openCV实践项目：银行卡卡号识别_thresh,ref= cv2

最新推荐文章于 2024-05-10 10:18:48 发布
最新推荐文章于 2024-05-10 10:18:48 发布
阅读量983 收藏 16
点赞数 10
分类专栏： 程序员 文章标签： opencv 人工智能 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84182685/article/details/138331317
版权 

![](https://img-blog.csdnimg.cn/fffeec29f89b4f2b989740e2536cfa92.png)


* 遍历对这10个轮廓，做外接矩形，对外接矩形区域在二值化图ref上做切片，即把他们一个个抠出来，保存在 digits 字典中。

digits = {}

遍历每一个轮廓

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©
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，此时模板中的10个数字分别被保存到了字典中
digits[i] = roi



#### 3.1.2 处理银行卡


* 初始化卷积核，读取输入图像。

初始化卷积核

rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

读入银行卡

image = cv2.imread(‘./images/credit_card_01.png’)


![](https://img-blog.csdnimg.cn/1e95a03b6d454a88805b7cb48e3d9027.png)


* 统一大小，这里建议让它变小一点，处理像素少一点，后面闭运算让其模糊也方便一些。

set_width = 300 # 自己设定 这里我统一了宽度
rate = set_width/image.shape[:2][1]
image = cv2.resize(image,(0,0),fx=rate,fy=rate)


* 转为灰度图

同样也可以在第一步完成

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)


![](https://img-blog.csdnimg.cn/b0cefde679964fbfb87b725d01a75e2a.png)


* 礼帽，突出更明亮的区域，可以看到此时银行卡后面的花纹基本已经消失了。 。

tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)


![](https://img-blog.csdnimg.cn/c4a126ecd79943c9b1e188acbad49b63.png)


* 梯度运算，这里使用Sobel算子，只进行了x方向计算。前面的礼帽操作是的我们梯度运算结果更干净些。

ksize=-1相当于用3*3的

gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)

gradX = np.absolute(gradX) # 绝对值，白-黑 黑-白

或者写为 cv2.convertScaleAbs(sobelx)

归一化处理

(minVal, maxVal) = (np.min(gradX), np.max(gradX))

gradX与最小值之间的距离占区间长度的几分之几

gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
gradX = gradX.astype(“uint8”)


![](https://img-blog.csdnimg.cn/e555dbb1653043bf8af571e1bdfa8ab4.png)


* 闭运算、二值化、闭运算

闭运算 把银行卡卡号那里弄模糊

gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)

二值化，用于之后轮廓检测。

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

再来一个闭操作

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


![](https://img-blog.csdnimg.cn/423cc2d1352a41a0961f0946621290ce.png)


* 轮廓检测

threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
‘’’
cur_img = image.copy()
cv2.drawContours(cur_img, threshCnts, -1, (0, 0, 255), 3)
cv_show(‘img’, cur_img)
‘’’


![](https://img-blog.csdnimg.cn/2323dfd3e3af49e7965573a69328d1f6.png)


* 遍历所有轮廓，得到想要的四组数字，并排序。

locs = []

遍历轮廓

for (i, c) in enumerate(threshCnts):
# 计算矩形
(x, y, w, h) = cv2.boundingRect©
ar = w / float(h)

# 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
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))

将符合的这四组轮廓按x从左到右排序

locs = sorted(locs, key=lambda x: x[0])


* 遍历这四组数

output = []

遍历每一个轮廓中的数字

for (i, (gX, gY, gW, gH)) in enumerate(locs):
groupOutput = []

# 根据坐标提取每一个组
group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
cv_show('group', group)
# 预处理
group = cv2.threshold(group, 0, 255,
                      cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('group', group)
# 计算每一组的轮廓
# group_, 
digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
                                                cv2.CHAIN_APPROX_SIMPLE)

# 就是个排序 真正的顺序我们都知道，可以自己用sort函数
digitCnts = contours.sort_contours(digitCnts,
                                   method="left-to-right")[0]

# 计算每一组中的每一个数值
for c in digitCnts:
    # 找到当前数值的轮廓，resize成合适的的大小
    (x, y, w, h) = cv2.boundingRect(c)
    roi = group[y:y + h, x:x + w]
    roi = cv2.resize(roi, (57, 88))
    cv_show('roi', roi)

    # 计算匹配得分
    scores = []

    # 在模板中计算每一个得分  字典digits记录了模板0-9
    for (digit, digitROI) in digits.items():
        # 模板匹配
        result = cv2.matchTemplate(roi, digitROI,
                                   cv2.TM_CCOEFF)
        (_, score, _, _) = cv2.minMaxLoc(result)
        scores.append(score)

    # 得到最合适的数字，这里用的匹配方法对应得分越大越好。
    groupOutput.append(str(np.argmax(scores)))
    
# 画出来
cv2.rectangle(image, (gX - 5, gY - 5),
              (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
cv2.putText(image, "".join(groupOutput), (gX, gY - 15),
            cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)

# 得到结果
output.extend(groupOutput)


![](https://img-blog.csdnimg.cn/cd663ab07fd44939b504652dc614c3ba.png)


* 输出结果

print(“Credit Card #: {}”.format(“”.join(output)))

cv_show(“Image”, image)

Credit Card #: 4000123456789010


### 3.2 完整代码  直接copy


我去掉了图片展示，直接输出文本结果。 

import cv2
import numpy as np
from imutils import contours # 排序操作，也可以不用。

绘图展示

def cv_show(name, img):
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyAllWindows()

读取一个模板图像

img = cv2.imread(‘ocr_a_reference.png’, )

灰度图

ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

二值图像

ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]

轮廓检测

refCnts, hierarchy = cv2.findContours(ref, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

排序(倒序操作) 得到正序0-9的轮廓

refCnts = sorted(refCnts, key=lambda b: b[0][0][0], reverse=False)

digits = {}

遍历每一个轮廓

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©
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，此时模板中的10个数字分别被保存到了字典中
digits[i] = roi

初始化卷积核

rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

读入银行卡

image = cv2.imread(‘./images/credit_card_01.png’)

统一大小，这里建议让它变小一点，处理像素少一点，后面闭运算让其模糊也方便一些。

set_width = 300 # 自己设定 这里我统一了宽度
rate = set_width / image.shape[:2][1]
image = cv2.resize(image, (0, 0), fx=rate, fy=rate)

转为灰度图

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

礼帽，突出更明亮的区域

tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)

梯度运算，这里使用Sobel算子，只进行了x方向计算。前面的礼帽操作是的我们梯度运算结果更干净些。

ksize=-1相当于用3*3的

gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)

gradX = np.absolute(gradX) # 绝对值，白-黑 黑-白

或者写为 cv2.convertScaleAbs(sobelx)

归一化处理

(minVal, maxVal) = (np.min(gradX), np.max(gradX))

gradX与最小值之间的距离占区间长度的几分之几

gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
gradX = gradX.astype(“uint8”)

闭运算 把银行卡卡号那里弄模糊

gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)

二值化，用于之后轮廓检测。

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

再来一个闭操作

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

轮廓检测

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

locs = []

遍历轮廓

for (i, c) in enumerate(threshCnts):
# 计算矩形
(x, y, w, h) = cv2.boundingRect©
ar = w / float(h)

# 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
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))

将符合的这四组轮廓按x从左到右排序

locs = sorted(locs, key=lambda x: x[0])

遍历这四组数

output = []

遍历每一个轮廓中的数字

for (i, (gX, gY, gW, gH)) in enumerate(locs):
groupOutput = []

# 根据坐标提取每一个组
group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
# 预处理
group = cv2.threshold(group, 0, 255,
                      cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
# 计算每一组的轮廓
# group_,
digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
                                        cv2.CHAIN_APPROX_SIMPLE)

# 就是个排序 真正的顺序我们都知道，可以自己用sort函数
digitCnts = contours.sort_contours(digitCnts,
                                   method="left-to-right")[0]

# 计算每一组中的每一个数值
for c in digitCnts:
    # 找到当前数值的轮廓，resize成合适的的大小
    (x, y, w, h) = cv2.boundingRect(c)
    roi = group[y:y + h, x:x + w]
    roi = cv2.resize(roi, (57, 88))

    # 计算匹配得分
    scores = []

    # 在模板中计算每一个得分  字典digits记录了模板0-9
    for (digit, digitROI) in digits.items():
        # 模板匹配
        result = cv2.matchTemplate(roi, digitROI,
                                   cv2.TM_CCOEFF)
        (_, score, _, _) = cv2.minMaxLoc(result)
        scores.append(score)

    # 得到最合适的数字，这里用的匹配方法对应得分越大越好。
    groupOutput.append(str(np.argmax(scores)))

# 画出来
cv2.rectangle(image, (gX - 5, gY - 5),
              (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
cv2.putText(image, "".join(groupOutput), (gX, gY - 15),

img
img
img

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

tText(image, “”.join(groupOutput), (gX, gY - 15),

[外链图片转存中…(img-8e3YzMfk-1714416525258)]
[外链图片转存中…(img-BooeET70-1714416525259)]
[外链图片转存中…(img-G2BEo1UU-1714416525260)]

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

2401_84182685
关注
  • 10
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python数字图像处理基础（十二）——银行卡识别
SavEMyselF1的博客
01-19 1026
感兴趣区域。机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域，ROI。在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子（Operator）和函数来求得感兴趣区域ROI，并进行图像的下一步处理。2.模板要求：输入模板必须带有所有的数字，且字体与识别的银行卡号一样输入：模板图像输出：0-9各个数字模板流程：(1)输入模板图像(2)模板图像转换为灰度图(3)灰度图转换为二值图(4)找到所有数字的外轮廓。
openCV实践项目：银行卡卡号识别
热门推荐
suic009的博客
08-09 2万+
openCV基础操作项目实战
OpenCV学习（一）银行卡号识别
最新发布
PLANTTHESON的博客
05-10 1582
通常情况下，银行卡号码的像素是有别于它周围的，使用灰度化和自适应阈值化后可以明显的观察到银行卡号和其他图像的，之后通过形态学变化来确定银行卡位置的形状，然后以银行卡号特有的长宽比例从银行卡上筛选出号码区域。具体来说，先通过图像预处理将图像中的银行卡号分割出来，再与提供的模板进行对比，从而完成银行卡号的识别。这些形态学变换操作通常用于图像的预处理和分析，能够改善图像的质量、增强图像的特征，并有助于后续的图像处理任务。顶帽变换是原始图像与开运算结果之间的差异，它可以用于提取图像中的小的亮区域。
opencv—项目：银行卡号识别
m0_65953159的博客
09-08 916
为了简化图片上的信息，可以在灰度图上进行各种图像操作，以达到简化的目的，这一部分的操作并不要求保持图片的清晰，反而是需要想办法尽量将四块的卡号数字糊成一片，方便做外接矩形。5. 将以上得到的轮廓进行排序，把排序好的数字的外接矩形图片存入一个字典（temple_final）中，这样就能得到一个存放各个小模板的一个字典，它的键就是卡号，值就是卡号对应数字的外接矩形图片，再将得到的各个矩形图片全部设置成为一个固定的图片比例以方便之后的匹配操作，我这里设置的是(60,90)，以矩阵的形式存放在字典中。
计算机视觉：使用opencv实现银行卡号识别
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
11-13 4459
OpenCV是Open Source Computer Vision Library（开源计算机视觉库）的简称，由Intel公司在1999年提出建立，现在由Willow Garage提供运行支持，它是一个高度开源发行的计算机视觉库，可以实现Windows、Linux、Mac等多平台的跨平台操作。opencv是一个用于图像处理、分析、机器视觉方面的开源函数库，已经成为学习计算机视觉强大的工具。在入侵检测、特定目标跟踪、目标检测、人脸检测、人脸识别、人脸跟踪等领域，opencv可谓大显身手。
Opencv——银行卡识别系统
qq_35447572的博客
01-26 4838
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 前言 银行卡识别，是一个可以识别银行卡号的系统。主题是通过算法选出合适的区域，并将区域内的内容与已有模板进行匹配，成功后输出数值。 提示：以下是本篇文章正文内容，下面案例可供参考 一、环境配置与预处理 环境：任何一款带有debug的idle，这里以pycharm为示例 预处理：所需要重要的2各参数，匹配模板以及银
opencv实现银行卡号识别
就很有趣的博客
07-19 2076
记录学习opencv时的笔记
人脸识别.rar_opencv 项目_人脸识别 opencv_人脸识别opencv_动态人脸_识别
07-15
【OpenCV与人脸识别技术】 OpenCV（开源计算机视觉库）是一个强大的...开发者可以借此了解和实践OpenCV在人脸识别领域的应用，提升自己的计算机视觉技能。同时，SeetaFace的集成也使得项目具有更高的实用性和易用性。
opencv人脸识别代码.zip_opencv_opencv 人脸_opencv人脸识别_opencv识别_人脸识别
07-15
OpenCV（开源计算机视觉库）是一个强大的跨平台计算机视觉库，包含了众多图像处理和计算机视觉的算法。在本压缩包中，你将找到一系列使用OpenCV进行人脸识别的C++代码示例，这些代码展示了如何利用OpenCV的强大功能...
OpenCV人脸识别案例课程PDF.zip_OPENCV 人脸识别_opencv_opencv 识别_opencv案例_人脸识别
07-14
OpenCV（开源计算机视觉库）是计算机视觉领域中一个强大的工具，尤其在图像处理和人脸识别方面有着广泛的应用。本课程的焦点在于通过一系列实战案例，深入浅出地讲解OpenCV在人脸识别上的应用。以下是关于OpenCV人脸...
Python银行卡卡号自动识别源程序，GUI前端，基于PyQt5+opencv
11-18
综上所述，这个Python项目结合了GUI设计、图像处理和OCR技术，为用户提供了自动识别银行卡卡号的功能。其核心在于通过OpenCV优化图像，然后利用PyQt5构建用户友好的交互界面，实现快速且高效的银行卡信息提取。
Face_opencv项目_编译opencv_qtopencv_opencv_人脸识别_
10-01
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，它包含了众多图像处理和计算机视觉的算法，广泛应用于图像分析、识别等领域。而Qt则是一个跨平台的开发框架，适用于创建桌面应用、移动...
OpenCV C++案例实战二十《银行卡号识别》
Zero___Chen的博客
01-22 9456
OpenCV C++案例实战二十《银行卡号识别》前言一、获取模板图像1.1 功能效果1.2 功能源码二、银行卡号定位2.1 将银行卡号切割成四块2.1.1 功能效果2.1.2 功能源码2.2 字符切割2.2.1 功能效果2.2.2 功能源码三、字符识别3.1.读取文件3.2.字符匹配3.3.功能源码四、效果显示4.1 功能源码4.2 效果显示五、源码5.1 hpp文件5.2 cpp文件5.3 main文件总结 前言 本文将使用OpenCV C++ 进行银行卡号识别。主要步骤可以细分为： 1、 获取模板图像
python opencv 银行卡号识别
qq_54162982的博客
04-17 598
本次项目使用python中的opencv库对银行卡进行形态学操作和模板匹配，最终提取出银行卡号。
【精选】银行卡识别系统：Opencv＆Yolov7（源码＆教程）
cheng2333333的博客
12-18 1146
【精选】银行卡识别系统：Opencv＆Yolov7（源码＆教程）
OpenCV实现银行卡号识别
weixin_64513357的博客
07-02 2272
对模板进行处理。要先对模板数字 进行轮廓查找 然后再将模板数字分割开并保存方便后面进行模板匹配来识别银行卡号。银行卡图片为： 然后再进行银行卡图片的处理。处理的思路就是要获取原图中的数字区域，通过轮廓处理得到四串数字的轮廓，然后再将每一个数字都提取出来与模板里的数字进行识别。我的具体操作方法是先进行顶帽操作，然后求图像的梯度，再进行闭操作直到让数字区域连接到一起，以便于后面进行轮廓检测 进行闭操作后差不多是这个样子。 然后就进行轮廓检测 再就是对轮廓的筛选和与模板数字进行比较识别了具体
import torchimport cv2import numpy as npfrom models.experimental import attempt_loadfrom utils.general import non_max_suppressionclass YoloV5Detector: def __init__(self, model_path, conf_thresh=0.25, iou_thresh=0.45): self.conf_thresh = conf_thresh self.iou_thresh = iou_thresh self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu") self.model = attempt_load(model_path, map_location=self.device) self.model.eval() def detect(self, image_path): img = cv2.imread(image_path) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = img.transpose(2, 0, 1) img = np.ascontiguousarray(img) img = torch.from_numpy(img).to(self.device).float() / 255.0 # Run inference with torch.no_grad(): results = self.model(img, size=img.shape[-2:]) results = non_max_suppression(results, conf_thres=self.conf_thresh, iou_thres=self.iou_thresh) return results
05-22
这是一个使用 YOLOv5 模型进行目标检测的 Python 代码。该类 YoloV5Detector 包含了模型加载、...其中，conf_thresh 和 iou_thresh 分别表示置信度和重叠阈值，可以通过调整这两个参数来控制检测结果的准确率和召回率。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值