别，以滑动验证码为例

有完整的图像 and 缺口背景图像 -> 像素亦或的边缘识别 or 模板匹配
缺口背景图像 and 滑块图像 -> 模板匹配
滑块图像边缘 or 缺口边缘具有可计算特征 -> 特征边缘识别（案例）
…

举例

P.S. 因为才开始学习，限于知识面，可能会有一些更方便快捷的方法而不知，请见谅。

以刚接触的数美来说，提供的是缺口背景图像 and 滑块图像，所以利用模板匹配来尝试识别
实际上滑块图片为了方便与背景图缺口高度一致，上下采用的透明色，透明部分不处理可能会导致奇怪的匹配（灰度图下透明部分为黑）
为了减小透明部分在灰度下匹配可能产生的影响，第一步就需要对透明部分进行裁剪，有两种方法边缘检测和轮廓检测，简单来说前者检验图形的外层边缘，而后者除了外层边缘还会勾画内层结构，两者对比如下
1. 边缘检测 Canny
2. 轮廓检测 findContours
3. Canny + findContours
采用第三种方法获取轮廓后，我们需要需要对主体部分进行切割，最简单的的办法就是通过轮廓面积排序，获取最大的那个
```
 maxContour = sorted(cnts, key=cv2.contourArea, reverse=True)[0]
```
再通过minAreaRect方法获取最小外接矩形，再利用boxPoints方法获取外接矩形的四个顶点坐标，这样就可以获取滑块的大致图像
```
 rect = cv2.minAreaRect(c)
 points = np.int0(cv2.boxPoints(rect))
```
模板匹配matchTemplate，每个像素点有一个匹配程度，可通过np.where筛选阈值，但是经过测试，阈值是根据图像有所变化的，如果需要精确度的话可以通过二分法获取
```
 cv2.matchTemplate(image, templ, cv2.TM_CCOEFF_NORMED)
```
第三个参数是匹配算法，可查看此文档进行了解
最终效果，因最需要数据的是左边的x坐标，而缺口特征也比较明显，所以在裁剪时舍弃了部分滑块右侧凸图像
在最后获取x轴时，需要考虑裁剪时候所带来的误差
因为滑块内图像容易和边界颜色部分重合，否则可以考虑经过腐蚀、膨胀等手段优化边界检测