商标图像中文本提取和提取后图像修复教程

Question

求一个python实现商标图像中文本提取和提取后图像修复教程

Answer 1

【相关推荐】

• 帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/7748281
• 你也可以参考下这篇文章：【python遍历文件夹中的所有图像（按名称顺序读取）、将生成的新图像存入本地文件夹】
• 您还可以看一下 杨鑫老师的Python机器学习会员数据化运营课程中的 通过运营技能地图使用Python整理用户指标及订单跟踪小节, 巩固相关知识点
  
• 除此之外, 这篇博客: 基于卡尔曼滤波的信号处理以及图像追踪Python实现中的 简单版本的代码及效果 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

  # 开发作者   ：Tian.Z.L
  # 开发时间   ：2022/4/26  9:52 
  # 文件名称   ：HandTrackingByKalman.PY
  # 开发工具   ：PyCharm
  import numpy as np
  import mediapipe as mp
  import cv2
  
  print(cv2.useOptimized())
  mpHands = mp.solutions.hands
  hands = mpHands.Hands(static_image_mode=False,
                        max_num_hands=2,
                        min_detection_confidence=0.5,
                        min_tracking_confidence=0.5)
  # 定义x的初始状态 -- 需要修改，初始化为捕获手势的位置x坐标
  x_mat = np.mat([[0, ], [0, ]])
  y_mat = np.mat([[0, ], [0, ]])
  # 定义初始状态协方差矩阵
  p_x_mat = np.mat([[1, 0], [0, 1]])
  p_y_mat = np.mat([[1, 0], [0, 1]])
  # 定义初始化控制矩阵
  b_mat = np.mat([[0.5, ], [1, ]])
  # 定义状态转移矩阵，因为每秒钟采一次样，所以delta_t = 1
  f_mat = np.mat([[1, 1], [0, 1]])
  # 定义状态转移协方差矩阵，这里我们把协方差设置的很小，因为觉得状态转移矩阵准确度高
  q_mat = np.mat([[0.03, 0], [0, 0.03]])
  # 定义观测矩阵
  h_mat = np.mat([1, 1])
  # 定义观测噪声协方差
  r_mat = np.mat([1])
  
  video = cv2.VideoCapture('output.avi')
  first_frame_flag = True
  while True:
      ret, frame = video.read()
      img = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
      results = hands.process(img)
      h, w, c = img.shape
      if results.multi_hand_landmarks:
          for handLms in results.multi_hand_landmarks:
              for id, lm in enumerate(handLms.landmark):
                  cx, cy = int(lm.x * w), int(lm.y * h)
                  if id == 9:
                      if first_frame_flag:
                          x_mat[0, 0] = cx
                          y_mat[0, 0] = cy
                          first_frame_flag = False
                      else:
                          x_predict = f_mat * x_mat
                          y_predict = f_mat * y_mat
                          p_x_predict = f_mat * p_x_mat * f_mat.T + q_mat
                          p_y_predict = f_mat * p_y_mat * f_mat.T + q_mat
                          kalman_x = p_x_predict * h_mat.T / (h_mat * p_x_predict * h_mat.T + r_mat)
                          kalman_y = p_y_predict * h_mat.T / (h_mat * p_y_predict * h_mat.T + r_mat)
                          x_mat = x_predict + kalman_x * (cx - h_mat * x_predict)
                          y_mat = y_predict + kalman_y * (cy - h_mat * y_predict)
                          p_x_mat = (np.eye(x_mat.shape[0]) - kalman_x * h_mat) * p_x_predict
                          p_y_mat = (np.eye(y_mat.shape[0]) - kalman_y * h_mat) * p_y_predict
                          noise_x = cx + int(np.random.normal(0, 1) * 10)
                          noise_y = cy + int(np.random.normal(0, 1) * 10)
                          cv2.circle(frame, (noise_x, noise_y), 6, (0, 0, 255), cv2.FILLED)
                          # cv2.circle(frame, (int(x_mat[0, 0]), int(y_mat[0, 0])), 3, (0, 255, 0), cv2.FILLED)
                          cv2.circle(frame, (int(x_mat[0, 0]), int(y_mat[0, 0])), 3, (255, 0, 0), cv2.FILLED)
                      break
      cv2.imshow('video', frame)
      if cv2.waitKey(20) & 0xFF == ord('q'):
          break
  cv2.destroyAllWindows()
  video.release()
  

  

  蓝色点为卡尔曼最佳推断

  红点为当前观察值点

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^