Python图像识别+KNN求解数独的实现
更新时间：2020年11月13日 09:55:15 作者：五岁能抬头s
这篇文章主要介绍了Python图像识别+KNN求解数独的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Python-opencv+KNN求解数独
最近一直在玩数独，突发奇想实现图像识别求解数独，输入到输出平均需要0.5s。
整体思路大概就是识别出图中数字生成list，然后求解。
输入输出demo
数独采用的是微软自带的Microsoft sudoku软件随便截取的图像，如下图所示：
经过程序求解后，得到的结果如下图所示：
程序具体流程
程序整体流程如下图所示：
读入图像后，根据求解轮廓信息找到数字所在位置，以及不包含数字的空白位置，提取数字信息通过KNN识别，识别出数字；无数字信息的在list中置0；生成未求解数独list，之后求解数独，将信息在原图中显示出来。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 | # -*-coding:utf-8-*-import osimport cv2 as cvimport numpy as npimport time#####################################################寻找数字生成listdef find_dig_(img, train_set): if img is None: print("无效的图片！") os._exit(0) return _, thre = cv.threshold(img, 230, 250, cv.THRESH_BINARY_INV) _, contours, hierarchy = cv.findContours(thre, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE) sudoku_list = [] boxes = [] for i in range(len(hierarchy[0])): if hierarchy[0][i][3] == 0: # 表示父轮廓为 0 boxes.append(hierarchy[0][i]) # 提取数字 nm = [] for j in range(len(boxes)): # 此处len(boxes)=81 if boxes[j][2] != -1: x, y, w, h = cv.boundingRect(contours[boxes[j][2]]) nm.append([x, y, w, h]) # 在原图中框选各个数字 cropped = img[y:y + h, x:x + w] im = img_pre(cropped) #预处理 AF = incise(im) #切割数字图像 result = identification(train_set, AF, 7) #knn识别 sudoku_list.insert(0, int(result)) #生成list else: sudoku_list.insert(0, 0) if len(sudoku_list) == 81: sudoku_list= np.array(sudoku_list) sudoku_list= sudoku_list.reshape((9, 9)) print("old_sudoku -> \n", sudoku_list) return sudoku_list, contours, hierarchy else: print("无效的图片！") os._exit(0)#######################################################KNN算法识别数字def img_pre(cropped): # 预处理数字图像 im = np.array(cropped) # 转化为二维数组 for i in range(im.shape[0]): # 转化为二值矩阵 for j in range(im.shape[1]): # print(im[i, j]) if im[i, j] != 255: im[i, j] = 1 else: im[i, j] = 0 return im# 提取图片特征def feature(A): midx = int(A.shape[1] / 2) + 1 midy = int(A.shape[0] / 2) + 1 A1 = A[0:midy, 0:midx].mean() A2 = A[midy:A.shape[0], 0:midx].mean() A3 = A[0:midy, midx:A.shape[1]].mean() A4 = A[midy:A.shape[0], midx:A.shape[1]].mean() A5 = A.mean() AF = [A1, A2, A3, A4, A5] return AF# 切割图片并返回每个子图片特征def incise(im): # 竖直切割并返回切割的坐标 a = []; b = [] if any(im[:, 0] == 1): a.append(0) for i in range(im.shape[1] - 1): if all(im[:, i] == 0) and any(im[:, i + 1] == 1): a.append(i + 1) elif any(im[:, i] == 1) and all(im[:, i + 1] == 0): b.append(i + 1) if any(im[:, im.shape[1] - 1] == 1): b.append(im.shape[1]) # 水平切割并返回分割图片特征 names = locals(); AF = [] for i in range(len(a)): names['na%s' % i] = im[:, range(a[i], b[i])] if any(names['na%s' % i][0, :] == 1): c = 0 else: for j in range(names['na%s' % i].shape[0]): if j < names['na%s' % i].shape[0] - 1: if all(names['na%s' % i][j, :] == 0) and any(names['na%s' % i][j + 1, :] == 1): c = j break else: c = j if any(names['na%s' % i][names['na%s' % i].shape[0] - 1, :] == 1): d = names['na%s' % i].shape[0] - 1 else: for j in range(names['na%s' % i].shape[0]): if j < names['na%s' % i].shape[0] - 1: if any(names['na%s' % i][j, :] == 1) and all(names['na%s' % i][j + 1, :] == 0): d = j + 1 break else: d = j names['na%s' % i] = names['na%s' % i][range(c, d), :] AF.append(feature(names['na%s' % i])) # 提取特征 for j in names['na%s' % i]: pass return AF# 训练已知图片的特征def training(): train_set = {} for i in range(9): value = [] for j in range(15): ima = cv.imread('E:/test_image/knn_test/{}/{}.png'.format(i + 1, j + 1), 0) im = img_pre(ima) AF = incise(im) value.append(AF[0]) train_set[i + 1] = value return train_set# 计算两向量的距离def distance(v1, v2): vector1 = np.array(v1) vector2 = np.array(v2) Vector = (vector1 - vector2) ** 2 distance = Vector.sum() ** 0.5 return distance# 用最近邻算法识别单个数字def knn(train_set, V, k): key_sort = [11] * k value_sort = [11] * k for key in range(1, 10): for value in train_set[key]: d = distance(V, value) for i in range(k): if d < value_sort[i]: for j in range(k - 2, i - 1, -1): key_sort[j + 1] = key_sort[j] value_sort[j + 1] = value_sort[j] key_sort[i] = key value_sort[i] = d break max_key_count = -1 key_set = set(key_sort) for key in key_set: if max_key_count < key_sort.count(key): max_key_count = key_sort.count(key) max_key = key return max_key# 生成数字def identification(train_set, AF, k): result = '' for i in AF: key = knn(train_set, i, k) result = result + str(key) return result#############################################################################################################求解数独def get_next(m, x, y): # 获得下一个空白格在数独中的坐标。 :param m 数独矩阵 :param x 空白格行数 :param y 空白格列数 """ for next_y in range(y + 1, 9): # 下一个空白格和当前格在一行的情况 if m[x][next_y] == 0: return x, next_y for next_x in range(x + 1, 9): # 下一个空白格和当前格不在一行的情况 for next_y in range(0, 9): if m[next_x][next_y] == 0: return next_x, next_y return -1, -1 # 若不存在下一个空白格，则返回 -1，-1def value(m, x, y): # 返回符合"每个横排和竖排以及九宫格内无相同数字"这个条件的有效值。 i, j = x // 3, y // 3 grid = [m[i * 3 + r][j * 3 + c] for r in range(3) for c in range(3)] v = set([x for x in range(1, 10)]) - set(grid) - set(m[x]) - \ set(list(zip(*m))[y]) return list(v)def start_pos(m): # 返回第一个空白格的位置坐标 for x in range(9): for y in range(9): if m[x][y] == 0: return x, y return False, False # 若数独已完成，则返回 False, Falsedef try_sudoku(m, x, y): # 试着填写数独 for v in value(m, x, y): m[x][y] = v next_x, next_y = get_next(m, x, y) if next_y == -1: # 如果无下一个空白格 return True else: end = try_sudoku(m, next_x, next_y) # 递归 if end: return True m[x][y] = 0 # 在递归的过程中，如果数独没有解开， # 则回溯到上一个空白格def sudoku_so(m): x, y = start_pos(m) try_sudoku(m, x, y) print("new_sudoku -> \n", m) return m#################################################### 将结果绘制到原图def draw_answer(img, contours, hierarchy, new_sudoku_list ): new_sudoku_list = new_sudoku_list .flatten().tolist() for i in range(len(contours)): cnt = contours[i] if hierarchy[0, i, -1] == 0: num = new_soduku_list.pop(-1) if hierarchy[0, i, 2] == -1: x, y, w, h = cv.boundingRect(cnt) cv.putText(img, "%d" % num, (x + 19, y + 56), cv.FONT_HERSHEY_SIMPLEX, 1.8, (0, 0, 255), 2) # 填写数字 cv.imwrite("E:/answer.png", img)if __name__ == '__main__': t1 = time.time() train_set = training() img = cv.imread('E:/test_image/python_test_img/Sudoku.png') img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) sudoku_list, contours, hierarchy = find_dig_(img_gray, train_set) new_sudoku_list = sudoku_so(sudoku_list) draw_answer(img, contours, hierarchy, new_sudoku_list ) print("time :",time.time()-t1) |
PS：
使用KNN算法需要创建训练集，数独中共涉及9个数字，“1,2,3,4,5,6,7,8,9”各15幅图放入文件夹中，如下图所示。
到此这篇关于Python图像识别+KNN求解数独的实现的文章就介绍到这了,更多相关Python KNN求解数独内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
微信公众号搜索 “ 脚本之家 ” ，选择关注
程序猿的那些事、送书等活动等着你
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权/违法违规/事实不符，请将相关资料发送至 reterry123@163.com 进行投诉反馈，一经查实，立即处理！
相关文章
今天小编就为大家分享一篇对Django外键关系的描述，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-07-07
这篇文章主要介绍了在CentOS7下安装Python3教程解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-07-07
下面小编就为大家分享一篇浅谈python numpy中nonzero()的用法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-04-04
下面小编就为大家分享一篇numpy中的高维数组转置实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-04-04
Python之urlencode和urldecode案例讲解
这篇文章主要介绍了Python之urlencode和urldecode案例讲解,本篇文章通过简要的案例,讲解了该项技术的了解与使用,以下就是详细内容,需要的朋友可以参考下2021-08-08
今天小编就为大家分享一篇python之array赋值技巧分享，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-11-11
狠多朋友在使用Pycharm插件时，反应下载速度很慢，挂载了代理还是不够，怎么解决这一问题呢，下面小编给大家代理了Pycharm插件下载慢的完美解决方法，需要的朋友参考下吧2021-08-08
这篇文章主要为大家详细介绍了Windows 64位下python3安装nltk模块，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-09-09
浅谈Keras中fit()和fit_generator()的区别及其参数的坑
这篇文章主要介绍了Keras中fit()和fit_generator()的区别及其参数的坑，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2021-05-05
这篇文章主要介绍了在Django中使用Sitemap的方法讲解,Django是最具人气的Python web开发框架,需要的朋友可以参考下2015-07-07
最新评论