几个月前接到个小需求：拿手机拍一张数独照片，几秒内把答案算出来并叠回原图上。我当时觉得这事不难——数独识别不就是 OCR 加回溯求解嘛，现成库一调就完事。真正动手才发现，随手拍的照片里网格是歪的、数字是糊的、反光会把白格变成灰格，光线一变阈值就崩。这个看似简单的 demo，实际上把计算机视觉里最经典的一整套流程全走了一遍：图像预处理、边缘检测、几何变换、字符识别、坐标映射。今天就把我当时怎么一步步从“照片”变成“答案图”的过程完整拆开讲，想入坑计算机视觉的朋友可以照着这条路走一遍，比单纯看理论印象深刻得多。

1. 为什么偏偏是数独：一个任务串起计算机视觉的基本功

1.1 数独图像处理要面对的真实问题

很多入门教程喜欢拿“识别一张卡牌”“检测一个红绿灯”当例子，但那些任务都太单薄了。数独这个场景最妙的地方在于，一张真实拍摄的数独照片里几乎包含了所有经典干扰：

• 透视畸变：手机不可能完全正对着纸面拍，网格必然是个不规则的四边形，切出来是梯形的。
• 光照不均：室内灯光、窗外阳光、手指阴影都会让同一张纸上的亮度差一大截。
• 线条断裂：铅笔画的格子线、打印墨迹偏淡、皱褶处的反光，会让边框或内部格线断掉。
• 前景混乱：网格旁边可能有别的文字、手指、桌面纹理，全都需要排除。
• 数字风格多样：印刷体、手写体、粗细不一，甚至还有写一半的。

这些问题在教科书里是每个独立章节，在数独项目里是一连串必须连贯处理的现实障碍。做完这个项目，等于把图像去噪、二值化、边缘检测、轮廓查找、透视校正、图像分割、字符识别、坐标变换、结果可视化全打通了一遍。

拿我自己举例，最初我直接对原图做全局二值化，结果阴影区域里的数字全被当成背景吃掉了，后来才换成自适应阈值；最初我假定网格是正的，直接均分 9 份，结果歪了的照片切出来的格子边缘全是斜线，数字被切得七零八落。这些坑，每一个都对应一个经典知识点，踩一遍比看十遍书都管用。

1.2 从像素到答案的完整链路

整个项目我拆分成了 9 个步骤，每个步骤都有明确的输入输出：

很多人一开始会想：能不能搞一个端到端深度学习模型，输入照片直接输出答案？技术上可行，但作为学习项目非常不推荐。端到端模型是个黑盒，哪一步错了你根本不知道是“网格没找到”还是“数字没认出”，也没法逐步调试。分步管线的好处是每一步都能输出中间结果图，出了问题看一眼就知道坏在哪一步。这个调试思路，在真实工程里比任何花哨算法都重要。

1.3 工具选型：Python 加 OpenCV 就够了

整个项目我用的是 Python 和 OpenCV，求解部分自己写了个回溯（大约 50 行），识别先用模板匹配跑通，最后换成了简单卷积网络。为什么不直接用 C++？因为前期大量工作是调参数、看中间结果，Python 的交互式环境效率高得多。等以后要做实时视频流或者部署到手机上，再换成 C++ 或者模型端侧推理，那是后话。

OpenCV 里我主要用到的模块就几个：cv2.findContours找轮廓、cv2.approxPolyDP做多边形逼近、cv2.getPerspectiveTransform算透视矩阵、cv2.warpPerspective做校正变换、cv2.matchTemplate做模板匹配。每个函数单独拿出来都不难，难的是把它们串起来的时候才知道参数怎么配合。

2. 拍照时网格是歪的：先做预处理和透视校正，而不是急着识别

2.1 灰度化、去噪和自适应阈值的选择逻辑

拿到一张手机照片，第一件事绝对不是识别数字，而是先把图像变干净、把网格找出来。我先用cv2.cvtColor转灰度，然后用 5x5 的高斯滤波去噪。高斯滤波的核大小是个经验值：太小去不掉传感器噪声，太大容易把数字边缘糊掉。

关键的一步是二值化。我最初用了全局阈值cv2.threshold，发现只要照片上有不均匀阴影，全局阈值就废了——阴影区的白底被当成黑，数字直接消失。后来换成了cv2.adaptiveThreshold，它的原理是对每个像素和它周围一个小邻域的平均亮度做比较，相当于每个局部区域自动选取阈值。这就是为什么它能在光照不均的情况下仍然把数字和背景分开。我用的参数是blockSize=15, C=2，意思是每个像素和周围 15x15 窗口的平均灰度比较，谁更暗超过 2 个灰度级就置为黑。

如果是在强光、带纹理的纸面上拍，单纯自适应阈值偶尔会把纸面纹路当成前景。这种情况我建议先试Canny边缘检测再做轮廓查找，效果往往更稳。

2.2 用轮廓查找定位数独外边框

二值化之后，数独网格的外边框会形成一个大的闭合轮廓。我使用cv2.findContours提取所有轮廓，然后筛选：

• 先按面积过滤，只保留占整张图面积一定比例以上的轮廓；这一步能去掉桌面纹理、手指、纸屑。
• 再用cv2.approxPolyDP对方形轮廓做多边形逼近，筛选出四边形。approxPolyDP的 epsilon 参数我取周长的 2%，这个值很重要，太大导致四边形失真，太小又把弯曲的边界拆成很多段。
• 数独外框在图像中通常是面积最大的四边形，所以按面积排序，取最大那一个。

这里有个很容易翻车的点：如果照片里数独边框恰好和照片边缘重合了一部分，那么最大的“轮廓”可能把整张照片都包进去了，不收敛成一个四边形。我后来加了一个校验：四个点形成四边形之后，检查四条边的长度是否接近，四个角是否接近直角。如果校验不通过，就把这个候选丢弃，换下一个轮廓。

2.3 透视变换不是简单的裁剪，是平面单应

找到四个角点之后，它们对应的是数独网格在真实纸面上的一个正方形。我们要把照片里那个任意四边形“拉正”成正方形，这个操作叫透视变换，数学上用一个 3x3 的单应矩阵描述，OpenCV 里cv2.getPerspectiveTransform会根据四对对应点直接算出这个矩阵。

我用下面的代码完成校正：

import cv2 import numpy as np def order_points(pts): # 四个点按左上、右上、右下、左下排序 rect = np.zeros((4, 2), dtype="float32") s = pts.sum(axis=1) rect[0] = pts[np.argmin(s)] rect[2] = pts[np.argmax(s)] diff = np.diff(pts, axis=1) rect[1] = pts[np.argmin(diff)] rect[3] = pts[np.argmax(diff)] return rect src = order_points(approx.reshape(4, 2)) dst = np.array([[0, 0], [450, 0], [450, 450], [0, 450]], dtype="float32") M = cv2.getPerspectiveTransform(src, dst) warped = cv2.warpPerspective(img, M, (450, 450))

这段代码里最有信息量的是M。这个矩阵不只在这次校正中用到，后面把答案写回原图时，需要用它的逆矩阵做反向映射。我一开始没保存M，第五步往回画的时候还得重新算，后来学乖了，一开头就把M和M_inv = cv2.linalg.inv(M)都存好。

2.4 三个经典翻车场景：边框断裂、反光和阴影

• 边框断裂：铅笔线断了一截，findContours找出来的轮廓是断开的，无法形成闭合四边形。解决办法是在二值化之后先做一次闭运算，用小核把断点连起来。核用 3x3 就够了，核太大会把数字和附近的格线黏在一起。
• 反光：照片上有强反光时，反光区域会变成纯白，整个网格看起来缺了一个角。这种情况自适应阈值的局部窗口也会失效。我实测下来，先用cv2.medianBlur或者用Canny检测边缘，再补一次膨胀，比单纯调阈值管用。
• 阴影边缘：纸面上有手指阴影，且阴影恰好压在边框线上。这时外轮廓面积可能变小。我给轮廓筛选加了一个“最小包围边长”的约束，同时把输入图像先等比缩放到固定宽度，保证不同距离拍摄的轮廓面积在一个可比尺度下。

3. 切开 9x9：网格分割里的坐标陷阱

3.1 为什么不能直接均分九等份

很多人透视校正完就认为大功告成，直接把 450x450 的图像切 9 块，每块 50x50。我一开始也这么干，结果发现：网格的粗线本身占了 2~4 个像素，直接按均分会导致某些格子切到了相邻数字，某些格子把边框线算进去了。更麻烦的是，校正之后如果仍有 1 度左右的旋转残余，越靠近右下角的格子误差越大。所以必须找到真正的格线位置，而不是假定它们均匀分布。

3.2 用投影法找到格线的精确位置

格线提取我用的方法是投影法。对校正过的二值图，分别按行和列做像素值求和：白线（格线）所在的行或列会有明显的高峰，非线区域数值很低。找到这些峰值的位置，就得到了所有横线和竖线的坐标。

def find_lines(binary_image, axis=0): proj = binary_image.sum(axis=axis) lines = [] in_line = False for i, v in enumerate(proj): if v > threshold and not in_line: start = i in_line = True elif v < threshold and in_line: end = i mid = (start + end) // 2 lines.append(mid) in_line = False return lines

注意我取的是每一条连续高亮区间的中点，而不是峰值点。因为格线可能有 2~3 个像素宽，取中点可以消除宽度带来的偏差。因为数独内有 10 条横线和 10 条竖线，检测到 10 个横坐标和 10 个纵坐标，就得到了 10x10 个交叉点。用这些交叉点的坐标作为切割边界，每个格子两侧各留 2 个像素的余量，再把格子小块裁剪出来。

3.3 切割后的格子校验与空白格判别

切出来的格子小图，我在送入识别前做三件事：

• 尺寸归一化：把所有 48x48 的格子小图直接 resize 到统一尺寸，识别网络的输入固定。
• 背景清理：检查格子小图边缘是否有非零像素，如果有，说明格线残留，做一次腐蚀边缘处理。
• 空白判定：统计小图中黑色像素占比，如果低于某个阈值（比如 2%），判定为空格，不送识别器，直接标记为 0。这个步骤能大幅减少误识别，因为空格如果硬送进分类器，反而可能被莫名其妙分类成某个数字。

3.4 坐标陷阱：直线有斜率，交叉点需要矩心校正

用 HoughLines 提取格线时若直接求两线交点，由于照片歪斜矫正后仍有残余旋转，横线和竖线并不绝对垂直，直接相交得到的点可能偏离真实网格节点。我的做法是把检测到的所有交叉点收集起来，然后对每个真实节点周围的候选点求平均值，相当于做一次聚类的矩心。这一步对后面的答案回填非常重要，坐标偏几个像素，原图上数字位置看起来就歪了。

有一个小经验：校正后的图像尺寸我固定用 450x450，一方面保证格子约 50x50 大小适合识别，另一方面让交叉点坐标基本是整数，调试时肉眼看一下输出数组就能发现问题。

4. 数字识别是计算机视觉和机器学习的交接处

4.1 模板匹配：不需要训练数据也能跑的 MVP

先把识别这条线跑通，我用的是模板匹配。做法是准备 10 张标准打印数字模板（0~9，我直接用绘图软件生成），每张缩放到 32x32。然后对每个格子小图做同样的预处理，再用cv2.matchTemplate加TM_CCOEFF_NORMED计算相似度，取分数最高的作为结果。

模板匹配的优点是零训练成本、代码量小，打印体数字识别率很高。我实际测试了几张印刷清晰的数独照片，正确率大概在 90% 左右。缺点是极其死板，换一种字体、换一个笔迹，分数立刻掉下去；数字稍微旋转一点也会失效。刚开始调试 pipeline 时，用它当占位符是非常明智的，因为你需要先确认网格分割、透视校正这些环节是对的，再去优化识别。

4.2 简单卷积网络：更稳但要会做数据增强

流程稳定之后，我把识别模块换成了一个小型卷积网络：三层卷积加池化，接两个全连接层，输入 48x48 灰度图，输出 10 类。训练数据用的是公开手写数字数据集，训练集几万张，足够用了。

但直接拿公开数据集训练出来的模型放到数独照片上表现并不好。原因很简单：公开数据集里的数字是居中的、手写的、笔画集中的，而数独照片里的数字可能偏低、偏大、边缘残缺。我的解决办法是训练时做数据增强：随机平移最多 3 个像素、随机缩放 0.9~1.1 倍、随机旋转正负 5 度。这么一弄，真实照片上的识别率明显提升，误判主要集中在“3”和“8”、“1”和“7”这几组容易混淆的数字上。

4.3 识别前的归一化细节：保持宽高比而不是直接拉伸

把格子小图送进网络之前，我踩过一个细节坑：如果直接cv2.resize拉伸到 48x48，会把原本细长的“1”拉宽成粗胖的“1”，也会把横向较宽的“3”压扁，导致误识别。正确的做法是：先找数字的连通域，必要时用cv2.connectedComponentsWithStats找到数字包围盒，然后把包围盒按比例缩放到 40x40 左右，再居中放进 48x48 的白底画布。这样一来数字的原始宽高比保留住了，网络输入也不会因为白边太多而丢失特征。

4.4 误识别的常见来源和投票策略

总结下来，误识别基本来自四类情况：

• 空格被识别成数字（所以空白阈值必须先判断）
• 数字偏小、笔画太细，导致特征不足
• 格线残边进入小图，干扰了分类
• “6”和“8”、“9”和“3”这类结构相似的数字，在分辨率低的情况下确实容易混

我最后的方案是引入投票：对同一张格子图，分别用原始图、轻微膨胀图、轻微腐蚀图各识别一次，三个结果取多数。如果三个结果完全不一致，就标记为低置信度，人工或按概率最高的结果处理。这个投票策略简单有效，能把整体识别率达到 95% 以上。

5. 把答案写回原图：坐标逆变换的最后一公里

5.1 一开始就要保存单应矩阵，别返回去找

前面的步骤做完，识别出的 81 个数字（空位为 0）组成了一个棋盘矩阵。求解器我用的是回溯，纯 Python 跑一个数独题大概 30~50 毫秒，完全够用。问题是答案最后要显示在用户拍的那张歪斜照片上，这时候如果当初没保存透视矩阵，就得重新找一遍角点再算一次，非常麻烦。

所以再次强调：在第 2 步计算M = cv2.getPerspectiveTransform(src, dst)时，立刻保存M和M_inv。把答案从校正图坐标映射回原图坐标，用M_inv对校正图上的点做透视变换即可。

pts_corrected = np.array([[col * cell, row * cell] for col in range(9) for row in range(9)]) pts_original = cv2.perspectiveTransform(pts_corrected.reshape(-1, 1, 2).astype(np.float32), M_inv)

5.2 反向映射到原图写数字的细节

得到原图坐标后，我在每个格子内部用cv2.putText写答案。这里有一个显示上的问题：直接把答案覆盖到题目数字上，会遮住原有题目，用户看不出来哪个是题目哪个是答案。我的做法是：

• 题目原有的数字保留黑色
• 答案数字用深红色写在格子中心偏下的位置，避免和原有数字重叠
• 如果格子里原本有数字，把答案写到右下角空白处

写字前最好先根据每个格子的实际四边形边长估算字体大小。校正图上格子是 50x50，但原图上距离不同、透视不同，远处格子看起来小，近处格子看起来大。直接用一个固定字体大小会让远处数字挤满格子、近处数字显得太小。我按照每个格子四边形的平均边长比例动态计算字体大小，效果会自然很多。

5.3 防止答案遮挡和视觉混乱的处理

还有一个不起眼但很重要的点：当答案数字和题目数字在同一个格子里时，要处理遮挡。我测试时发现直接把红色答案写在题目黑色数字正上方，不仅看不清，还容易被用户误认为印刷重叠。后来我把答案统一放在格子对角位置，并给答案加一圈白色描边，这样即使和题目交叠，也能清楚地分离出来。这个处理在实际演示中效果非常好，别人一眼就能分清印刷的题目和红色答案。如果你做的是视频流版本，还可以把答案区域做成半透明浮层，动态切换显示与隐藏。

6. 项目复盘：这些参数和思路值得存档

6.1 我最终固定下来的参数参考表

这些参数不是从哪本书抄来的，而是反复试出来的。你换一批照片很可能需要微调，但调整的方向和逻辑是一样的：先看中间结果，确定崩在哪一步，再顺势调参。比如线条断了就搞形态学，不要埋头加高斯核；数字模糊就加大模板尺寸或者换网络，不要盲目膨胀。

6.2 从失败案例中学会的调试习惯

这个项目我做了一半进度时，识别率一直在 60% 徘徊，每天改参数都像无头苍蝇。后来意识到一个问题：我从来没把每一步的中间结果保存下来过。于是我在每个模块后加了一行cv2.imwrite，把灰度图、二值图、轮廓图、校正图、格子切分图全部导出。导出之后，20 秒就能定位到问题是出在轮廓提取还是在数字分类。这个习惯帮我节省了至少两天的改参数时间。

强烈推荐你也这么做。不要省那几行代码，中间结果是你调试时唯一的眼睛。尤其是轮廓绘制那一步，把找到的四个角点点在原图上看看位置，如果角点偏了，后面一切都会跟着错。

6.3 这个项目还能往哪些方向延伸

• 实时视频识别：手机或摄像头对准数独，画面里实时叠加答案，需要把单应矩阵每一帧重新计算或做平滑跟踪。
• 手写数独：把模板匹配换成更鲁棒的字符识别模型，或者用手写数字增强数据重新训练。
• 模糊/遮挡数独：加入超分辨率或去阴影模块，这是更接近真实场景的需求。
• 边缘人像拍摄：倾斜角度特别大时，四边形的检测容易失效，可以研究更鲁棒的角点检测方法。

最后说点实践经验

做完这个项目，我最大的体会是：计算机视觉不是一个“调库”的领域，而是一个“理解像素如何流转”的领域。数独题目看起来简单，但它把图像的获取、增强、分割、识别、几何变换、结果合成全部串起来，每一步都对应一个经典问题。如果哪天有人问我入门 CV 做什么项目好，我还是会推荐做一遍数独识别，数据好获取、问题边界清晰、成就感来得快。

最后分享一个小技巧：先拿一张打印清晰、正对拍摄的“标准图”把整条流水线调通，再拿一张随手拍的“地狱图”来打磨每个环节。这样做的好处是，你永远知道问题出在哪个环节，而不是在两张照片之间胡乱改参。这个思路，也适用于很多其他视觉任务。