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
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：
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)
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© 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©
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。
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！
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。
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©
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.
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。
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))
cv_show('roi',roi)
scores = []
for (digit, digitROI) in digits.items():
result = cv2.matchTemplate(roi, digitROI,
cv2.TM_CCOEFF)
(_, score, _, _) = cv2.minMaxLoc(result)
scores.append(score)
groupOutput.append(str(np.argmax(scores)))
遍历这些数字之后，我们和模板中得进行一个比较，然后得出一个最优秀得结果。
最后我们将得到的分数再原图像中打印出来：
完美！！！这就是我们做银行卡识别小项目得所有内容，我们为了巩固这个知识后期又做了一下车牌识别得和这个操作大致一致。后期我们会进行更新。
>
> 🔎**支持**：🎁🎁🎁**如果觉得博主的文章还不错或者您用得到的话，可以免费的关注一下博主，如果三连收藏支持就更好啦！这就是给予我最大的支持！**
>
>
>
**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](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**
**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！**
，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](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**
**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！**
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
