效果
先看效果吧
效果极佳，
方法
1.制作模板
将分割出来的数字，效果很不错的当作我们的模板，后面用作匹配，C L :都当作数字处理
2.读入模板，
这里我通过建立三维数组，采用for循环读入
注意，读取时候，要加0参数，不然会以三通道方式读取。
templatepath="C:\\Users\\mechrevo\\Desktop\\template\\" #模板
template=np.zeros([dsize,dsize,13],np.uint8) #注意uint8为1通道，默认为 3通道
for i in range(13):
#print(i)
template[:,:,i] = cv2.imread(templatepath + "%d.png" %i, 0)
3.读入分割出来的图片
将上一节分割出来的20张图片，都读入进去，同样构建三维数组，for循环读入
img=np.zeros([dsize,dsize,20],np.uint8)
for i in range(20):
# print(i)
img[:,:,i] = cv2.imread(root + "%d.png" %i, 0) #记住参数 0
#cv2.imshow("s"+ "%d" %i, img[:,:,i])
4.逐一匹配
采用嵌套for循环，使得每个分割的图像与模板匹配，算出来的rez值最大的，就是最有可能的字符，这里采用cv2.TM_CCOEFF_NORMED标准相关匹配方法，这是 OpenCV 支持的最复杂的一种相似度算法。这里的相关运算就是数理统计学科的相关系数计算方法。
总之，越复杂，占用cpu越多，越耗时，但是越准确。
res=np.zeros([13],np.float16)
for i in range(20):
for j in range(13):
res[j] = cv2.matchTemplate(img[:,:,i],template[:,:,j],cv2.TM_CCOEFF_NORMED) #注意逻辑
maxindex = np.argmax(res)
if (maxindex<10 and maxindex >=0):
print(maxindex)
elif (maxindex == 10):
print("C")
elif (maxindex == 11):
print("L")
elif (maxindex == 12):
print(":")
#print(res)
看看谁最大，使用np.argmax直接得出答案，在等于10，11，12加入判断即可
效果如顶部那样，统计了50张图，也就是1000个数字，准确率为95.2%
不足
当然算法还有一些不足之处：
比如：
1.如果字符不为20的话，算法会出错，只不过我的数据集90%的图都是20个字符的，要改进，可以使用文件操作相关函数
2.对于0和8，或扭曲数字，很容易出错，有机会我会尝试卷积神经网络。
3.对于一些扭曲的图片，两行直接没有白色像素，有很小几率会无法切割行。
总之，这只是一门选修课，我也不愿太费心思去继续改进，有什么问题可以评论区交流.
等结课后公布完整代码，供大家学习交流。