适合人群:
有python基础,注重应用、不追求深层次知识的小伙伴。
前言:
- 本文对很多说用到的很多函数都是粗浅地解释一下用法以及作用,并不会解释该函数的具体结构。若想进一步深入了解还请自行谷狗一下。
完整代码
# Author :Eric
# -*- codeing = utf-8 -*-
# @Time :2022/6/20 19:54
# @Author :ghfghd
# @Site :
# @File :main.py
# @Software :PyCharm
import cv2
import numpy as np
from imutils import contours
#定义一个展示图像的函数
def cv_show(img ,name ="img"):
cv2.imshow(name,img)
cv2.waitKey(0)
#读入模板
template = cv2.imread('sample.png')
# cv_show(template) --A
#灰度处理
tem_gray =cv2.cvtColor(template,cv2.COLOR_BGR2GRAY)
# cv_show(tem_gray)---B
#二值化处理,thresh只接受灰度图,10为最低阈值,255为最高阈值
#最后一个参数表示,图中的像素值大于最高阈值时取0,而低于最低阈值取255
tem_thresh = cv2.threshold(tem_gray, 10,255,cv2.THRESH_BINARY_INV)[1]
# cv_show(tem_thresh)----C
#轮廓检测.findContours 只接受二值图
#RETR_EXTERNAL 只检测外轮廓 CHAIN_APPROX_SIMPLE 只保留终点坐标
tem_contours ,hierarchy = cv2.findContours(tem_thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
# print(type(tem_contours))
# print(np.array(tem_contours).shape)
#画轮廓,从左到右参数分别表示:图像,轮廓,显示所有轮廓,用红色的笔画出轮廓,笔的粗细状况
cv2.drawContours(template,tem_contours,-1,(0,0,255),3)
# cv_show(template)---D
#给轮廓排序,将十个轮廓分别存进一个元组中
tem_sort = contours.sort_contours(tem_contours,method= "left-to-right")[0]
# print(tem_sort)
digits ={}
#获取模板中每个数字的图像
for (i,c) in enumerate(tem_sort):
#获取每个轮廓在图像中的位置参数
(x,y,w,h) = cv2.boundingRect(c)
#根据得到的参数取出目标图像
roi =tem_thresh[ y:y+h,x:x+w ]
#将每个模板调成合适大小
roi = cv2.resize(roi,(57,88))
digits[i] =roi
#-----------------------------我是分割线----------------------------------------------
#接下准备处理信用卡
#先初始化卷积核,之后会用来进行闭操作,顶帽
rectKernel =cv2.getStructuringElement(cv2.MORPH_RECT,(9,3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
#读入需要识别的图像
image = cv2.imread('band_card.png')
# cv_show(image)
#调整成合适大小
image = cv2.resize(image,(250,200))
# cv_show(image)
#灰度化
img_gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
# cv_show(img_gray)
#顶帽突出明亮处
top_img =cv2.morphologyEx(img_gray,cv2.MORPH_TOPHAT,rectKernel)
# cv_show(top_img)
#sobel算子计算梯度,检测边缘
grad_X = cv2.Sobel(top_img,ddepth = cv2.CV_32F,dx= 1,dy = 0,ksize=-1)# -1表示用3*3的核
#然后操作一番,得出归一化的结果
grad_X = np.absolute(grad_X)
( minVal,maxVal )= (np.min(grad_X),np.max(grad_X))
grad_X = (255*(grad_X-minVal)/(maxVal-minVal))
grad_X = grad_X.astype("uint8")
# print(type(grad_X))
# print(np.array(grad_X).shape)
#闭操作(先膨胀再腐蚀),将检测边缘后的图像中的数字连在一起,方便后期筛查无光轮廓
clo_gra =cv2.morphologyEx(grad_X ,cv2.MORPH_CLOSE,rectKernel)
# cv_show(clo_gra)
#二值化
#cv2.THRESH_OTSU方法会自动寻找合适的阈值,适合处理像素分布符合双峰的图
#用此方法需要将最低阈值设定成0
thr_gra = cv2.threshold(clo_gra,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]
# cv_show(thr_gra)
#闭操作(先膨胀后腐蚀)把数字连在一起
cloag_gra = cv2.morphologyEx(thr_gra,cv2.MORPH_CLOSE,sqKernel)
#计算轮廓
#findContours 只接受二值图 RETR_EXTERNAL 只检测外轮廓 CHAIN_APPROX_SIMPLE 只保留终点坐标
img_contours ,hierarchy = cv2.findContours(cloag_gra.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
# print(type(img_contours))
#画轮廓
dra_img = cv2.drawContours(image.copy(),img_contours,-1,(0,0,255),1)
# cv_show(dra_img)
#此处是筛选出合理的轮廓,剔除无关轮廓
#我们要找的轮廓时数字块,而图中的数字块宽和高在一个比较特别的比例之内,据此可以排除无关轮廓
locs = []
for (i,c ) in enumerate(img_contours):
(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):
locs.append((x,y,w,h))
locs =sorted(locs , key = lambda x:x[0])
output = []
#---------------------------------我是分割线-----------------------------
#以下是核心
for (i , (gx,gy,gw,gh)) in enumerate(locs): #gx,gy,gw,gh是关于轮廓的参数 并遍历数字块(注:此处说到的数字块指的是信用卡中连在一起的数字)
group_output= []
group = img_gray[gy-5:gy+gh+5,gx-5:gx+gw+5]
cv_show(group)
#二值一下
group_thr =cv2.threshold(group,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]
#计算轮廓
digit_cou ,hierarchy = cv2.findContours(group_thr.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
#给轮廓排个序
digit_cou = contours.sort_contours(digit_cou,method ="left-to-right")[0]
for c in digit_cou: #遍历数字块中的每一个数字
(x,y,w,h) = cv2.boundingRect(c)
#定位出每一个数字
roi = group_thr[y:y+h,x:x+w]
#将数字的图像调成合适大小
roi =cv2.resize(roi ,(57,88))
#用以记录匹配得分
scores = []
for (digit ,digitROI) in digits.items():
#匹配
match_img = cv2.matchTemplate(roi,digitROI,cv2.TM_CCOEFF)
#计算跟每个数字的匹配度
(_,score,_,_) =cv2.minMaxLoc(match_img)
scores.append(score)
#用np.argmax方法得出最高分的数字并添进总输出中
group_output.append(str(np.argmax(scores)))
#每一块数字块识别完毕后,用矩形框出并显示出内容
cv2.rectangle(image,(gx-5,gy-5),(gx+gw+5,gy+gh+5),(0,0,255),1)
cv2.putText(image,"".join(group_output),(gx,gy-15),cv2.FONT_HERSHEY_SIMPLEX,0.65,(0,0,255),2)
#将这组识别到的数字块添到一个准备好的数组中
output.extend(group_output)
cv_show(image)
print("".join(output))
思路:
- 关于如何识别银行卡号,本程序的将该问题划分为三大块内容:处理匹配模板,处理银行卡,用模板对银行卡进行匹配。
处理模板
- 先将用来匹配的模板读入 —A
- 然后对这个模板一顿输出———灰度处理(简单去除无关背景),二值化(进一步去除无关背景,并突出轮廓)。—B(以下如图)
- 然后我们检测一下模板中的轮廓,并将轮廓画出来保存下来外轮廓,然后把这些轮廓排个序—C
- 最后将模板中的每个数字的图像抓取出来,装进一个元组中
处理银行卡
- 首先读入银行卡顺便定义两个卷积核,一个卷积核是根据银行卡号中数字块(如:4000,1234)的长度定义为了之后利用二值化时突出数字块,并将其调整成合适大小—E
- - 先对图像预处理。然后对这个银行卡一顿操作,由于呀银行卡的影响元素更多,故会进行更多的图像操作。灰度化,顶帽(突出明亮处),sobel算子检测边缘并将得到的梯度(此处只计算了x方向的梯度,读者可以根据实际情况判断是否有需要求y方向的梯度)进行一系列操作。
(灰度后的顶帽操作)
(sobel算子)
-
之后,为了能够取出数字块,进行闭操作(先膨胀再腐蚀),二值化,再进行一次二值化
(第一次闭操作)
(二值)
(第二次闭操作) -
开始寻找轮廓,并将轮廓画出,然后根据实际情况(我们要找的轮廓时数字块,而图中的数字块宽和高在一个比较特别的比例之内,据此可以排除无关轮廓)排除无关轮廓
(此图还未排除无关轮廓)
匹配
(此处其实还包括一部分对银行卡的处理)
此处是最后一步。得到数字块轮廓后,可根据此抠出其中的数字块,接下来是扣出数字块中的一个个数字,在扣出一个数字时就需将其与模板中的数字匹配,识别出是什么数字。最后在数字块上根据识别出来的数字输出在其之上(数字块中抠出来的数字就不展示了)
最后
- 此方法只能处理最理想的情况,若是图像是歪歪斜斜的,怎么处理?大概就得用到透视变换了。笔者水平有限,若文中有纰漏,还请读者朋友不吝赐教,予以斧正。有问题欢迎私信笔者,看到后会第一时间回复。