对于给定的一张图像，可能边缘或者无效信息较多，所以需要将图像主要内容分离出来，这里对于特定的图片给出一个小例子。
对于此图（左）来说，两边的无效信息较多，字母主要集中在中间部分。对于少量图而言可以手动去掉两边的空白成为右图。可是对于成千上万张图片需要一种特定的方法。观察到数字主要集中在中间并且为大量黑色像素点，两边主要是白色像素点，所以考虑将图片先转为灰度，然后统计其水平的像素值分布，根据一定的阈值将中间部分区分出来。
import cv2 import os import numpy as np import matplotlib.pyplot as plt
imgs = os.listdir(r"D:/ws_yzm/yzm/valid_data") imgNum = len(imgs) img =[[] for i in range(imgNum)] for i in range(0, imgNum): img[i] = cv2.imread('yzm/valid_data/'+imgs[i]) img[i] = cv2.cvtColor(img[i], cv2.COLOR_BGR2GRAY) # 将读入的图像先转为灰度 img_wrong = cv2.imread('D:/ws_yzm/yzm/valid_data/'+'00264.png') # 取其中的一张图片进行操作显示 img_wrong= cv2.cvtColor(img_wrong, cv2.COLOR_BGR2GRAY) y_axis = np.mean(img_wrong, axis=0) # 对图片的水平方向求象素均值 b = y_axis.shape[0] y_t = np.zeros(b) plt.subplot(221) plt.plot(y_axis) # 画出水平像素分布 for i in range(0, b): if y_axis[i] <= 200: # 设定阈值为200，即水平像素均值<200则令y_t为1，否则为0 y_t[i] = 1 plt.subplot(222) plt.plot(y_t) # 将y_t画出 y_diff = np.diff(y_t) # 对y_t求差分 plt.subplot(223) plt.plot(y_diff) # 将y_diff画出 q = np.where(y_diff != 0) # 将y_diff！=0的点坐标找出 q = list(q[0]) q.append(b) axis = [] # 存放找到的区间坐标 for l in range(1, q.__len__()): if (((q[l] - q[l - 1]) > 25) & (y_t[q[l] - 1] == 1)): axis.extend([q[l - 1], q[l]]) # 将区间宽度>25，并且属于值为1的区间坐标找出 if axis and np.max(axis) >= 200: # 如果找出的坐标非空，且其最大值>200则在axis里找出最大和最小坐标值 x_min = np.min(axis) x_max = np.max(axis) else: # 如果找出的坐标为空，则取图像最右端0为左边界，q的最小值为有边界 x_min = 0 x_max = np.min(q)
plt.subplot(224) img_new = img_wrong[:, x_min:x_max] # 将处理后的图像画出 #cv2.imwrite('yzm/new_valid_data/' + imgs[j], img_new) plt.imshow(img_wrong[:, x_min:x_max], cmap='gray')
由结果图看到分割较好。条件设置主要是针对0-1二值化的结果，由于数字分布不均匀，不同的图0-1化结果有很大出入，所以需要根据一定的判断将x_min和x_max求出。上述代码在几千张的图像处理中基本都能分割正确。