燕山大学数据结构与算法课程实践——ISBN号识别系统的设计与开发-Toy模板网

这篇具有很好参考价值的文章主要介绍了燕山大学数据结构与算法课程实践——ISBN号识别系统的设计与开发。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

项目背景

ISBN 号是国际标准书号的简称，它是国际标准化组织于 1972 年公布的一项国际通用的出版物统一编号方法。所有正规出版的普通图书版权页都有 ISBN 号， ISBN 是 international standard of book number 几个英文字母的缩写，即国际标准书号。这个号码印刷在每本图书封底( 或护封 ) 的右下角，由一组用四个分割线“-”隔开的 13 个数字。例如： ISBN 978-7-111-47818-8 。其中， ISBN987 代表是中国， 7 代表分类， 111代表出版社编号，47818 代表本书在出版社所有出版书中的编号， 9 是校验码，即：用 1 分别乘 ISBN 的前12 位中的奇数位，用 3 乘以偶数位，乘积之和以 10 为模，用 10 减去此模，即可得到校验位的值，其值范围为 0-9 。例如： S=9*1+7*3+8*1+7*3+1*1+1*3+1*1+4*3+7*1+8*3+1*1+8*3=132 ， 132%10=2 ， 10-2=8 ，因此校验码即为 8 。在该码的下方有一个条形码，条形码的下方写着 13 个数字，与 ISBN 后面的数字是相同的。

任务:开发一套ISBN号识别系统

给定 100 张包含 ISBN 号的图片，建议在 VS + OpenCV 环境下完成对给定的 ISBN 图像的识别，每幅图像的文件名为图中的 ISBN ，例如 ISBN978-7-111-47818-8.jpg. 你可以自由参考现有的文献中的方法，从设计的原理、技术方案到程序实现，给出你能识别出的ISBN 的正确率和准确率。例如：如果有 100 幅图片，你能识别出 90 幅，那么你的系统识别的正确率是 90% ；每一张照片有 13 个需要识别的数字， 100 张照片共有 1300 个需要识别的数字，你的系统识别出了 1000 个，那识别系统的准确率是 1000/1300=76.92% 。

采用的研究方法及相关工具

本项目使用vs2019和OpenCV4开发，在对其进行图像的转正，然后灰度值转化，对图像进行去噪处理，再进行图像二值化的转化，对图书ISBN编号进行垂直方向数字分割，切割后的每个字符图片与模板进行匹配，实现对ISBN的快速识别。最后，计算出识别出的ISBN相应的正确率和准确率。

项目的方案设计

通过图像预处理读入图像，对其进行灰度值转化和二值化，将二值化图片进行倾斜校正，校正之后寻找到ISBN号所在区域，对源图片进行分割获得彩色ISBN号，再将其转换为二值图像，寻找ISBN号字符的边界后截取每个字符，截取后的字符通过调整最后与模板进行对比，差值最小的模板号即为读取的ISBN 号，与正确的ISBN号比较得到项目的正确率和准确率。

核心代码的实现

图像预处理：读入图片、转化为灰度图和二值图

1.int rightNums = 0, acNums = 0, sumNums=0; //1:正确的个数；  2：正确的字符个数  3：总共的字符个数  
2.  
3.    string path1 = "C:/Users/Administrator/Desktop/二级项目/ISBN/ISBN测试数据--100幅图"; //文件路径  
4.  
5.    vector<String> imgPaths;  
6.    glob(path1, imgPaths, false); //1：文件路径  2：输出数组  3：递归遍历所有图片  
7.    int imgNums = imgPaths.size(); //图片总个数  
8.  
9.    for (int i = 0; i < imgNums; i++)  
10.    {  
11.        Mat Img = imread(imgPaths[i]); //读入图片  
12.        if (Img.empty()) //图片不存在  
13.        {  
14.            cout << imgPaths[i] << "  Not Loaded" << endl;  
15.            continue;  
16.        }  
17.  
18.        //对图片的大小进行统一调整  
19.        double width = 400; //宽度  
20.        double height = width * Img.rows / Img.cols; //高度  
21.        resize(Img, Img, Size(width, height)); //重新对图片大小进行调整。1：源图像  2：输出图像  3：图像大小  
22.  
23.        //将原图转化为灰度图再转化为二值图 该二值图像中，黑色设为1，白色设为0（关键！！！）  
24.        //---转化为灰度图  
25.        Mat erImg;  
26.        cvtColor(Img,erImg, COLOR_BGR2GRAY); //将图片转化为灰度图  
27.        //COLOR_BGR2GRAY的原理  GRAY = B * 0.114 + G * 0.587 + R * 0.299  
28.  
29.        threshold(erImg, erImg, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);//将灰度图转化为二值图  
30.        //1:源图片  2：输出图片  3：阈值1  4：域指2  5:方式  
31.        //自动设置阈值的方法OTSU  当点大于阈值设置为0（白）  小于阈值设置为255（黑）

图像的旋转

1.//获取旋转角度  
2.double getAngles(Mat inImg)  
3.{  
4.    //计算垂直方向导数  
5.    Mat tempImg;  
6.    Sobel(inImg, tempImg, -1, 0, 1, 5);  
7.    //它可以用来对图像进行边缘检测, 或者用来计算某个像素点的法线向量。  
8.    //参数说明：1，输入图像；2，输出图像，需要有和原图一样的尺寸和类型；  
9.    //3，图像的深度；4，x方向上的差分阶数；5，y方向上的差分阶数；  
10.    //6，int类型ksize，有默认值3，表示Sobel核的大小;必须取1，3，5或7  
11.  
12.    //直线检测  
13.    vector<Vec2f> lines;  
14.    HoughLines(tempImg, lines, 1, CV_PI / 180, 180);  
15.    //参数说明：1：源图像；   
16.    //2：InputArray类型的lines，经过调用HoughLines函数后储存了霍夫线变换检测到线条的输出矢量  
17.    //3：以像素为单位的距离精度   4：以弧度为单位的角度精度  
18.    //5：累加平面的阈值参数，即识别某部分为图中的一条直线时它在累加平面中必须达到的值  
19.  
20.    //计算旋转角度  
21.    float angle = 0.0;  
22.    for (int i = 0; i < lines.size(); i++)  
23.    {  
24.        float theta = lines[i][1];  
25.        angle += theta;  
26.    }  
27.  
28.    if (lines.size() == 0) //未i检测到直线  
29.    {  
30.        angle = CV_PI / 2;  
31.    }  
32.    else //检测到直线，取平均值  
33.    {  
34.        angle = angle / lines.size();  
35.    }  
36.    return angle;  
37.}

寻找ISBN号所在区域

1.//寻找ISBN所在行  
2.void FindISBNRows(Mat inputImg, int boundary, int top, int bottom, int minsize, int& startindex, int& endindex)  
3.{  
4.  
5.    //边缘检测，方便找到梯度大的地方，忽略梯度小的地方  
6.    Mat canImg;  
7.    //去噪（均值滤波）  
8.    blur(inputImg, canImg, Size(3, 3));//1：源图像  2：输出图像  3：内核大小  
9.  
10.    Canny(canImg, canImg, boundary, boundary * 2, 3);  
11.    //参数说明：1，输入。2，输出。3，阈值1.4.阈值2。5，sobel核大小。  
12.    //高于和靠近阈值2的点会被认为是边界     
13.    //注：低于阈值1的像素点会被认为不是边缘；高于阈值2的像素点会被认为是边缘；  
14.    //在阈值1和阈值2之间的像素点, 若与第2步得到的边缘像素点相邻，则被认为是边缘，否则被认为不是边缘  
15.  
16.    //寻找上边界  
17.    for (int i = top; i < bottom; i++)  
18.    {  
19.  
20.        if (canImg.at<uchar>(i, 0) != 0) //有像素点存在  
21.        {  
22.            startindex = i;  //上边界  
23.            break;   
24.        }  
25.    }  
26.  
27.    //寻找下边界  
28.    for (int i = bottom; i >= top; i--)  
29.    {  
30.        if (canImg.at<uchar>(i, 0) != 0)  
31.        {  
32.            endindex = i;  //下边界  
33.            break;  
34.        }  
35.    }  
36.  
37.  
38.    //范围过小，调整阈值再次寻找  
39.    if (abs(endindex - startindex) < minsize)  
40.    {  
41.        boundary -= 10; //缩小阈值重新寻找  
42.        if (boundary <= 0)  
43.        {  
44.            startindex = top;  
45.            endindex = bottom;  
46.            return;  
47.        }  
48.        FindISBNRows(inputImg, boundary, top, bottom, minsize, startindex, endindex);  
49.    }  
50.  
51.  
52.}

截取ISBN号所在区域转化为二值图

1.//弥补旋转缺失的区域  
2.        Mat BG = Mat(Img.rows, Img.cols, CV_8UC1, Scalar(255));  
3.        warpAffine(BG, BG, M, Img.size());  
4.        bitwise_not(BG, BG);  
5.        Mat turnImg; //彩色图片  
6.        warpAffine(Img, turnImg, M, Img.size());  
7.        Img.copyTo(turnImg, BG); //弥补旋转确实的区域  
8.  
9.//截取ISBN所在的区域  
10.        Mat isbnImg = Mat(turnImg, Range(start1, end1), Range(0, turnImg.cols));  //截取的是原图的那一部分  
11.  
12.        //调整大小  
13.        width = 900;  
14.        height = width * isbnImg.rows / isbnImg.cols;  
15.        resize(isbnImg, isbnImg, Size(width, height));  
16.  
17.//转化为二值图  
18.        erImg = Mat();  
19.        cvtColor(isbnImg, erImg, COLOR_BGR2GRAY);  
20.        threshold(erImg, erImg, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);  
21.

截取字符和模板匹配，并将正确的ISBN和识别出的ISBN输出

1.//寻找每个字符的位置  
2.void findChar(Mat inputImg, vector<float>& p)  //记录每个字符的左右边界列坐标  
3.{  
4.    int boundary = 0;    //阈值                     
5.    for (int j = 1; j < inputImg.cols - 1; j++)  
6.    {  
7.        if (inputImg.at<uchar>(0, j) > boundary && inputImg.at<uchar>(0, j - 1) <= boundary)   //1是黑色  
8.        {  
9.            p.push_back(j - 1);   //左边缘，是图形的左半边轮廓装入数组中  
10.        }  
11.        else if (inputImg.at<uchar>(0, j) > boundary && inputImg.at<uchar>(0, j + 1) <= boundary)  
12.        {  
13.            p.push_back(j + 1);   //右边缘，是图形的右半边轮廓装入数组中  
14.        }  
15.    }  
16.}  
17.  
18.//差值函数  
19.int CalcImg(Mat inputImg) {  
20.    int nums = 0;  
21.    for (int i = 0; i < inputImg.rows; i++) {  
22.        for (int j = 0; j < inputImg.cols; j++) {  
23.            if (inputImg.at<uchar>(i, j) != 0) {  
24.                nums += inputImg.at<uchar>(i, j);  
25.            }  
26.        }  
27.    }  
28.    return nums;  
29.}  
30.  
31.//模板匹配  
32.bool cmp(pair<int, int>x, pair<int, int>y)    //按照从小到大的顺序排序  
33.{  
34.    return x.second < y.second;  
35.}  
36.  
37.  
38.//模板匹配函数  
39.char CheckImg(Mat inputImg) {  
40.    string wjlj = "样例/*.jpg";  
41.    vector<String> wjm;  
42.    glob(wjlj, wjm, false); //读入模板名  
43.    int wjmlen = wjm.size();  
44.  
45.    pair<int, int>* nums = new pair<int, int>[wjmlen];  
46.    for (int i = 0; i < wjmlen; i++) {  
47.        nums[i].first = i;  
48.        Mat numImg = imread(wjm[i], 0);//  
49.        Mat delImg;  
50.        absdiff(numImg, inputImg, delImg);//计算两个数组差的绝对值  
51.        nums[i].second = CalcImg(delImg);  
52.    }  
53.  
54.    sort(nums, nums + wjmlen,cmp); //-------------------------------------------------  
55.  
56.    int index = nums[0].first / 2;  
57.    switch (index) {  
58.        case 0:  
59.        case 1:  
60.        case 2:  
61.        case 3:  
62.        case 4:  
63.        case 5:  
64.        case 6:  
65.        case 7:  
66.        case 8:  
67.        case 9:  
68.            return index + '0';   //如果是数字就return该数字  
69.        case 10:  
70.            return 'I';  
71.        case 11:  
72.            return 'S';  
73.        case 12:  
74.            return 'B';  
75.        case 13:  
76.            return 'N';  
77.        case 14:  
78.            return 'X';  
79.        default:  
80.            return ' ';  
81.    }  
82.}

计算正确率和准确率并输出

1.//计算准确率  
2.        sumNums += cmpData.length();  
3.        int acOfone = 0;  
4.        for (int a = 0; a < cmpData.length(); a++) {  
5.            if (res[a] == cmpData[a]) {  
6.                acNums++;  
7.                acOfone++;  
8.            }  
9.        }  
10.        cout << "正确识别的个数为：" << acOfone << endl;  
11.  
12.        //计算正确率  
13.        if (res == cmpData) {  
14.            rightNums++;  
15.            cout << "Yes" << endl;  
16.        }  
17.        else {  
18.            cout << "No" << endl;  
19.        }  
20.  
21.  
22.        if (i == imgNums-1)  
23.        {  
24.            cout << endl;  
25.            /*printf("正确个数：%4.d 正确率：%f\n", rightNums, rightNums * 1.0 / 100); 
26.            printf("准确个数：%4.d 准确率：%f\n", acNums, acNums * 1.0 / sumNums);*/  
27.            cout << setprecision(6) << fixed << "正确总数比：" << rightNums << "/" << imgNums << " " << "       准确率" << rightNums * 1.0 / imgNums << endl;  
28.            cout << setprecision(6) << fixed << "正确字符总比数：" << acNums << "/" << sumNums << " " << "精确率" << acNums * 1.0 / sumNums;  
29.            //waitKey(0);  
30.            cout << endl;  
31.        }