2. 圖像預處理

　　前面通過學習產生了分類器，但我們輸入圖像中的數字并不能直接作為測試輸入。圖像中的數字筆畫有時并不規整，還可能相互重疊。因為本文例子為了簡化用的是屏幕截圖，所以位置形變校正，色彩亮度校正等等都省去了，但仍需要一些簡單處理。下面先對輸入圖像進行一把簡單的預處理，主要目的是將數字之間兩兩分開。方法很簡單，首先將圖像轉成二值圖，然后腐蝕一把，數字之間就分離得比較開了，這樣便于我們下一步分割和識別。這樣做還有個好處，就是把其余的噪聲也順帶去掉了。

　　cvtColor（input， out_img， CV_BGR2GRAY）;

　　threshold（out_img， out_img， 0， 255， CV_THRESH_OTSU + CV_THRESH_BINARY）;

　　。。。

　　erode（out_img， out_img， elem）;

　　結果：

　　3. 圖像分割

　　接下來，就可以對圖像進行分割了。由于我們的分類器只能對數字一個一個地識別，所以首先要把每個數字分割出來?；舅枷胧窍扔胒indContours（）函數把基本輪廓找出來，然后通過簡單驗證以確認是否為數字的輪廓。對于那些通過驗證的輪廓，接下去會用boundingRect（）找出它們的包圍盒。

　　vector《 vector《 Point》 》 contours;

　　findContours（contour_img， contours， CV_RETR_EXTERNAL， CV_CHAIN_APPROX_NONE）;

　　vector《vector《Point》 》：：iterator it = contours.begin（）;

　　while （it！=contours.end（）） {

　　RotatedRect rect = minAreaRect（Mat（*it））;

　　if（verifyRect（rect））{

　　++it; // A valid rectangle found

　　} else {

　　it= contours.erase（it）;

　　}

　　}

　　。。。

　　vector《Rect》 boundRect（contours.size（））;

　　for （int i = 0; i 《 contours.size（）; ++i） {

　　Scalar color = Scalar（200， 200， 200）;

　　boundRect［i］ = boundingRect（Mat（contours［i］））;

　　rectangle（out_img， boundRect［i］.tl（）， boundRect［i］.br（）， color， 0.2， 8， 0）;

　　CvRect roi = CvRect（boundRect［i］）;

　　IplImage orig = out_img;

　　IplImage *res = cvCreateImage（cvSize（roi.width， roi.height）， orig.depth， orig.nChannels）;

　　cvSetImageROI（&orig， roi）;

　　cvCopy（&orig， res）;

　　cvResetImageROI（&orig）;

　　IplImage *bininv_img;

　　bininv_img = cvCreateImage（cvSize（128， 128）， IPL_DEPTH_8U， 1）;

　　cvResize（res， bininv_img）;

　　cvThreshold（bininv_img， bininv_img， 100， 255， CV_THRESH_BINARY_INV）;

　　int ret = do_ocr（bininv_img）;

　　res_elem elem;

　　elem.num = ret;

　　elem.xpos = boundRect［i］.tl（）.x;

　　res_vec.push_back（elem）;

　　。。。

　　}

　　結果：