Да я попробовал рабочую PS и регулярную командную строку как администратор. То же сообщение об ошибке подходит.
Другое возможное решение могло состоять в том, что необходимо предоставить доступ учетной записи пользователя к ключевому контейнеру, расположенному в C:\Documents and Settings\All Users\Application Data\Microsoft\Crypto\RSA\MachineKeys
используйте для этого бесплатную библиотеку обработки изображений AForge.Net . есть масса интересных вещей, с которыми можно поиграть.
Вам необходимо выполнить фильтрацию и маски на изображении.
Я думаю, что нет простых способов просто извлечь объект из изображения, вам нужно использовать алгоритмы обнаружения границ, обрезки и установить критерии для допустимых объектов /image.
Вы также можете использовать пороговое значение изображения для обнаружения объекта. При желании вы можете ознакомиться с библиотекой обработки изображений ниже.
Один из (я полагаю, много возможных) подходов:
Найдите фильтр, который «получает / вычисляет» прямые линии (края и т. Д.) Из данного изображения.
Теперь у вас есть коллекция (массив) всех строк (xStart, yStart & xEnd, yEnd). Вы можете легко вычислить все длины линий по координатам.
РЕДАКТИРОВАТЬ: Решение / программирование такого рода проблем всегда сложно, НО в то же время действительно интересно :).
Вы можете попробовать использовать Преобразование Хафа .
Я бы начал с использования углового детектора (детектор Харриса отлично работает), чтобы найти пересечения и углы сетки судоку.
Затем я бы использовал эти точки для исправления изображения чтобы преобразовать изображение, чтобы сетка была как можно более прямоугольной. Теперь у вас не должно возникнуть проблем с поиском каждого квадрата для распознавания текста.
Исправление изображения - непростая задача, требующая довольно много математических вычислений.
Будьте готовы прочитать:)
Если изображения игровых полей уже близки к прямоугольным, вы, конечно, можете пропустить часть исправления и напрямую использовать угловые точки, чтобы найти свои квадраты для OCR.
Многие люди предлагали использовать нейронные сети. Я совершенно уверен, что использование нейронной сети для решения этой проблемы совершенно излишне. Сетевые сети (иногда) хороши, если вам нужно классифицировать объекты, где определение объекта нечеткое. «Найти автомобили на изображении» - это задача, которую можно использовать для нейронной сети, поскольку автомобили могут выглядеть совершенно по-разному, но иметь некоторые функции одинаково. Таким образом, имея достаточно данных, вы можете обучить свою сеть NN обнаруживать автомобили. В этой задаче у вас есть что-то очень регулярное и всегда выглядит почти одинаково, поэтому NN не сделает ничего проще или лучше.
Вы можете сначала попытаться найти пересечения жирных линий и использовать их в качестве регистрационных меток.
Это было бы хорошим началом, потому что:
Итак:
* Более сложным решением было бы использование нейронной сети. Сеть вместо маски для распознавания пересечений. Это того стоит, поскольку вы, вероятно, собираетесь использовать его для распознавания чисел.
имеют довольно однородную формуИтак:
* Более сложным решением было бы использование нейронной сети вместо маски для распознавания пересечений. Это того стоит, поскольку вы, вероятно, собираетесь использовать его для распознавания чисел.
имеют довольно однородную формуИтак:
* Более сложным решением было бы использование нейронной сети вместо маски для распознавания пересечений. Это того стоит, поскольку вы, вероятно, собираетесь использовать его для распознавания чисел.
* Более сложным решением было бы использовать нейронную сеть вместо маски для распознавания перекрестки. Это того стоит, поскольку вы, вероятно, собираетесь использовать его для распознавания чисел.
* Более сложным решением было бы использовать нейронную сеть вместо маски для распознавания перекрестки. Это того стоит, поскольку вы, вероятно, собираетесь использовать его для распознавания чисел.
* Более сложным решением было бы использование нейронной сети вместо маски для распознавания пересечений. Это того стоит, поскольку вы, вероятно, собираетесь использовать его для распознавания чисел.
* Более сложным решением было бы использование нейронной сети вместо маски для распознавания пересечений. Это того стоит, поскольку вы, вероятно, собираетесь использовать его для распознавания чисел.
Не отвергая других идей, шаг 1 действительно должен заключаться в обнаружении поворота изображения. Вы можете сделать это, определив локальный градиент в каждой точке и создав его гистограмму. У него будет 4 основных компонента со смещением 90 градусов. В идеале это 0, 90, 180 и 270, но если это не так, вам следует повернуть изображение. Например, в примере изображения вы должны начать с поворота примерно на 8 градусов по часовой стрелке.