opencv数字识别矩形框

您可以使用OpenCV库来进行数字识别和矩形框的绘制。下面是一个简单的示例代码：

import cv2
import numpy as np

# 加载数字识别模型
model = cv2.ml.KNearest_create()
model.train(np.load('train_data.npy'), cv2.ml.ROW_SAMPLE, np.load('train_labels.npy'))

# 加载图像并进行预处理
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
image = cv2.GaussianBlur(image, (5, 5), 0)
_, image = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 查找轮廓
contours, _ = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 遍历每个轮廓
for contour in contours:
    # 计算轮廓的边界框
    x, y, w, h = cv2.boundingRect(contour)
    # 确保边界框的宽度和高度合适
    if w > 10 and h > 10:
        # 提取数字区域并调整大小
        digit = image[y:y+h, x:x+w]
        digit = cv2.resize(digit, (28, 28))
        digit = np.float32(digit.reshape(-1, 784))

        # 使用模型进行预测
        _, result, _, _ = model.findNearest(digit, k=1)

        # 在图像上绘制矩形框和识别结果
        cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)
        cv2.putText(image, str(int(result[0][0])), (x, y), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

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

在这个示例中，我们首先加载了一个使用K最近邻算法训练的数字识别模型。然后，我们加载待处理的图像并进行预处理，包括灰度化、高斯模糊和二值化。接下来，我们使用`findContours`函数找到图像中的轮廓。对于每个轮廓，我们计算边界框并检查其宽度和高度是否合适。然后，我们提取数字区域并调整大小，使用训练好的模型进行预测。最后，我们在原始图像上绘制矩形框和识别结果，并显示结果图像。

请注意，此示例仅提供了一个基本的数字识别和矩形框绘制的框架，您可能需要根据您的具体需求进行适当的调整和优化。此外，在运行代码之前，请确保已经准备好数字识别模型和训练数据。