簡介本資源是一個(gè)基于C實(shí)現(xiàn)的麻將圖像識(shí)別項(xiàng)目面向計(jì)算機(jī)視覺初學(xué)者與課程設(shè)計(jì)實(shí)踐者解決真實(shí)場景下云飛針拍攝的麻將牌自動(dòng)分離與分類問題。項(xiàng)目融合顏色直方圖與25維像素占比雙特征提取策略并采用SVM分類器完成136張標(biāo)準(zhǔn)麻將牌的精準(zhǔn)識(shí)別可直接用于畢設(shè)、工程實(shí)訓(xùn)或AI圖像識(shí)別入門實(shí)踐。壓縮包共2000個(gè)文件含1958張標(biāo)注清晰的PNG牌面樣本圖像以及核心算法模塊的14個(gè)CPP源文件、11個(gè)H頭文件涵蓋qcolorhist_pixratio_feature、dialogmajiang等關(guān)鍵類、UI界面與構(gòu)建配置文件整體22.26MB結(jié)構(gòu)完整、模塊解耦清晰便于理解特征工程與SVM訓(xùn)練全流程。目前已有95人學(xué)習(xí)下載資源附帶可編譯運(yùn)行的完整工程maJiangProj.pro及對應(yīng)moc文件包含圖像預(yù)處理、ROI分割、特征計(jì)算與分類推理全鏈路代碼適合動(dòng)手調(diào)試、功能擴(kuò)展與算法對比實(shí)驗(yàn)。1. 項(xiàng)目概述從一桌亂麻到精準(zhǔn)識(shí)別麻將牌識(shí)別聽起來像是棋牌室或者自動(dòng)麻將機(jī)廠商才會(huì)關(guān)心的技術(shù)但如果你深入計(jì)算機(jī)視覺領(lǐng)域會(huì)發(fā)現(xiàn)這是一個(gè)絕佳的練手項(xiàng)目。它麻雀雖小五臟俱全涵蓋了圖像預(yù)處理、目標(biāo)檢測與分割、特征工程、分類器設(shè)計(jì)等CV領(lǐng)域的核心流程。最近我基于一份“云飛針”圖像數(shù)據(jù)集用C完整實(shí)現(xiàn)了一套麻將牌分離與識(shí)別系統(tǒng)。所謂“云飛針”可以理解為一種特定視角下比如俯拍的、牌面可能有一定傾斜和堆疊的麻將圖像這比規(guī)整擺放的識(shí)別更具挑戰(zhàn)性。這個(gè)項(xiàng)目的核心目標(biāo)很明確給定一張包含多張雜亂擺放麻將牌的圖像首先要把每一張牌準(zhǔn)確地“摳”出來分離然后判斷每一張牌具體是什么識(shí)別。我采用的方案是經(jīng)典的“特征提取 分類器”路線。在特征層面我融合了顏色直方圖和25維像素占比兩種特征以同時(shí)捕捉牌面的顏色分布和結(jié)構(gòu)形狀信息。在分類器選擇上我使用了經(jīng)久不衰的支持向量機(jī)SVM。整個(gè)項(xiàng)目用C實(shí)現(xiàn)兼顧了執(zhí)行效率和算法可控性。無論你是想入門計(jì)算機(jī)視覺還是希望找一個(gè)綜合性的項(xiàng)目來鞏固C和OpenCV技能這個(gè)案例都能提供一條清晰的實(shí)踐路徑。2. 核心思路與方案選型為什么是“特征SVM”面對麻將識(shí)別問題首先需要確定技術(shù)路線。當(dāng)前主流方案大致有三類1基于深度學(xué)習(xí)的端到端檢測識(shí)別如YOLO、SSD2基于傳統(tǒng)圖像處理的分割模板匹配3基于傳統(tǒng)圖像處理的分割特征分類。我選擇了第三種方案原因如下深度學(xué)習(xí)方案雖然強(qiáng)大但需要大量的標(biāo)注數(shù)據(jù)每張牌在不同角度、光照下的圖片且模型體積和計(jì)算開銷相對較大對于“云飛針”這種特定場景有點(diǎn)“殺雞用牛刀”的感覺也不利于我們深入理解圖像處理的底層原理。模板匹配方案簡單直接但魯棒性很差一旦牌面有旋轉(zhuǎn)、縮放、光照變化或者污漬匹配效果就會(huì)急劇下降。因此“分割 特征分類”成為了平衡復(fù)雜度與魯棒性的理想選擇。它的核心思想是先通過圖像處理技術(shù)將每張牌獨(dú)立分割出來然后為每個(gè)分割出的牌面區(qū)域計(jì)算一組能夠代表其本質(zhì)屬性的“特征向量”最后用一個(gè)分類器根據(jù)特征向量判斷牌的類別。這條路線迫使我們?nèi)ニ伎际裁礃拥奶卣髂茏詈玫貐^(qū)分“一萬”和“九萬”“紅中”和“發(fā)財(cái)”在顏色和紋理上究竟有何不同這比單純調(diào)參訓(xùn)練一個(gè)黑盒網(wǎng)絡(luò)更有價(jià)值。在分類器選擇上SVM在中小規(guī)模、特征維度適中的分類問題上表現(xiàn)一直很穩(wěn)定。它通過尋找一個(gè)最優(yōu)超平面來最大化不同類別樣本之間的間隔對于像麻將牌這種類別數(shù)固定幾十類、特征可分性較好的問題非常合適。相比于需要大量數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)SVM在樣本量有限的情況下往往能取得更好的泛化性能且模型更輕量推理速度更快非常適合用C進(jìn)行高效部署。3. 圖像預(yù)處理與牌張分離從原始圖像到獨(dú)立ROI拿到一張“云飛針”原始圖像第一步不是急著識(shí)別而是清理戰(zhàn)場把一張張牌找出來。這個(gè)過程是后續(xù)所有操作的基礎(chǔ)其準(zhǔn)確性直接決定了整個(gè)系統(tǒng)的上限。3.1 圖像預(yù)處理降噪與增強(qiáng)原始圖像通常存在光照不均、背景雜亂、牌面反光、陰影等問題。我的預(yù)處理流水線如下灰度化將彩色圖像轉(zhuǎn)換為灰度圖。很多輪廓和邊緣信息在灰度空間下已經(jīng)足夠清晰且能減少計(jì)算量。使用經(jīng)典的cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY)。高斯濾波采用高斯模糊cv::GaussianBlur平滑圖像抑制噪聲。這里的關(guān)鍵是選擇合適的高斯核大小如5x5。核太小去噪效果不佳太大會(huì)模糊邊緣影響后續(xù)輪廓查找。自適應(yīng)二值化這是關(guān)鍵一步。由于光照可能不均全局閾值二值化如cv::threshold效果很差。我采用自適應(yīng)閾值二值化cv::adaptiveThreshold。它會(huì)在圖像的不同區(qū)域計(jì)算局部閾值能很好地處理光照漸變的情況確保無論是亮處還是暗處的牌都能被完整地二值化出來。cv::adaptiveThreshold(gray, binary, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C, cv::THRESH_BINARY, 11, 2);參數(shù)11是局部鄰域大小2是從均值或加權(quán)均值中減去的常數(shù)需要根據(jù)圖像實(shí)際情況微調(diào)。形態(tài)學(xué)操作二值化后的圖像牌面內(nèi)部可能有孔洞如“一萬”的筆畫牌與牌之間可能有粘連。通過閉運(yùn)算先膨脹后腐蝕可以填充小的孔洞連接鄰近的物體通過開運(yùn)算先腐蝕后膨脹可以消除小的白色噪點(diǎn)分離細(xì)微粘連。我通常先進(jìn)行閉運(yùn)算填充牌面再進(jìn)行開運(yùn)算平滑邊緣并嘗試分離輕微粘連。cv::Mat kernel cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3)); cv::morphologyEx(binary, binary, cv::MORPH_CLOSE, kernel); // 閉運(yùn)算 cv::morphologyEx(binary, binary, cv::MORPH_OPEN, kernel); // 開運(yùn)算3.2 輪廓查找與牌張ROI提取預(yù)處理后我們得到了一張相對“干凈”的二值圖白色區(qū)域代表麻將牌黑色代表背景。查找輪廓使用cv::findContours函數(shù)查找所有白色區(qū)域的輪廓。這里要使用cv::RETR_EXTERNAL模式只檢索最外層輪廓避免把牌面上的字或花紋的內(nèi)部輪廓也找出來。輪廓篩選不是所有找到的輪廓都是麻將牌。可能是圖像邊緣的噪點(diǎn)或者是反光形成的亮斑。我們需要根據(jù)先驗(yàn)知識(shí)進(jìn)行篩選面積篩選計(jì)算輪廓面積cv::contourArea。真實(shí)麻將牌的面積在一個(gè)特定范圍內(nèi)過小可能是噪點(diǎn)或過大可能是多張牌未分離的輪廓都應(yīng)剔除。寬高比篩選麻將牌通常是矩形其外接矩形的寬高比大致固定例如接近2:1。偏離這個(gè)比例太多的輪廓可能是其他物體。凸性檢測使用cv::isContourConvex或計(jì)算輪廓的凸包真正的牌張輪廓應(yīng)該是接近凸形的。提取ROI并透視校正對于每一個(gè)通過篩選的輪廓獲取其最小外接矩形cv::minAreaRect。這個(gè)矩形能帶角度可以處理牌面傾斜的情況。然后利用這個(gè)矩形的四個(gè)頂點(diǎn)進(jìn)行透視變換cv::getPerspectiveTransform和cv::warpPerspective將傾斜的牌面校正為規(guī)整的正矩形ROI圖像。這一步至關(guān)重要它保證了后續(xù)提取的特征是在一個(gè)標(biāo)準(zhǔn)視角下計(jì)算的極大地提高了特征的一致性和分類的準(zhǔn)確性。實(shí)操心得輪廓篩選的閾值面積上下限、寬高比范圍不能寫死。最好能設(shè)計(jì)一個(gè)簡單的自適應(yīng)方法比如根據(jù)圖像中所有輪廓面積的中位數(shù)或均值來動(dòng)態(tài)確定范圍這樣系統(tǒng)對不同分辨率、不同拍攝距離的圖像會(huì)有更好的適應(yīng)性。4. 特征工程構(gòu)建牌的“數(shù)字身份證”分離出單張牌的ROI后我們需要從中提取能夠表征其身份的特征。我選擇了兩種互補(bǔ)的特征顏色直方圖和25維像素占比。將它們拼接起來就構(gòu)成了這張牌的“特征向量”。4.1 顏色直方圖特征捕捉色彩分布麻將牌雖然底色多為白色或淺色但牌面上的字和圖案顏色是重要的區(qū)分依據(jù)。例如“紅中”有大量紅色“發(fā)財(cái)”是綠色“白板”則幾乎沒有彩色像素。色彩空間選擇我選擇在HSV色彩空間中計(jì)算直方圖。相比RGB空間HSV色調(diào)、飽和度、明度能將顏色信息H與亮度信息V分離對光照變化更魯棒。使用cv::cvtColor(roi, hsv_roi, cv::COLOR_BGR2HSV)進(jìn)行轉(zhuǎn)換。計(jì)算直方圖主要關(guān)注H通道色調(diào)因?yàn)樗苯哟砹祟伾?。使用cv::calcHist函數(shù)計(jì)算H通道的直方圖。我將H通道的值域0-180劃分為16個(gè)bin即16維特征。為什么是16這是一個(gè)經(jīng)驗(yàn)值在區(qū)分度和特征維度間取得平衡。太多維容易過擬合且增加計(jì)算量太少維則區(qū)分能力不足。int h_bins 16; int histSize[] {h_bins}; float h_ranges[] {0, 180}; const float* ranges[] {h_ranges}; int channels[] {0}; // 0通道代表H通道 cv::calcHist(hsv_roi, 1, channels, cv::Mat(), hist, 1, histSize, ranges); cv::normalize(hist, hist, 0, 1, cv::NORM_MINMAX); // 歸一化消除ROI大小的影響歸一化對直方圖進(jìn)行歸一化cv::normalize使其和為1。這保證了特征與牌面ROI圖像的大小無關(guān)只反映顏色分布的比例。4.2 25維像素占比特征刻畫結(jié)構(gòu)形狀僅靠顏色無法區(qū)分“一萬”和“九萬”因?yàn)樗鼈冾伾赡芟嗤?。這時(shí)就需要形狀或結(jié)構(gòu)特征。我設(shè)計(jì)了一種簡單的“像素占比”特征。網(wǎng)格劃分將校正后的矩形ROI圖像例如歸一化到64x128像素大小均勻劃分為5行5列共25個(gè)網(wǎng)格cell。二值化與占比計(jì)算對每個(gè)網(wǎng)格將其圖像轉(zhuǎn)換為灰度并二值化可以使用OTSU閾值法。然后計(jì)算該網(wǎng)格內(nèi)前景牌面圖案像素?cái)?shù)與網(wǎng)格總像素?cái)?shù)的比值。這個(gè)比值反映了在該局部區(qū)域內(nèi)牌面圖案的“稠密”程度。構(gòu)成特征向量遍歷25個(gè)網(wǎng)格計(jì)算25個(gè)占比值按行優(yōu)先或列優(yōu)先的順序排列形成一個(gè)25維的特征向量。例如“一萬”可能只在中間一個(gè)網(wǎng)格有較高的占比而“九萬”可能在多個(gè)網(wǎng)格都有較高的、且分布特定的占比。注意事項(xiàng)這種特征對牌面的對齊透視校正要求很高。如果牌沒有校正正網(wǎng)格劃分就會(huì)錯(cuò)位導(dǎo)致特征計(jì)算完全錯(cuò)誤。此外二值化的穩(wěn)定性也很關(guān)鍵光照不均可能導(dǎo)致同一個(gè)網(wǎng)格在不同圖片中二值化結(jié)果差異大?？梢钥紤]對每個(gè)網(wǎng)格單獨(dú)做自適應(yīng)二值化來提升魯棒性。4.3 特征融合與降維可選最終我們將16維的顏色直方圖特征和25維的像素占比特征拼接起來得到一個(gè)41維的聯(lián)合特征向量。在送入SVM之前可以考慮使用主成分分析PCA進(jìn)行降維。PCA可以去除特征之間的相關(guān)性并保留最重要的信息有時(shí)能提升SVM的性能并加速訓(xùn)練。但在本項(xiàng)目中41維并不算高且特征設(shè)計(jì)時(shí)已考慮了區(qū)分度因此這一步不是必須的。是否使用PCA可以通過交叉驗(yàn)證來評估。5. SVM分類器的訓(xùn)練與部署有了特征向量接下來就是訓(xùn)練一個(gè)分類器來學(xué)習(xí)特征與牌面類別之間的映射關(guān)系。5.1 數(shù)據(jù)準(zhǔn)備與標(biāo)注這是最耗時(shí)但最重要的一步。需要收集大量“云飛針”場景下的麻將圖片并手動(dòng)標(biāo)注。每張圖片需要完成兩項(xiàng)標(biāo)注檢測框標(biāo)出每張牌的位置用于訓(xùn)練分割步驟的輪廓篩選邏輯或驗(yàn)證分離效果。類別標(biāo)簽為每個(gè)檢測框賦予正確的牌面類別如“1筒”、“東風(fēng)”、“紅中”?？梢允褂肔abelImg等工具進(jìn)行標(biāo)注生成PASCAL VOC或YOLO格式的標(biāo)注文件。然后用我們前面實(shí)現(xiàn)的預(yù)處理和特征提取流程遍歷所有標(biāo)注好的牌面ROI計(jì)算其41維特征向量并保存對應(yīng)的類別標(biāo)簽形成訓(xùn)練數(shù)據(jù)集(特征向量, 標(biāo)簽)。5.2 SVM模型訓(xùn)練我使用OpenCV中的SVM實(shí)現(xiàn)cv::ml::SVM。OpenCV的SVM模塊功能完整接口清晰。設(shè)置參數(shù)SVM有幾個(gè)關(guān)鍵參數(shù)需要設(shè)置類型Typecv::ml::SVM::C_SVC這是最常用的用于多類分類的C-支持向量分類。核函數(shù)Kernel我嘗試了線性核cv::ml::SVM::LINEAR和徑向基函數(shù)核RBFcv::ml::SVM::RBF。線性核適用于特征可能線性可分的情況速度快RBF核能處理非線性問題但需要調(diào)整gamma參數(shù)。對于麻將特征通常RBF核會(huì)有更好的效果。C參數(shù)懲罰系數(shù)控制對誤分類樣本的懲罰程度。C值越大模型越傾向于將所有訓(xùn)練樣本分類正確可能導(dǎo)致過擬合C值小則容忍一些誤分類模型更簡單。需要通過網(wǎng)格搜索Grid Search來尋找最優(yōu)值。Gamma參數(shù)RBF核影響單個(gè)樣本對模型的影響范圍。gamma值大影響范圍小模型可能復(fù)雜gamma值小影響范圍大模型更平滑。訓(xùn)練過程cv::Ptrcv::ml::SVM svm cv::ml::SVM::create(); svm-setType(cv::ml::SVM::C_SVC); svm-setKernel(cv::ml::SVM::RBF); svm-setC(10.0); svm-setGamma(0.01); // 將特征數(shù)據(jù)和標(biāo)簽轉(zhuǎn)換為OpenCV Mat格式 cv::Mat trainData; // 每行是一個(gè)樣本的特征向量 cv::Mat labels; // 對應(yīng)的標(biāo)簽 // ... (數(shù)據(jù)準(zhǔn)備代碼) svm-train(trainData, cv::ml::ROW_SAMPLE, labels); svm-save(mahjong_svm_model.xml); // 保存模型5.3 模型評估與優(yōu)化訓(xùn)練完成后絕不能只看訓(xùn)練集準(zhǔn)確率。必須使用交叉驗(yàn)證或在獨(dú)立的測試集上評估模型性能。評估指標(biāo)計(jì)算整體的分類準(zhǔn)確率。對于每一類牌可以計(jì)算精確率Precision、召回率Recall和F1-score以發(fā)現(xiàn)哪些類別容易混淆例如“二條”和“三條”?；煜仃嚪治錾苫煜仃囍庇^查看分類錯(cuò)誤都發(fā)生在哪些類別之間。這能指導(dǎo)我們進(jìn)行特征優(yōu)化或數(shù)據(jù)補(bǔ)充。例如如果“發(fā)”和“綠發(fā)”的“發(fā)”字區(qū)域容易混淆可能需要加強(qiáng)顏色直方圖特征中綠色通道的區(qū)分度或者增加這兩類樣本的采集數(shù)量。參數(shù)調(diào)優(yōu)使用網(wǎng)格搜索Grid Search配合交叉驗(yàn)證在(C, gamma)的參數(shù)空間中進(jìn)行搜索尋找使驗(yàn)證集準(zhǔn)確率最高的參數(shù)組合。5.4 集成到識(shí)別流程訓(xùn)練好的SVM模型保存為XML文件。在識(shí)別階段流程如下輸入新圖像。經(jīng)過預(yù)處理、輪廓查找、篩選、透視校正得到一系列牌面ROI。對每個(gè)ROI提取41維特征向量。加載SVM模型cv::ml::SVM::load。將特征向量輸入模型調(diào)用svm-predict(feature)得到預(yù)測的類別標(biāo)簽。輸出每張牌的位置和識(shí)別結(jié)果。6. 系統(tǒng)實(shí)現(xiàn)細(xì)節(jié)與C工程化考量用C實(shí)現(xiàn)整個(gè)系統(tǒng)除了算法邏輯工程上的考量也很多。6.1 模塊化設(shè)計(jì)我將系統(tǒng)分為幾個(gè)清晰的模塊便于維護(hù)和調(diào)試ImageProcessor負(fù)責(zé)所有圖像預(yù)處理、輪廓查找、ROI提取和透視校正。FeatureExtractor負(fù)責(zé)從單張ROI中提取顏色直方圖和像素占比特征。Classifier封裝SVM模型的加載和預(yù)測接口。MahjongRecognizer主控制器串聯(lián)以上模塊組織整個(gè)識(shí)別流程。每個(gè)模塊通過清晰的接口進(jìn)行數(shù)據(jù)交換例如ImageProcessor::extractROIs返回一個(gè)std::vectorcv::Mat即所有提取出的牌面圖像。6.2 性能優(yōu)化內(nèi)存管理C中需注意Mat對象的生命周期避免不必要的拷貝。大量使用const cv::Mat傳遞只讀圖像使用cv::Mat::clone()僅在需要修改副本時(shí)進(jìn)行深拷貝。循環(huán)優(yōu)化特征提取部分涉及對每個(gè)ROI的每個(gè)網(wǎng)格進(jìn)行像素遍歷是計(jì)算熱點(diǎn)?？梢允褂弥羔樦苯釉L問Mat數(shù)據(jù)并注意循環(huán)順序OpenCV Mat是行優(yōu)先存儲(chǔ)以利用CPU緩存。并行計(jì)算對于多張牌的識(shí)別各個(gè)ROI的特征提取和分類是相互獨(dú)立的可以輕松使用std::async或 OpenMP 進(jìn)行并行化充分利用多核CPU。模型加載SVM模型文件只需在程序初始化時(shí)加載一次應(yīng)避免在每次識(shí)別時(shí)重復(fù)加載。6.3 配置與參數(shù)管理預(yù)處理、輪廓篩選、特征提取、SVM模型路徑等有大量的參數(shù)。將這些參數(shù)硬編碼在代碼中是糟糕的做法。我使用一個(gè)配置文件如YAML或JSON來管理所有參數(shù)程序啟動(dòng)時(shí)讀取。這樣針對不同的拍攝環(huán)境光照、背景可以快速切換不同的參數(shù)配置而無需重新編譯代碼。7. 常見問題、調(diào)試技巧與效果提升在實(shí)際開發(fā)中會(huì)遇到各種各樣的問題。這里記錄一些典型問題和解決思路。7.1 牌張分離失敗問題輪廓查找找不到牌或者找到的輪廓數(shù)量遠(yuǎn)少于實(shí)際牌數(shù)。排查檢查二值化效果這是最可能的原因。可視化自適應(yīng)二值化后的圖像看麻將牌區(qū)域是否完整連通為白色。如果牌面顏色與背景對比度低可能需要調(diào)整cv::adaptiveThreshold的blockSize和C參數(shù)或者嘗試其他色彩空間如LAB的L通道進(jìn)行二值化。檢查形態(tài)學(xué)操作如果牌與牌之間有粘連開運(yùn)算的核大小是否足夠可以嘗試增大核尺寸或進(jìn)行多次開運(yùn)算。檢查輪廓篩選閾值面積和寬高比的閾值是否設(shè)置得太嚴(yán)格把一些較小的或傾斜角度大的牌過濾掉了可以暫時(shí)放寬閾值觀察所有找到的輪廓再逐步收緊。技巧在關(guān)鍵步驟灰度圖、二值圖、形態(tài)學(xué)操作后、輪廓繪制后都保存或顯示中間結(jié)果圖像這是調(diào)試圖像處理流程最有效的方法。7.2 識(shí)別準(zhǔn)確率低問題牌能分離出來但識(shí)別結(jié)果錯(cuò)誤百出。排查透視校正是否準(zhǔn)確檢查校正后的ROI圖像。如果牌面仍然是傾斜的那么25維網(wǎng)格特征將完全錯(cuò)位。確保cv::minAreaRect返回的矩形角度正確并且透視變換的源點(diǎn)牌面四角和目標(biāo)點(diǎn)正矩形對應(yīng)無誤。特征是否具有區(qū)分度手動(dòng)查看容易混淆的類別的特征向量。例如計(jì)算“一萬”和“九萬”的多個(gè)樣本的特征向量觀察它們在41維中哪些維度差異明顯哪些維度相似。如果相似度太高說明當(dāng)前特征設(shè)計(jì)不足以區(qū)分它們需要考慮引入新的特征比如方向梯度直方圖HOG來捕捉更精細(xì)的邊緣和紋理信息。數(shù)據(jù)問題訓(xùn)練數(shù)據(jù)是否足夠是否覆蓋了各種光照、角度、新舊程度是否存在類別不平衡某類樣本特別少增加數(shù)據(jù)特別是困難樣本的數(shù)據(jù)是提升準(zhǔn)確率最直接的方法。SVM參數(shù)問題是否使用了默認(rèn)參數(shù)用網(wǎng)格搜索重新調(diào)優(yōu)C和gamma。技巧構(gòu)建一個(gè)“錯(cuò)誤樣本集”專門收集被系統(tǒng)識(shí)別錯(cuò)誤的牌面ROI。分析這些樣本看是分離問題、特征問題還是分類器問題有針對性地解決。7.3 處理速度慢問題識(shí)別一張圖片耗時(shí)過長。優(yōu)化降低分辨率如果輸入圖像很大如4K可以在預(yù)處理之初就將其縮放到一個(gè)合理的尺寸如寬度800像素這能極大減少后續(xù)所有操作的計(jì)算量。優(yōu)化特征維度41維特征是否必要可以用PCA分析各維度的貢獻(xiàn)率嘗試降到20維或30維看看準(zhǔn)確率是否下降不多但速度有提升。并行化如前所述將多張牌的特征提取和分類并行化。使用更快的分類器如果SVM的預(yù)測速度仍是瓶頸可以考慮使用更簡單的模型如隨機(jī)森林Random Forest它在保持較高準(zhǔn)確率的同時(shí)預(yù)測速度通常比非線性SVM更快。7.4 光照與背景變化挑戰(zhàn)系統(tǒng)在開發(fā)環(huán)境的光照下工作良好但換一個(gè)環(huán)境就失效。對策數(shù)據(jù)增強(qiáng)在訓(xùn)練數(shù)據(jù)準(zhǔn)備階段就對原始ROI進(jìn)行模擬的數(shù)據(jù)增強(qiáng)包括調(diào)整亮度、對比度、添加輕微噪聲、模擬陰影等讓模型見過更多樣的情況。特征歸一化確保顏色直方圖特征已經(jīng)過歸一化。對于像素占比特征也可以考慮進(jìn)行歸一化如除以最大值使其對整體亮度變化不敏感。更魯棒的特征考慮使用對光照變化不敏感的紋理特征如LBP局部二值模式來補(bǔ)充或替代部分顏色特征。這個(gè)基于C和傳統(tǒng)圖像處理的麻將識(shí)別項(xiàng)目就像搭建一臺(tái)精密的機(jī)械鐘表每一個(gè)齒輪模塊都需要精心設(shè)計(jì)和調(diào)試。它可能沒有深度學(xué)習(xí)模型那樣“智能”但整個(gè)過程充滿了可控性和可解釋性。當(dāng)你看到系統(tǒng)成功地從雜亂圖像中一枚枚找出并準(zhǔn)確叫出每一張牌的名字時(shí)那種成就感是無可替代的。它不僅是解決了一個(gè)具體問題更是對計(jì)算機(jī)視覺基礎(chǔ)流程的一次深刻演練。本文還有配套的精品資源點(diǎn)擊獲取