http://www.cnblogs.com/xiaotie/archive/2010/05/23/1741946.html
简单、直观的实现优于复杂、难懂的实现，最近开发扑克识别过程的总结
最近开发了款通用的扑克识别程序，本文谈下心得。最开始是准备使用Shape Context或Zernike矩来识别的，写出了Shape Context，发现识别率达不到理想状态。接着准备用Zernike矩实现，查找文献发现，Zernike矩虽然理论上对旋转是不变的，但实际上，图像的旋转会导致识别率降低，加上样本不多，就放弃了这两种方法。最后，还是用最基本的模板匹配和Blob分析来解决的，在只有单一的样本的情况下，对不同字体不同印刷的扑克，对有扭曲、旋转以及轻微模糊的扑克，达到了99.9%的识别率（这0.1%还没出现，也就是说，理论上达到了100%）。由于是商业性开发，代码就不贴了，只谈原理。
模板匹配就不详谈了，这是最最基本的识别方法，详见《车牌识别及验证码识别的一般思路》。而所谓Blob，就是一个整体连着的图像像素块。Blob有许多特征，比如，长、宽、重心、面积等等，还有些更复杂的Blob特征，这里就不详述了，反正都没用上。这里只谈最简单最基本的Blob的特征。基本识别过程是：
（1）Blob特征识别，将图像分为几大组。
（2）对每一组使用模板匹配，进行识别。
（3）对于（2）中一些易混淆结果，再使用Blob特征，进行识别。
一、Blob特征识别
本文中的Blob指的是连通的黑色像素块。比如：
这就是一个Blob。
将这个Blob图像的颜色取反，也就是黑变成白，白变成黑，颠倒黑白，指鹿为马，得到这样一个图：
数一下是几块？——8块！
不过，这里的8块这个特征是不稳定的，因为图像可能会旋转变形。为了得到稳定的特征，将这个图像向上、下、左、右分别扩张几个像素，得到这样一个图像：
这个图像有几块？——3块！这个3块的特征非常稳定，不受旋转及字体的影响。
这样一来，根据图像的反色->扩大->Blob计数就可以将它分成几组：
A组：有1个块的——2，3，5……
B组：有2个块的——4，6……
C组：有3个块的——8，Q（有时）……
二、对每一组进行模板匹配
详细就不讲了，网上一搜一大堆。
三、对易混淆结果，再使用Blob特征进行识别。
一些易混淆的字符，如3和5等…黑桃和草花…，再使用Blob特征进行识别。这里识别的方式五花八门，略举一二典型的。
拿3和5来说，首先将它们取反，再扩张几个像素，再从中线劈开：3和5就变成了：
数一下几个Blob？3是1个，5是2个。
再拿黑桃和草花来说：
分别取它们最左上的块。黑桃的左上块比较规则，一般都是近似三角形，而草花的就不规则，尤其是当图比较模糊时，会近似矩形：
怎么分辨这两类呢？我定义了个对称因子: 以该Blob所属矩形的中心为对称中心，对矩形中的某一点A（x，y），找到它的对称点A’（w-x,h-y）。由于图像中像素是离散的，实际对称点是A’（w-x-1,h-y-1）。
计算对称点的颜色相同的点的个数，然后用这个个数除以总的像素数量，就得到Blob的对称因子。这个定义简单、直接，方便计算。黑桃左上块的对称因子很小，而草花的左上块对称因子较大，两个就识别开了。当然，这里还辅助了其它的Blob特征，就不详述了。
小结：
简单的好啊。但由于简单的东西很多时候上不了台面，所以书上啊，论文上啊，很少谈。书上、论文上都喜欢谈些复杂的牛逼的东东。具体到开发项目上来说，还是能简单就简单最好。本文使用的就是最基本的模板匹配、最简单的Blob分析及最初级的决策树模型，在最少样本的情况下，达到了最高的识别率。