使用opencv实现对复杂图片中的数字的识别，并取出数字

识别复杂图片中的数字需要进行一系列的图像处理和数字识别操作，下面是一个基本的流程：

1. 加载图片并转化为灰度图像。
2. 对图像进行二值化处理，将数字分离出来。
3. 对图像进行形态学变换（如腐蚀和膨胀）以去除噪声和填充数字中的空洞。
4. 利用轮廓检测方法（如findContours）找到数字的外轮廓。
5. 对每个数字的轮廓进行处理，如对数字进行裁剪、缩放和归一化。
6. 利用数字识别算法（如SVM或神经网络）对每个数字进行识别。

下面是一个示例代码，演示如何实现对复杂图片中的数字的识别：

import cv2
import numpy as np
import pytesseract

# 加载图片并转化为灰度图像
image = cv2.imread('image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 对图像进行二值化处理，将数字分离出来
_, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 对图像进行形态学变换，去除噪声和填充数字中的空洞
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)

# 找到数字的轮廓
contours, _ = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 对每个数字的轮廓进行处理
for contour in contours:
    # 计算数字的边界框
    (x, y, w, h) = cv2.boundingRect(contour)
    
    # 对数字进行裁剪、缩放和归一化
    roi = gray[y:y+h, x:x+w]
    roi = cv2.resize(roi, (28, 28))
    roi = cv2.dilate(roi, (3, 3))
    roi = roi.astype('float32') / 255.0
    roi = np.reshape(roi, (1, 28, 28, 1))
    
    # 利用数字识别算法对每个数字进行识别
    model = load_model('model.h5')
    digit = np.argmax(model.predict(roi), axis=1)[0]
    
    # 在图片上标注数字
    cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)
    cv2.putText(image, str(digit), (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# 显示结果
cv2.imshow('Result', image)
cv2.waitKey(0)

在这个例子中，我们使用了OpenCV进行图像处理和数字的轮廓检测，使用Keras构建了一个数字识别模型。当然，识别复杂图片中的数字是一个比较复杂的任务，需要根据实际情况进行调整和优化，比如使用更复杂的数字识别算法，对图像进行更多的预处理等等。