Python影象識別+KNN求解數獨的實現
阿新 • • 發佈：2020-11-15
Python-opencv+KNN求解數獨
最近一直在玩數獨，突發奇想實現影象識別求解數獨，輸入到輸出平均需要0.5s。
整體思路大概就是識別出圖中數字生成list，然後求解。
輸入輸出demo
數獨採用的是微軟自帶的Microsoft sudoku軟體隨便擷取的影象，如下圖所示：
經過程式求解後，得到的結果如下圖所示：
程式具體流程
程式整體流程如下圖所示：
讀入影象後，根據求解輪廓資訊找到數字所在位置，以及不包含數字的空白位置，提取數字資訊通過KNN識別，識別出數字；無數字資訊的在list中置0；生成未求解數獨list，之後求解數獨，將資訊在原圖中顯示出來。
# -*-coding:utf-8-*-
import os
import cv2 as cv
import numpy as np
import time
####################################################
#尋找數字生成list
def find_dig_(img,train_set):
if img is None:
print("無效的圖片！")
os._exit(0)
return
_,thre = cv.threshold(img,230,250,cv.THRESH_BINARY_INV)
_,contours,hierarchy = cv.findContours(thre,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE)
sudoku_list = []
boxes = []
for i in range(len(hierarchy[0])):
if hierarchy[0][i][3] == 0: # 表示父輪廓為 0
boxes.append(hierarchy[0][i])
# 提取數字
nm = []
for j in range(len(boxes)): # 此處len(boxes)=81
if boxes[j][2] != -1:
x,y,w,h = cv.boundingRect(contours[boxes[j][2]])
nm.append([x,h])
# 在原圖中框選各個數字
cropped = img[y:y + h,x:x + w]
im = img_pre(cropped) #預處理
AF = incise(im) #切割數字影象
result = identification(train_set,AF,7) #knn識別
sudoku_list.insert(0,int(result)) #生成list
else:
sudoku_list.insert(0,0)
if len(sudoku_list) == 81:
sudoku_list= np.array(sudoku_list)
sudoku_list= sudoku_list.reshape((9,9))
print("old_sudoku -> \n",sudoku_list)
return sudoku_list,hierarchy
else:
print("無效的圖片！")
os._exit(0)
######################################################
#KNN演算法識別數字
def img_pre(cropped):
# 預處理數字影象
im = np.array(cropped) # 轉化為二維陣列
for i in range(im.shape[0]): # 轉化為二值矩陣
for j in range(im.shape[1]):
# print(im[i,j])
if im[i,j] != 255:
im[i,j] = 1
else:
im[i,j] = 0
return im
# 提取圖片特徵
def feature(A):
midx = int(A.shape[1] / 2) + 1
midy = int(A.shape[0] / 2) + 1
A1 = A[0:midy,0:midx].mean()
A2 = A[midy:A.shape[0],0:midx].mean()
A3 = A[0:midy,midx:A.shape[1]].mean()
A4 = A[midy:A.shape[0],midx:A.shape[1]].mean()
A5 = A.mean()
AF = [A1,A2,A3,A4,A5]
return AF
# 切割圖片並返回每個子圖片特徵
def incise(im):
# 豎直切割並返回切割的座標
a = [];
b = []
if any(im[:,0] == 1):
a.append(0)
for i in range(im.shape[1] - 1):
if all(im[:,i] == 0) and any(im[:,i + 1] == 1):
a.append(i + 1)
elif any(im[:,i] == 1) and all(im[:,i + 1] == 0):
b.append(i + 1)
if any(im[:,im.shape[1] - 1] == 1):
b.append(im.shape[1])
# 水平切割並返回分割圖片特徵
names = locals();
AF = []
for i in range(len(a)):
names['na%s' % i] = im[:,range(a[i],b[i])]
if any(names['na%s' % i][0,:] == 1):
c = 0
else:
for j in range(names['na%s' % i].shape[0]):
if j < names['na%s' % i].shape[0] - 1:
if all(names['na%s' % i][j,:] == 0) and any(names['na%s' % i][j + 1,:] == 1):
c = j
break
else:
c = j
if any(names['na%s' % i][names['na%s' % i].shape[0] - 1,:] == 1):
d = names['na%s' % i].shape[0] - 1
else:
for j in range(names['na%s' % i].shape[0]):
if j < names['na%s' % i].shape[0] - 1:
if any(names['na%s' % i][j,:] == 1) and all(names['na%s' % i][j + 1,:] == 0):
d = j + 1
break
else:
d = j
names['na%s' % i] = names['na%s' % i][range(c,d),:]
AF.append(feature(names['na%s' % i])) # 提取特徵
for j in names['na%s' % i]:
pass
return AF
# 訓練已知圖片的特徵
def training():
train_set = {}
for i in range(9):
value = []
for j in range(15):
ima = cv.imread('E:/test_image/knn_test/{}/{}.png'.format(i + 1,j + 1),0)
im = img_pre(ima)
AF = incise(im)
value.append(AF[0])
train_set[i + 1] = value
return train_set
# 計算兩向量的距離
def distance(v1,v2):
vector1 = np.array(v1)
vector2 = np.array(v2)
Vector = (vector1 - vector2) ** 2
distance = Vector.sum() ** 0.5
return distance
# 用最近鄰演算法識別單個數字
def knn(train_set,V,k):
key_sort = [11] * k
value_sort = [11] * k
for key in range(1,10):
for value in train_set[key]:
d = distance(V,value)
for i in range(k):
if d < value_sort[i]:
for j in range(k - 2,i - 1,-1):
key_sort[j + 1] = key_sort[j]
value_sort[j + 1] = value_sort[j]
key_sort[i] = key
value_sort[i] = d
break
max_key_count = -1
key_set = set(key_sort)
for key in key_set:
if max_key_count < key_sort.count(key):
max_key_count = key_sort.count(key)
max_key = key
return max_key
# 生成數字
def identification(train_set,k):
result = ''
for i in AF:
key = knn(train_set,i,k)
result = result + str(key)
return result
######################################################
######################################################
#求解數獨
def get_next(m,x,y):
# 獲得下一個空白格在數獨中的座標。
:param m 數獨矩陣
:param x 空白格行數
:param y 空白格列數
"""
for next_y in range(y + 1,9): # 下一個空白格和當前格在一行的情況
if m[x][next_y] == 0:
return x,next_y
for next_x in range(x + 1,9): # 下一個空白格和當前格不在一行的情況
for next_y in range(0,9):
if m[next_x][next_y] == 0:
return next_x,next_y
return -1,-1 # 若不存在下一個空白格，則返回 -1，-1
def value(m,y):
# 返回符合"每個橫排和豎排以及九宮格內無相同數字"這個條件的有效值。
i,j = x // 3,y // 3
grid = [m[i * 3 + r][j * 3 + c] for r in range(3) for c in range(3)]
v = set([x for x in range(1,10)]) - set(grid) - set(m[x]) - \
set(list(zip(*m))[y])
return list(v)
def start_pos(m):
# 返回第一個空白格的位置座標
for x in range(9):
for y in range(9):
if m[x][y] == 0:
return x,y
return False,False # 若數獨已完成，則返回 False,False
def try_sudoku(m,y):
# 試著填寫數獨
for v in value(m,y):
m[x][y] = v
next_x,next_y = get_next(m,y)
if next_y == -1: # 如果無下一個空白格
return True
else:
end = try_sudoku(m,next_x,next_y) # 遞迴
if end:
return True
m[x][y] = 0 # 在遞迴的過程中，如果數獨沒有解開，
# 則回溯到上一個空白格
def sudoku_so(m):
x,y = start_pos(m)
try_sudoku(m,y)
print("new_sudoku -> \n",m)
return m
###################################################
# 將結果繪製到原圖
def draw_answer(img,hierarchy,new_sudoku_list ):
new_sudoku_list = new_sudoku_list .flatten().tolist()
for i in range(len(contours)):
cnt = contours[i]
if hierarchy[0,-1] == 0:
num = new_soduku_list.pop(-1)
if hierarchy[0,2] == -1:
x,h = cv.boundingRect(cnt)
cv.putText(img,"%d" % num,(x + 19,y + 56),cv.FONT_HERSHEY_SIMPLEX,1.8,(0,255),2) # 填寫數字
cv.imwrite("E:/answer.png",img)
if __name__ == '__main__':
t1 = time.time()
train_set = training()
img = cv.imread('E:/test_image/python_test_img/Sudoku.png')
img_gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
sudoku_list,hierarchy = find_dig_(img_gray,train_set)
new_sudoku_list = sudoku_so(sudoku_list)
draw_answer(img,new_sudoku_list )
print("time :",time.time()-t1)
PS：
使用KNN演算法需要建立訓練集，數獨中共涉及9個數字，“1,2,3,4,5,6,7,8,9”各15幅圖放入資料夾中，如下圖所示。
到此這篇關於Python影象識別+KNN求解數獨的實現的文章就介紹到這了,更多相關Python KNN求解數獨內容請搜尋我們以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援我們！