使用C++结合Opencv库实现简易汉字识别。

导入图像进行一系列预处理，使其便于用来识别和其他计算。

灰度化

使用opencv的库函数来实现。

cv::cvtColor(image, image_gray, CV_BGR2GRAY);

二值化

同样选用库函数来实现，本例使用的是自适应二值化函数。

cv::adaptiveThreshold(image_gray, image_value, 255, 0, 1, 5, 10);

降噪(去除干扰线)

实现的思路并非去除干扰线，而是尽量不把干扰线选中到识别区域。

先通过腐蚀，使较细的干扰线消去。

erode(image_value, temp, kernel2);

再通过膨胀，使汉字主体明显。

dilate(temp, dst, kernel1);

轮廓识别

使用库函数找出外轮廓点集。

findContours(dst, contours, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_SIMPLE, Point());

最小矩阵

汉字分割

准备一张用于当作模型的图片。

灰度化

本身就只有大部分为黑白色，故灰度化结果不明显。

二值化

腐蚀

可以发现干扰线已经基本看不见了，但是汉字好似被断裂开。不利于后面的寻找轮廓，故进行膨胀操作。

膨胀

膨胀有两个目的：一是使腐蚀后断裂的文字合起来。二是使某些上下结构或左右结构明显的字合起来。否则在识别(吴)的区域时，容易将(口)(天)分别框出，不利于识别整体的汉字。

最小矩阵

在膨胀后的基础上，寻找轮廓，并找出轮廓的最小矩阵。

切割后保存

框出文字的矩阵只在测试时画出，实际裁剪保存的时候，并不绘制出矩阵，是为了排除矩阵的存在对识别精确度的影响。

分割后保存的模板

本例使用直方图匹配的方式，此方式的精确度实际并不高。其他如卷积神经网络难度较大，暂时没有足够的时间研究。故采用此种方法。

主要是将c。三者关系一一对应。找出与识别对象的直方图数据匹配图最高的模板图像，就可以确定其文字。

模板图像——直方图数据——汉字

采用结构体。

从模板数据库中，读取每张文字对应的图片。将其灰度化后，计算直方图数据。

本例的数据都没有采用写入到文件的方式保存，故每次运行前都要导入一次模型，用于计算这些数据。

数据关联

完成上面的模型制作，以及数据关联后。就可以进行识别过程了。

先进行预处理过程，再同样计算直方图。和模型数据进行对比。