需要帮助找出两个单独的轮廓，而不是MICR代码中的组合轮廓。

Question

我在银行支票上运行OCR，使用pyimagesearch教程检测micr代码.本教程中使用的代码从包含符号的参考图像中检测组轮廓&字符轮廓。

​

在本教程中，查找下面符号的等值线时

​

​

代码使用内置的python迭代器在等高线上迭代(这里有3个单独的等高线)，并结合给出一个字符以供识别。

但是在我使用的支票数据集中，我的符号是低分辨率的。

​

支票的实际底数是：

​

这使得迭代器将轮廓-2&轮廓-3看作一个单一的轮廓.由于这个原因，迭代器迭代上面的符号后面的字符(这里是'0')，并准备一个不正确的模板来匹配引用符号。为了更好地理解，您可以看到下面的代码。

我知道这里图像中的噪声是一个因素，但是是否有可能降低噪声&也能找到准确的轮廓来检测符号？

我尝试了像cv2.fastNlMeansDenoising和cv2.GaussianBlur这样的降噪技术，在cv2.findContours步骤之前，将轮廓2和3检测为单一轮廓，而不是2个单独的等高线。此外，我还尝试更改“cv2.findContos”参数。

下面是迭代字符的工作代码，以便更好地理解python内置迭代器：

def extract_digits_and_symbols(image, charCnts, minW=5, minH=10):
    # grab the internal Python iterator for the list of character
    # contours, then  initialize the character ROI and location
    # lists, respectively
    charIter = charCnts.__iter__()
    rois = []
    locs = []

    # keep looping over the character contours until we reach the end
    # of the list
    while True:
        try:
            # grab the next character contour from the list, compute
            # its bounding box, and initialize the ROI
            c = next(charIter)
            (cX, cY, cW, cH) = cv2.boundingRect(c)
            roi = None

            # check to see if the width and height are sufficiently
            # large, indicating that we have found a digit
            if cW >= minW and cH >= minH:
                # extract the ROI
                roi = image[cY:cY + cH, cX:cX + cW]
                rois.append(roi)
                cv2.imshow('roi',roi)
                cv2.waitKey(0)
                locs.append((cX, cY, cX + cW, cY + cH))

            # otherwise, we are examining one of the special symbols
            else:
                # MICR symbols include three separate parts, so we
                # need to grab the next two parts from our iterator,
                # followed by initializing the bounding box
                # coordinates for the symbol
                parts = [c, next(charIter), next(charIter)]
                (sXA, sYA, sXB, sYB) = (np.inf, np.inf, -np.inf,
                                        -np.inf)

                # loop over the parts
                for p in parts:
                    # compute the bounding box for the part, then
                    # update our bookkeeping variables
                    # c = next(charIter)
                    # (cX, cY, cW, cH) = cv2.boundingRect(c)
                    # roi = image[cY:cY+cH, cX:cX+cW]
                    # cv2.imshow('symbol', roi)
                    # cv2.waitKey(0)
                    # roi = None
                    (pX, pY, pW, pH) = cv2.boundingRect(p)
                    sXA = min(sXA, pX)
                    sYA = min(sYA, pY)
                    sXB = max(sXB, pX + pW)
                    sYB = max(sYB, pY + pH)

                # extract the ROI
                roi = image[sYA:sYB, sXA:sXB]
                cv2.imshow('symbol', roi)
                cv2.waitKey(0)
                rois.append(roi)
                locs.append((sXA, sYA, sXB, sYB))

        # we have reached the end of the iterator; gracefully break
        # from the loop
        except StopIteration:
            break

    # return a tuple of the ROIs and locations
    return (rois, locs)

编辑:轮廓2和3，而不是等值线1和2

Answer 1

尝试找到正确的阈值，而不是使用cv2.THRESH_OTSU。似乎应该有可能从所提供的例子中找到合适的阈值。如果找不到适用于所有图像的阈值，可以尝试使用1像素宽的结构元素对阈值结果进行形态学关闭。

编辑(步骤)：

对于阈值，您需要手工找到适当的值，在您的图像中，三个销售值100似乎是有效的：

i = cv.imread('image.png')
g = cv.cvtColor(i, cv.COLOR_BGR2GRAY)
_, tt = cv.threshold(g, 100, 255, cv.THRESH_BINARY_INV)

至于结尾变式：

_, t = cv.threshold(g, 0,255,cv.THRESH_BINARY_INV | cv.THRESH_OTSU)
kernel = np.ones((12,1), np.uint8)
c = cv.morphologyEx(t, cv.MORPH_OPEN, kernel)

注意，我使用了import cv2 as cv。我还使用了打开而不是关闭，因为在示例中，它们在阈值处理过程中倒置颜色。