[Python][OpenCV]學習心得筆記
61公開內容
28私密內容
利用Python OpenCV實現一些影像處理的應用，整理所學，利用程式範例的方式解說其程式碼跟函式的使用方法及應用
全部內容
免費與付費
最新發佈優先
付費限定
1. 概述
在光學字符識別（OCR）過程中，常見的問題之一是「斷字」，即原本應為一個完整字符的部分被錯誤地分割成兩個或多個獨立的字符。這通常發生在掃描文件、圖像降噪或影像二值化處理後。本篇文章將介紹一種基於 骨架化端點距離分析 的斷字檢測方法，並提供完整的 Python 實作。
2. 斷字檢測的
付費限定
本教學將介紹如何使用 OpenCV 來檢測螺絲的鎖附間距，並提供完整的 Python 程式碼來實作這項功能。
🔹 1. 設計目標
使用二值化處理與形態學運算來強化影像
計算螺絲之間的間距
視覺化結果，標記最大間距並顯示數值
🔹 2. 測試用螺絲影像
🔹 3.
付費限定
我們將學習如何使用 Python 和 OpenCV 實現圖像的主色提取與重新著色。
以下的程式碼展示了如何通過 KMeans 聚類演算法分析圖像，提取 HSV 色彩空間中的主色，並將圖像重新著色，提取想偵測的物件的顏色。
在官網案例，實作為RGB色彩空間，但如果套用HSV色彩空間則會因為H色
付費限定
Tesseract 是一個開源的光學字符識別 (OCR) 引擎，可通過自定義訓練來改進對特定字體或語言的識別。
以下是一份基於 tesstrain 工具，並針對 Windows CMD 的完整 Tesseract 5 訓練教學。將利用官方提供的ocrd-testset.zip來做示範
前置
付費限定
在使用 make 時，有時可能會遇到以下錯誤：
make: *** No rule to make target 'tesseract-langdata'. Stop.
這表明 make 認為目標 tesseract-langdata 無需執行，原因可能與環境設定不正確相關。本教學將說明如何解
付費限定
你還沒有編譯 OpenCV，那麼你需要先完成 OpenCV 的編譯過程，這樣才能生成 OpenCVConfig.cmake 文件。下面是一步一步的指南，幫助你在 Windows 上編譯 OpenCV。
本文主要介紹使用Cmake + VS2022來編譯OpenCV，最後目的是讓OpenCV可以利用
付費限定
[OpenCV][Python]使用GrabCut 來去背
在上篇文章提到如何用GrabCut 來去背，但都是處於比較基礎的方式，讓演算法自行判斷前景背景，本文主要說明，使用設定參數讓演算法計算得更加準確，可根據UI上的圖顯示，用滑鼠畫區域來設定參考的背景與前景。
UI圖顯示
步驟，先載圖，在
本文詳細探討了Tesseract的box定義。經驗分享釐清了Tesseract與cv2.rectangle的座標差異，解釋了怎樣使用JTessBoxEditor進行框的驗證。透過範例，讀者將瞭解如何正確設置字符的bounding box，並學會轉換OCR座標為Tesseract所需格式
付費限定
本文主要介紹使用Numpy實現一個尋找邊界的方法，在用這個方法延伸去判斷2D條碼中圖案L角，根據預定義的方向角度對應表來判斷圖像的角度（0 度、90 度、180 度或 270 度）
設計邏輯
數據過濾：
函式 __filtered_positions 確保在對數據進行處理之前，能夠有效地過濾
付費限定
色階調整去霧技術是一種圖像增強技術，通過調整圖像的亮度和對比度來減少或消除霧氣的影響。主要依賴於圖像的直方圖，通過分析圖像中像素亮度的分佈來增強細節、提高對比度，使得被霧氣模糊的細節得以還原。以改善模糊或灰濛的圖像。
本文主要利用了圖像去霧技術中的暗通道先驗（Dark Channel Prior）
付費限定
本文將實測，使用同一組圖像，用不同的OCR模型來辨識看成效如何，主要介紹如何從資料夾中，讀取圖片檔中的檔名來比對tesseract OCR的結果是否一致，若結果不同就記錄其錯誤位置及次數，統計最後的誤判率及誤判字的總次數。
圖片檔中的檔名由事先整理出正確結果，比對OCR模型用。
在Tesseract的討論論壇中看到一篇文章，有人研究tesseract在文字高度在30~33pixl~內辨識率是最佳的。
本文就將來實作看看，拿出之前實驗用的OCR圖檔來跑跑看。
實驗內容
縮放與不縮放的圖片在tesseract OCR結果比較
圖片縮放流程
先讀取圖片中OCR的高度，取
付費限定
[OpenCV][Python]影像增強對比_自適應直方圖均衡化
在上一篇文章，我們有比較過自適應直方圖均衡化與直方圖均衡化的差異。
本文將主要應用在OCV檢測上，應用這兩種方法將會有那些不一樣的差異。內文中的OCV檢測，主要涵蓋OCR的文字高寬及面積。
測試圖
就利用這看起來雜訊特多的圖。
付費限定
此文章延續以下這篇文章，實際測試增加或固定間隔的狀況下，是否可以增加辨識率
[OpenCV][Python]OCR分割及增加間隔[雙排文字]
此篇文章程式碼有修正上篇，OCR 特殊符號:會分割錯誤的問題。
付費限定
呈上篇文章，針對單排的圖像文字增加間隔，但如果文字是雙排呢
[OpenCV][Python]OCR分割及增加間隔[單排文字]
付費限定
在文字辨識中，適當的增加一文字彼此間的間隔是有幫助於辨識的，原因在大多數OCR引擎在處理字符時會依賴空白區域來區分不同的字符。如果字符之間的間隔過小，OCR引擎可能會將相鄰的字符誤認為一個單一的字符或難以正確切割字符。增加間隔可以幫助OCR引擎更準確地識別和切割每個字符。
本文說明如何增加OCR間
付費限定
在影像辨識中，若遇到物件與背景難以分辨的狀況下，先做一下色彩分析，知道了色彩強度階層上的像素數，有助於了解後續需要做什麼處理，比較好分割出辨識物。
若想辨識的物件與背景的RGB值過於接近，也比較好說明此狀況，為什麼較難分割出物件。
成果呈現
第一張圖：左邊為原圖，右邊為分析結果的圖，用其他顏
付費限定
接續上一邊，分割了螺絲與螺母的圖像，但分割後的結果，因為螺絲過於接近的關係，沒有切割乾淨，會有其他螺絲的頭或者身體，這樣會影響到後續量測。
[OpenCV應用][Python]擷取出螺絲或螺母的影像
本文主要是，如何去除掉不要的背景雜物。
下層為原先分割的圖，上層為去除背景雜物的圖。
付費限定
此篇為上一篇文章的延伸，先辦別是螺絲還是螺母才擷取出影像。
[OpenCV應用][Python]利用findContours辨識螺絲還是螺母
因為可能會需要另外處理螺絲與螺母才可以準確地去做量測，所以第一步就是先分割出這兩種的圖像。
先上成果圖，如果是螺母的話就標註 is circle來區分。
簡單的用圖表加文字說明AOI辨識
在此文章的範例中:
影像前處理：色彩空間轉換(灰階) -> 二值化閥值處理
演算法：尋找輪廓
數值判斷：長，寬，面積，周長
圖片來源
程式碼
import cv2
import nu
