干货 | 手把手教你用115行代码做个数独解析器！

你也是数独爱好者吗？

Aakash Jhawar和许多人一样，乐于挑战新的难题。上学的时候，他每天早上都要玩数独。长大后，随着科技的进步，我们可以让计算机来帮我们解数独了！只需要点击数独的图片，它就会为你填满全部九宫格。

叮~ 这里有一份数独解析教程，等待你查收~ 喜欢收藏硬核干货的小伙伴看过来~

我们都知道，数独由9×9的格子组成，每行、列、宫各自都要填上1-9的数字，要做到每行、列、宫里的数字都不重复。

可以将解析数独的整个过程分成3步：

第一步：从图像中提取数独

第二步：提取图像中出现的每个数字

第三步：用算法计算数独的解

第一步：从图像中提取数独

首先需要进行图像处理。

1、对图像进行预处理

首先，我们应用高斯模糊的内核大小(高度，宽度)为9的图像。注意，内核大小必须是正的和奇数的，并且内核必须是平方的。然后使用11个最近邻像素自适应阈值。

proc = cv2.GaussianBlur（img.copy（），（9，9），0）  proc = cv2.adaptiveThreshold（proc，255，cv2.ADAPTIVE_THRESH_GAUSSIAN_C，cv2.THRESH_BINARY，11，2） 

为了使网格线具有非零像素值，我们颠倒颜色。此外，把图像放大，以增加网格线的大小。

proc = cv2.bitwise_not（proc，proc）     kernel = np.array（[[0。，1.，0.]，[1.，1.，1.]，[0.，1.，0.]] ，np.uint8）  proc = cv2.dilate（proc，kernel） 

阈值化后的数独图像

2、找出最大多边形的角

下一步是寻找图像中最大轮廓的4个角。所以需要找到所有的轮廓线，按面积降序排序，然后选择面积最大的那个。

_, contours, h = cv2.findContours(img.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)  contours = sorted(contours, key=cv2.contourArea, reverse=True)  polygon = contours[0] 

使用的操作符。带有max和min的itemgetter允许我们获得该点的索引。每个点都是有1个坐标的数组，然后[0]和[1]分别用于获取x和y。

右下角点具有最大的(x + y)值；左上角有点最小(x + y)值；左下角则具有最小的(x - y)值；右上角则具有最大的(x - y)值。

bottom_right, _ = max(enumerate([pt[0][0] + pt[0][1] for pt in                        polygon]), key=operator.itemgetter(1))  top_left, _ = min(enumerate([pt[0][0] + pt[0][1] for pt in                    polygon]), key=operator.itemgetter(1))  bottom_left, _ = min(enumerate([pt[0][0] - pt[0][1] for pt in                       polygon]), key=operator.itemgetter(1))  top_right, _ = max(enumerate([pt[0][0] - pt[0][1] for pt in                     polygon]), key=operator.itemgetter(1)) 

现在我们有了4个点的坐标，然后需要使用索引返回4个点的数组。每个点都在自己的一个坐标数组中。

[polygon[top_left][0], polygon[top_right][0], polygon[bottom_right][0], polygon[bottom_left][0]] 

最大多边形的四个角

3、裁剪和变形图像

有了数独的4个坐标后，我们需要剪裁和弯曲一个矩形部分，从一个图像变成一个类似大小的正方形。由左上、右上、右下和左下点描述的矩形。

注意：将数据类型显式设置为float32或‘getPerspectiveTransform’会引发错误。

top_left, top_right, bottom_right, bottom_left = crop_rect[0], crop_rect[1], crop_rect[2], crop_rect[3]  src = np.array([top_left, top_right, bottom_right, bottom_left], dtype= float32 )   side = max([  distance_between(bottom_right, top_right),               distance_between(top_left, bottom_left),              distance_between(bottom_right, bottom_left),                 distance_between(top_left, top_right) ]) 

用计算长度的边来描述一个正方形，这是要转向的新视角。然后要做的是通过比较之前和之后的4个点来得到用于倾斜图像的变换矩阵。最后，再对原始图像进行变换。

dst = np.array([[0, 0], [side - 1, 0], [side - 1, side - 1], [0, side - 1]], dtype= float32 )  m = cv2.getPerspectiveTransform(src, dst)  cv2.warpPerspective(img, m, (int(side), int(side))) 

裁剪和变形后的数独图像

4、从正方形图像中推断网格

从正方形图像推断出81个单元格。我们在这里交换 j 和 i ，这样矩形就被存储在从左到右读取的列表中，而不是自上而下。

（编辑：应用网_阳江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!