大数据最全计算机视觉项目-银行卡卡号自动识别_银行自动识别号(4)，大数据开发热修复原理

2401_84166258

于 2024-05-15 16:47:03 发布

阅读量352

点赞数 4

文章标签：大数据面试学习

本文链接：https://blog.csdn.net/2401_84166258/article/details/138914439

版权

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

在这里插入图片描述
这里我们点击Modify Run Configuration然后指定参数。

在这里进行一个指定，输入-i 然后指定输入图像路径一定要精确到图片，比如123.jpg。然后空格-t 模板的图片。这里有不懂的可以私信问我。

-i C:\Users\jzdx\Desktop\OpenCV\xinyongka\template-matching-ocr\images\credit_card_01.png 
-t C:\Users\jzdx\Desktop\OpenCV\xinyongka\template-matching-ocr\images\ocr_a_reference.png

在这里的颜色空间转换一共有500多种。

img = cv2.imread(args["template"])
cv_show('img',img)
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('ref',ref)
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
cv_show('ref',ref)

这里我们进行了模板的转灰度操作，然后二值操作，对应的二值结果是：
在这里插入图片描述
对模板进行轮廓的提取。cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图）,cv2.RETR_EXTERNAL只检测外轮廓，cv2.CHAIN_APPROX_SIMPLE只保留终点坐标。这里需要注意的就是，**Opencv老版本返回的是三个参数，而新的版本轮廓检测只返回两个参数。**然后画出指定的外轮廓。

refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,refCnts,-1,(0,0,255),3) 
cv_show('img',img)

在这里插入图片描述
提取出来的模板的轮廓。

refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] #排序，从左到右，从上到下

我们对轮廓进行一个排序，那么怎么排序呢，利用轮廓的一个横坐标进行排序，这里我们直接跳进myutils程序当中。

import cv2

def sort\_contours(cnts, method="left-to-right"):
    reverse = False
    i = 0
    if method == "right-to-left" or method == "bottom-to-top":
        reverse = True
    if method == "top-to-bottom" or method == "bottom-to-top":
        i = 1
    boundingBoxes = [cv2.boundingRect(c) for c in cnts] #用一个最小的矩形，把找到的形状包起来x,y,h,w
    (cnts, boundingBoxes) = zip(\*sorted(zip(cnts, boundingBoxes),
                                        key=lambda b: b[1][i], reverse=reverse))
    return cnts, boundingBoxes

这里主要就是做了一个轮廓的排序操作，把1就放在1的位置上，没有进行排序是乱的。这里对于排序这个操作是比较常用的一个操作，各位小伙伴要进行掌握。

for (i, c) in enumerate(refCnts):
	# 计算外接矩形并且resize成合适大小
	(x, y, w, h) = cv2.boundingRect(c)
	roi = ref[y:y + h, x:x + w]
	roi = cv2.resize(roi, (57, 88))
	# 每一个数字对应每一个模板
	digits[i] = roi
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

这里对模板遍历了每一个轮廓，进行了resize一下。并且这里定义了两个卷积核。后期后用到。cv2.getStructuringElement设置卷积核的意思。

image = cv2.imread(args["image"])
cv_show('image',image)
image = myutils.resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) 
cv_show('tophat',tophat) 
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, #ksize=-1相当于用3\*3的
	ksize=-1)

这里对传入图像进行了预处理的一个操作，包括转灰度，礼貌操作用来突出更明亮的区域，然后进行了一个Sobel操作。那么Sobel就是说用一个特定的卷积核来对图像进行卷积运算。
在这里插入图片描述

再来一个闭操作。**先膨胀再腐蚀！**那么目的是什么呢，我们想让这四块的银行卡号全部都连在一起，然后找到它，提取出来。这就是我的目的。

gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel) 
cv_show('gradX',gradX)
thresh = cv2.threshold(gradX, 0, 255,
	cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] 
cv_show('thresh',thresh)

这里得二值操作，是自动找一个适当得数值作为阈值，而不是0.

thresh = cv2.threshold(gradX, 0, 255,
	cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

这个代码部分要做一下重点讲解，就是他很明显是做一个一个阈值操作，也就是说我们要把图像处理成二值图像，那么我们怎么处理呢？图中不是将阈值设置为0，而是说让计算机自动去识别这个阈值最优是多少！
在这里插入图片描述
二值得结果是：

这里就有小伙伴问了，你做的这是啥啊，我们做这些得目的就是要把我们想要的区域拿出来。目前我们发现第一个块和第四块已经连接起来了，中间第二块和第三块还没有连接起来，那么我们再来一次闭运算。

thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) 
cv_show('thresh',thresh)

在进行一个闭操作。因为我们发现有的地方还有黑色得空缺，我们要把他都用255补上，也就是白色。

threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
	cv2.CHAIN_APPROX_SIMPLE)

cnts = threshCnts
cur_img = image.copy()
cv2.drawContours(cur_img,cnts,-1,(0,0,255),3) 
cv_show('img',cur_img)

做完了预处理我们对原图像进行一个轮廓获取。他是使用我们处理之后的二值图像来获取到的轮廓信息。
在这里插入图片描述
这么多轮廓，那么我要哪个啊，这里就需要我们进行一个过滤得一个操作。这里根据自己的项目自己而定。估计会试几次。

for (i, c) in enumerate(cnts):
	(x, y, w, h) = cv2.boundingRect(c)
	ar = w / float(h)
	if ar > 2.5 and ar < 4.0:
		if (w > 40 and w < 55) and (h > 10 and h < 20):
			#符合的留下来
			locs.append((x, y, w, h))
locs = sorted(locs, key=lambda x:x[0])
output = []

首先计算矩形，然后选择合适的区域，根据实际任务来，这里的基本都是四个数字一组。过滤，然后在进行一次排序。
通过过滤操作我们就只剩下了这个部分，但是这里是分为四个部分得，4000，1234，5678，9010. 在这里插入图片描述

for (i, (gX, gY, gW, gH)) in enumerate(locs):
	# initialize the list of group digits
	groupOutput = []
	group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
	cv_show('group',group)
	group = cv2.threshold(group, 0, 255,
		cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
	cv_show('group',group)
	digitCnts,hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
		cv2.CHAIN_APPROX_SIMPLE)
	digitCnts = contours.sort_contours(digitCnts,
		method="left-to-right")[0]

对这四个地方遍历，然后再次进行图像得预处理，包括灰度，二值，轮廓，排序，然后找到4个数字中得一个一个显示出来。
在这里插入图片描述

	for c in digitCnts:
		(x, y, w, h) = cv2.boundingRect(c)
		roi = group[y:y + h, x:x + w]
		roi = cv2.resize(roi, (57, 88))


![img](https://img-blog.csdnimg.cn/img_convert/5279d1990092e06e6e3ee001d5fddc5e.png)
![img](https://img-blog.csdnimg.cn/img_convert/4b6e3d5dbe0d60b71c46a033e217d372.png)
![img](https://img-blog.csdnimg.cn/img_convert/80f1e26ab6066de257557cee3cee2c5e.png)

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！**

**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**

edtgHjY-1715762802371)]

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！**

**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**