通过模板匹配和银行卡的数字对比从而识别数字出来(不用训练模型)
1参数设置(需要在edit configuation里面的参数设置)
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
help="path to input image")
ap.add_argument("-t", "--template", required=True,
help="path to template OCR-A image")
args = vars(ap.parse_args())
# 指定信用卡类型
FIRST_NUMBER = {
"3": "American Express",
"4": "Visa",
"5": "MasterCard",
"6": "Discover Card"
}
2.函数的定义
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
#boundingRect轮廓的最小正矩形 元组列表
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
#zip打包可迭代对象为元组,zip(*)函数利用 * 号操作符,可以将元组解压为元组
(cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),
key=lambda b: b[1][i], reverse=reverse))#按照元组的boundingBoxes的x排列(b[1])
return cnts, boundingBoxes
def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
dim = None
(h, w) = image.shape[:2]
if width is None and height is None:
return image
if width is None:
r = height / float(h)
dim = (int(w * r), height)
else:
r = width / float(w)
dim = (width, int(h * r))
resized = cv2.resize(image, dim, interpolation=inter)
return resized
3.模板图像的处理
先把模板图做轮廓检测,后把轮廓的特征放在字典里存储
#轮廓提取需要先把图像转成二值图像
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#返回二个值,一个是设定的阈值,一个是图像
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
#参数为二值图,cv2.RETR_EXTERNAL只检测外轮廓,cv2.CHAIN_APPROX_SIMPLE只保留终点坐标
#返回的refCnts是 list结构 每个元素都是图像中的一个轮廓
refCnts = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[1]#findContours返回三个参数
cv2.drawContours(img,refCnts,-1,(0,0,255),3)#-1表示轮廓全画
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] #排序,从左到右,从上到下 只返回第一个参数
digits = {}
for (i, c) in enumerate(refCnts): # 遍历每一个轮廓
# 计算外接矩形并且resize成合适大小` 12
(x, y, w, h) = cv2.boundingRect(c)
roi = ref[y:y + h, x:x + w] #切割轮廓图
roi = cv2.resize(roi, (57, 88))
digits[i] = roi # 每一个数字对应每一个模板 保存在字典里面
4.创建卷积核
# getStructuringElement可用于构造一个特定大小和形状的结构元素
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))#有矩形MORPH_RECT,椭圆形选择MORPH_ELLIPSE
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))#MORPH_CROSS是交叉形
5.图像处理
image = myutils.resize(image, width=300) #按照比例缩小
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#形成灰度图像处理
#礼帽 MORPH_TOPHAT 操作,突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
# Sobel只计算X方向的
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F,1,0,ksize=-1)#ksize=-1相当于用3*3的
gradX = np.absolute(gradX) #获得绝对值
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
gradX = gradX.astype("uint8")
#通过闭操作(先膨胀,再腐蚀)将数字连在一起
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
#THRESH_OTSU会自动寻找合适的阈值,适合双峰,需把阈值参数设置为0
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) #再来一个闭操作
cv_show('thresh',thresh)
# 计算外轮廓RETR_EXTERNAL
threshCnts= cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[1]
cnts = threshCnts,cur_img = image.copy() #获得图像的外轮廓
cv2.drawContours(cur_img,cnts,-1,(0,0,255),3)
locs = []#存放适合的轮廓也就是四个大框
# 遍历轮廓先遍历4组
for (i, c) in enumerate(cnts):
(x, y, w, h) = cv2.boundingRect(c)# 计算矩形
ar = w / float(h)#计算长宽的比例
if ar > 2.5 and ar < 4.0:# 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 (w > 40 and w < 55) and (h > 10 and h < 20):
locs.append((x, y, w, h))
#此时的轮廓的外界矩形是4个为一组
locs = sorted(locs, key=lambda x:x[0])# 将符合的轮廓从左到右排序
output = []
# 遍历每一个轮廓中的数字 (处理每一组的4个元数)
for (i, (gX, gY, gW, gH)) in enumerate(locs):
groupOutput = []
group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]# 根据坐标提取每一个组(4个一起的)
group = cv2.threshold(group, 0, 255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
# 获取每组里面单独的数字
digitCnts = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[1]
digitCnts = contours.sort_contours(digitCnts,method="left-to-right")[0]#得到安装x轴排列后的图像的外轮廓系列
for c in digitCnts:# 计算每一组中的每一个数值
# 找到当前数值的轮廓,resize成合适的的大小
(x, y, w, h) = cv2.boundingRect(c)#得到外接矩形
roi = group[y:y + h, x:x + w]#得到当前的数字的所在位置
roi = cv2.resize(roi, (57, 88))
scores = []# 计算匹配得分
# 在模板中计算每一个得分,digits是字典存放了0到9对于的外界轮廓的形状
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)#存放于10个数字先匹配的结果
# 选出最大的scores
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)
# 打印结果
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)