技术求助：使用OpenCV自动为指定6个字母绘制不同颜色矩形框

完全可以仅用OpenCV实现这个需求，不需要依赖第三方OCR库。核心思路是利用形态学预处理+轮廓提取+Hu矩形状匹配来识别目标字符，以下是具体实现方案和代码：

核心实现步骤 #

1. 图片预处理 #

• 灰度化：将彩色图片转为灰度图，减少计算维度
• 自适应二值化：通过高斯自适应阈值实现文本与背景的分离，适配不同光照条件的图片
• 形态学降噪：用开操作（先腐蚀后膨胀）去除小噪点，同时保留字符的完整形状

2. 字符轮廓提取 #

使用cv2.findContours提取图片中的字符轮廓，通过面积过滤掉非字符的小区域，获取每个字符的外接矩形。

3. 模板匹配（基于Hu矩） #

针对a、b、c、d、e、f每个字母，准备对应风格的模板图片（可从待处理图中抠取），提取模板的Hu矩——这是一种形状不变特征，不受缩放、旋转、平移影响。将检测到的字符轮廓Hu矩与模板对比，通过相似度阈值判断是否匹配。

4. 彩色标注 #

为每个字母分配独特颜色，匹配成功后用cv2.rectangle在原图上绘制对应颜色的矩形框。

完整代码示例 #

import cv2
import numpy as np

# 为每个目标字母定义专属标注颜色
COLORS = {
    'a': (0, 255, 0),    # 绿色
    'b': (255, 0, 0),    # 蓝色
    'c': (0, 0, 255),    # 红色
    'd': (255, 255, 0),  # 青色
    'e': (255, 0, 255),  # 品红
    'f': (0, 255, 255)   # 黄色
}

def preprocess_image(img_path):
    # 读取原图
    img = cv2.imread(img_path)
    # 灰度转换
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 自适应二值化（突出文本）
    thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
    # 形态学开操作降噪
    kernel = np.ones((2,2), np.uint8)
    thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)
    return img, thresh

def get_template_hu_moments(template_paths):
    # 加载模板并提取Hu矩
    template_hu = {}
    for char, path in template_paths.items():
        template = cv2.imread(path, 0)
        _, template_thresh = cv2.threshold(template, 127, 255, cv2.THRESH_BINARY_INV)
        # 提取模板字符的轮廓
        contours, _ = cv2.findContours(template_thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        if contours:
            cnt = max(contours, key=cv2.contourArea)
            # 计算Hu矩并做对数转换，提升匹配稳定性
            moments = cv2.moments(cnt)
            hu_moments = cv2.HuMoments(moments)
            template_hu[char] = -np.sign(hu_moments) * np.log10(np.abs(hu_moments))
    return template_hu

def match_char(contour, template_hu, threshold=0.3):
    # 计算当前字符轮廓的Hu矩
    moments = cv2.moments(contour)
    if moments['m00'] == 0:
        return None
    hu_moments = cv2.HuMoments(moments)
    hu_moments = -np.sign(hu_moments) * np.log10(np.abs(hu_moments))
    
    # 与模板逐一比对，找到最相似的字符
    min_diff = float('inf')
    matched_char = None
    for char, template_hu_val in template_hu.items():
        diff = np.sum(np.abs(hu_moments - template_hu_val))
        if diff < min_diff and diff < threshold:
            min_diff = diff
            matched_char = char
    return matched_char

def process_image(img_path, template_hu):
    img, thresh = preprocess_image(img_path)
    # 提取所有字符轮廓
    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    for cnt in contours:
        # 过滤过小的非字符轮廓
        area = cv2.contourArea(cnt)
        if area < 50:
            continue
        # 获取字符外接矩形
        x, y, w, h = cv2.boundingRect(cnt)
        # 匹配目标字符
        char = match_char(cnt, template_hu)
        if char:
            # 绘制标注框
            cv2.rectangle(img, (x, y), (x+w, y+h), COLORS[char], 2)
    
    # 保存标注后的图片
    result_path = f"annotated_{img_path.split('/')[-1]}"
    cv2.imwrite(result_path, img)
    print(f"图片 {img_path} 标注完成，结果保存至 {result_path}")
    return img

if __name__ == "__main__":
    # 替换为你的模板路径（每个模板为单独的字母图片）
    template_paths = {
        'a': 'a_template.png',
        'b': 'b_template.png',
        'c': 'c_template.png',
        'd': 'd_template.png',
        'e': 'e_template.png',
        'f': 'f_template.png'
    }
    # 加载模板的Hu矩特征
    template_hu = get_template_hu_moments(template_paths)
    
    # 替换为待处理的图片路径列表（至少5张）
    image_paths = ['text_img1.jpg', 'text_img2.jpg', 'text_img3.jpg', 'text_img4.jpg', 'text_img5.jpg']
    for path in image_paths:
        process_image(path, template_hu)

关键优化细节 #

• 模板适配：模板需与待处理图片的字符字体、大小尽量一致，可直接从待处理图中抠取单个字母作为模板，大幅提升匹配准确率。
• 阈值调整：match_char函数中的threshold参数可根据实际情况微调，值越小匹配越严格，值越大容错性越高。
• 倾斜矫正：若图片存在字符倾斜，可在预处理阶段通过cv2.minAreaRect获取旋转角度，再用cv2.warpAffine矫正，进一步优化识别效果。

内容的提问来源于stack exchange，提问作者Đặng Viết Trung