使用OpenCV实现数字识别时如何过滤检测到的无关轮廓

一、无关噪声轮廓过滤方案 #

• 轮廓尺寸过滤：统计测试样本中数字的合理面积、宽高比区间，遍历轮廓时直接筛除不符合区间的无效轮廓，可过滤90%以上的细碎噪声轮廓，参考代码加在x,y,w,h = cv.boundingRect(c)之后：

area = cv.contourArea(c)
aspect_ratio = w / float(h)
# 阈值可根据自身数据集调整，以下为手写数字通用参考值
if not (20 < area < 1000 and 0.4 < aspect_ratio < 2.2):
    continue

• 阈值后形态学处理：自适应阈值生成后加开运算（先腐蚀再膨胀），直接消除细碎噪点，参考代码加在thresh生成之后：

kernel = np.ones((2,2), np.uint8)
thresh = cv.morphologyEx(thresh, cv.MORPH_OPEN, kernel, iterations=1)

• 自适应阈值参数动态调整：不要固定blockSize，可根据图像分辨率自适应选择，比如分辨率低于600*400用3，高于该分辨率用5/7，C值也可根据图像平均亮度微调，避免光照不均带来的额外噪点。

二、RETR_EXTERNAL仍出现嵌套轮廓的原因与解决 #

该现象不属于层级嵌套，本质是阈值处理后数字边缘断裂，原本属于同一个数字的轮廓断裂为多个独立的最外层轮廓，因此会被RETR_EXTERNAL全部检测到，修复方案：

• 形态学处理环节增加一次闭运算（先膨胀再腐蚀），填补数字边缘的小缺口，避免轮廓断裂：

thresh = cv.morphologyEx(thresh, cv.MORPH_CLOSE, kernel, iterations=1)

• 若仍存在多框同个数字的问题，可增加轮廓重叠判断：计算两个轮廓的交并比，交并比超过0.6的保留面积更大的轮廓即可。

三、识别准确率低的优化方案 #

当前预处理未对齐训练集规则、未做畸变矫正，是识别错误的核心原因，优化点如下：

• 增加轮廓中心对齐：提取数字轮廓的矩计算中心坐标，pad时将数字对齐到图像中心，而非直接四周补边。
• 增加倾斜矫正：计算轮廓最小外接矩形的倾斜角度，将数字转正后再做resize，避免倾斜带来的特征偏差。
• 若使用MNIST数据集训练模型，需保证预处理逻辑与MNIST对齐：MNIST样本为黑底白字、周围保留2px留白，预处理不一致会导致识别准确率大幅下降。

内容的提问来源于stack exchange，提问作者sunny