用python不使用深度学习模型实现数码管数字的识别，输入数码管图片，输出数字。

可以使用数字图像处理技术来实现数码管数字的识别，以下是一种基于阈值分割和轮廓检测的方法：

1. 将输入的数码管图片转为灰度图像。

2. 对图像进行二值化处理，将数字和背景分离出来。可以使用固定阈值二值化或自适应阈值二值化。

3. 对二值化后的图像进行轮廓检测，找到所有的轮廓。

4. 对每个轮廓进行面积和宽高比的筛选，剔除掉过小或过大的轮廓，以及不符合数字特征的轮廓。

5. 对剩余的轮廓进行数字识别，可以使用模板匹配或机器学习算法等方法。

6. 输出识别结果。

下面是一个简单的示例代码：

import cv2

# 读取数码管图片并转为灰度图像
img = cv2.imread('digit.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化处理
_, thresh = cv2.threshold(gray, 100, 255, cv2.THRESH_BINARY_INV)

# 轮廓检测
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 筛选轮廓
digit_contours = []
for contour in contours:
    area = cv2.contourArea(contour)
    x, y, w, h = cv2.boundingRect(contour)
    aspect_ratio = w / float(h)
    if area > 100 and aspect_ratio > 0.2 and aspect_ratio < 1.5:
        digit_contours.append(contour)

# 数字识别
digits = []
for contour in digit_contours:
    x, y, w, h = cv2.boundingRect(contour)
    digit_roi = gray[y:y+h, x:x+w]
    digit_roi = cv2.resize(digit_roi, (20, 30))
    digit_roi = cv2.copyMakeBorder(digit_roi, 5, 5, 5, 5, cv2.BORDER_CONSTANT, value=(0, 0, 0))
    digit_roi = cv2.GaussianBlur(digit_roi, (5, 5), 0)
    _, digit_thresh = cv2.threshold(digit_roi, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
    digit = cv2.matchTemplate(digit_thresh, templates, cv2.TM_CCOEFF_NORMED)
    digits.append(np.argmax(digit)+1)

# 输出识别结果
print(digits)

其中，`digit.jpg`是输入的数码管图片，`templates`是数字模板图像，可以使用MNIST等数据集来生成。这里使用的是手动裁剪的模板图像。