opencv编写数独程序

### 使用OpenCV实现数独游戏的生成与求解 #### 数独图像处理流程概述 为了使用OpenCV来完成数独游戏的生成与求解，整个过程可以分为几个主要部分：首先是读取和预处理输入图像，接着定位并提取数独网格中的数字信息，再者是对这些数据进行解析得到初始状态下的数独矩阵，最后则是应用合适的算法解决该问题并将解决方案绘制回原始图像上。 #### 图像预处理与轮廓检测 当接收到一张含有手写或印刷体形式呈现出来的标准9×9规格数独谜题的照片作为输入时，需要先对其进行灰度化、高斯模糊等一系列操作以减少噪声干扰，并采用边缘检测技术如Canny算子找出可能存在的矩形边界。随后利用形态学变换（膨胀腐蚀）增强目标区域特征直至能够清晰辨认出最大的封闭多边形即代表完整的数独表格结构[^1]。 ```python import cv2 import numpy as np def preprocess_image(image_path): img = cv2.imread(image_path, 0) blurred = cv2.GaussianBlur(img, (5, 5), 0) edges = cv2.Canny(blurred, 50, 150) kernel = np.ones((3, 3), dtype=np.uint8) dilated_edges = cv2.dilate(edges, kernel, iterations=2) contours, _ = cv2.findContours(dilated_edges.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contour_areas = [(cv2.contourArea(c), c) for c in contours] largest_contour = max(contour_areas)[1] perimeter = cv2.arcLength(largest_contour, True) approx_polygon = cv2.approxPolyDP(largest_contour, 0.02 * perimeter, True) return approx_polygon ``` #### 提取单个单元格内的字符 一旦成功找到了包围着整个数独板面的最大外接矩形，则可以通过透视变换将其转换成正方形视图以便后续更方便地划分各个独立的小方框。对于每一个这样的小块而言，如果其中确实存在有效数值的话就需要进一步运用OCR光学字符识别手段或是机器学习分类器比如KNN来进行预测判断；而对于那些为空白的地方则简单标记为零即可[^3]。 ```python from sklearn.neighbors import KNeighborsClassifier def extract_digits_from_cells(warped_img, model=None): cell_size = warped_img.shape[0] // 9 digits_list = [] for row in range(9): for col in range(9): cell = warped_img[row*cell_size:(row+1)*cell_size, col*cell_size:(col+1)*cell_size] processed_cell = process_single_cell(cell) # 自定义方法 if not is_empty(processed_cell): # 判断是否为空白 digit = recognize_digit(model, processed_cell) or 0 else: digit = 0 digits_list.append(digit) return np.array(digits_list).reshape((9, 9)) ``` #### 解决数独逻辑推理 获得了一个由整数组成且大小固定为9x9的二维列表后，就可以着手准备调用专门设计用来解答此类难题的功能模块了。这里可以选择多种不同的策略去尝试填补缺失项直到满足所有约束条件为止——例如暴力枚举法虽然效率低下但易于理解实现；而更加高效的方式还包括但不限于回溯搜索配合启发式评估函数指导路径选取等高级技巧[^2]。 ```python def solve_sudoku(puzzle): empty_location = find_empty_location(puzzle) if not empty_location: return True row, col = empty_location for num in range(1, 10): if check_validity(puzzle, num, (row, col)): puzzle[row][col] = num if solve_sudoku(puzzle): return True puzzle[row][col] = 0 return False ``` #### 结果可视化输出 最终，在得到了完整填写完毕后的数独答案之后，还需要考虑怎样把它们重新映射回到最初拍摄下来的那张照片上去形成直观可见的效果展示给用户看。这一步骤通常涉及到反向执行之前做过的几何校正步骤，使得新产生的坐标系下各元素位置关系保持一致从而顺利完成覆盖叠加工作[^4]。 ```python def overlay_solution(original_img, solved_puzzle, corners): h, w = original_img.shape[:2] pts_src = np.float32([[0, 0], [w-1, 0], [w-1, h-1], [0, h-1]]) H, status = cv2.findHomography(pts_src, corners.reshape(-1, 2)) inv_H = np.linalg.inv(H) result = cv2.warpPerspective(solved_puzzle.astype(np.uint8), inv_H, (original_img.shape[1], original_img.shape[0])) combined = cv2.addWeighted(result, 0.6, original_img, 0.4, 0) return combined ```