在使用 OpenCvSharp 和 OCR 技术提取带噪点图像中的数字时，通常需要经过以下几个关键步骤：去噪声、二值化、边缘检测以及定位数字所在的感兴趣区域（ROI）。下面详细介绍这一流程。 --- ### 一、去噪声 去除图像中的随机干扰信息有助于提高OCR识别准确率。常用的技术有高斯模糊(Gaussian Blur)和中值滤波(Median Filtering)，它们可以平滑掉小范围内的像素变化而不影响较大的特征轮廓。 #### 示例代码(去噪部分): ```csharp // 加载原图 Mat src = Cv2.ImRead("noisy_numbers.jpg"); // 使用高斯模糊降噪 Mat blurred = new Mat(); Cv2.GaussianBlur(src, blurred, new Size(5, 5), 0); ``` ### 二、转换成灰度图像 & 二值化 接着把彩色或已降噪的图像转化为灰阶形式，并通过阈值操作变成黑白两色构成的新版本。这一步骤能够更清晰地界定出文本字符与其他背景元素之间的界限。 #### 示例代码(灰度+二值化): ```csharp // 转换至灰度图 Mat gray = new Mat(); Cv2.CvtColor(blurred, gray, ColorConversionCodes.BGR2GRAY); // Otsu算法自动确定最佳阈值进行全局二值化 double thresholdValue; Mat binary = new Mat(); thresholdValue = Cv2.Threshold(gray, binary, 0, 255, ThresholdTypes.Otsu); ``` ### 三、寻找轮廓并筛选目标区段 应用findContours()查找所有封闭形状之后依据面积大小过滤得到只含有单一数值字段的小矩形块作为候选ROI。 #### 示例代码(找轮廓&绘制边界框): ```csharp List<MatOfPoint> contours = new List<MatOfPoint>(); Mat hierarchy = new Mat(); Cv2.FindContours(binary.Clone(), contours, hierarchy, RetrType.External, ChainApproxMethod.ChainApproxSimple); foreach (var contour in contours){ Rect boundingRect = Cv2.BoundingRect(contour.AsMat()); // 假设我们对长宽比例接近正方形且有一定尺寸限制感兴趣的可能是单独的阿拉伯数位组成单元格。 if(boundingRect.Width > minCharWidth && boundingRect.Height > minHeight && Math.Abs((float)(boundingRect.Width / (double)boundingRect.Height)-1)<maxDeviationFromSquareRatio){ cv::rectangle(resultImg,boundingBox,cv::Scalar(0,255,0)); // 提取出该子区域供下一步处理 roiImages.Add(new RoiWithBBox{Roi=grayImage.SubMat(bbox),BoundingBox=bbox}); } } ``` *注*:以上伪代码片段假设存在适当的变量定义例如`minCharWidth`, `minHeight`, `maxDeviationFromSquareRatio`等控制条件来适应特定场景需求。 ### 四、运用Tesseract或其他引擎解析数字内容 最后，在分离出来的每一个潜在含数码字样的局部区域内实施光学文字辨识过程以获得最终的结果字符串表达。 #### 整合Tessnet2例子: ```csharp using tessnet2; Ocr ocrInstance = new Ocr(); ocrInstance.SetVariable("tessedit_char_whitelist", "0123456789"); //仅限于整型数组 List<string> recognizedTexts=new List<String>(); foreach(var itemInRoIs in roisFoundPreviously ){ string resultStr=ocrInstance.DoOCR(itemInRoIs.Roi).FirstOrDefault().Text.Trim(); recognizedTexts.add(resultStr); } Console.WriteLine($"Extracted Numbers:{String.Join(", ",recognizedTexts)}"); ``` --- ### 总结 综上所述，完整工作流包括四个主要阶段——初步净化原始资料来源；增强对比度的同时简化结构便于分析解读；甄别有用的部分予以独立对待再送入专门训练过的模型里面完成终极使命即返回用户所需确切答案。