咨询基于卷积网络实现网格图像转内容矩阵的最简方法

不需要复杂的机器学习模型，利用规则网格+固定配色的特性，用OpenCV结合Numpy就能快速完成需求，具体步骤和代码如下：

核心思路 #

1. 网格分割：因为输入是规整的网格图像，直接按行列数均分图像，提取每个单元格区域；
2. 颜色匹配：提取每个单元格的主色（或中心像素颜色），与预设的颜色-数字映射表匹配，转换为对应数字；
3. 矩阵生成：将每行的数字拼接成字符串，最终组合成目标矩阵。

代码实现 #

import cv2
import numpy as np

# 预设颜色与数字的映射（RGB格式，需根据实际图像调整准确值）
color_to_num = {
    (255, 0, 0): 0,      # 蓝色
    (255, 192, 203): 1,  # 粉色
    (128, 0, 128): 2,    # 淡紫色
    (0, 255, 0): 3       # 绿色
}

def convert_grid_image_to_matrix(image_path, rows=12, cols=11):
    # 读取图像并转换为RGB格式（OpenCV默认BGR）
    img = cv2.imread(image_path)
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img_height, img_width = img_rgb.shape[:2]

    # 计算单个单元格的尺寸
    cell_height = img_height // rows
    cell_width = img_width // cols

    result_matrix = []
    for row_idx in range(rows):
        current_row = ""
        for col_idx in range(cols):
            # 取单元格中心像素（避开网格线干扰）
            center_y = row_idx * cell_height + cell_height // 2
            center_x = col_idx * cell_width + cell_width // 2
            pixel_rgb = tuple(img_rgb[center_y, center_x])

            # 匹配最接近的预设颜色（处理图像颜色微小偏差）
            closest_color = min(color_to_num.keys(), 
                               key=lambda c: np.linalg.norm(np.array(c) - np.array(pixel_rgb)))
            current_row += str(color_to_num[closest_color])
        result_matrix.append(current_row)
    return result_matrix

# 使用示例
if __name__ == "__main__":
    output_matrix = convert_grid_image_to_matrix("your_input_image.png")
    # 按格式输出
    print("[")
    for idx, row in enumerate(output_matrix):
        print(f"    {row}{',' if idx != len(output_matrix)-1 else ''}")
    print("]")

关键优化点 #

• 若图像存在网格线干扰或颜色偏差，可先对图像做高斯模糊（cv2.GaussianBlur）或阈值二值化处理，再提取颜色；
• 预设的RGB值需用取色工具（如系统取色器、Photoshop）从输入图像中准确提取，避免颜色匹配错误；
• 若网格不规整，可先用霍夫变换（cv2.HoughLinesP）检测网格线，再根据线条坐标分割单元格，但你的示例网格规整，直接均分效率最高。

内容的提问来源于stack exchange，提问作者Florence