【卡号识别】基于matlab分割法银行卡数字识别【含Matlab源码 312期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、背景简介

近几年来我国互联网金融飞速发展，网上资金交易逐渐成为日常生活中的主流消费方式。在进行网上资金操作时，往往涉及到对银行卡的操作。在输入银行卡号时，若能通过银行卡图像直接快速准确识别出银行卡号，其在电子支付的便利性、安全性等方面的应用，将会给人们的生活带来更大的便利。今天就给大家展示一下如何使用matlab如何识别银行卡号。

⛄二、部分源代码

%训练银行卡样本集(输入向量和目标向量)----hty
clc;
clear;
close all
trainNum=4;
for classnum=0:9
for kk=0:trainNum-1
%p1=ones(28,28);% 初始化28×28的二值图像像素值(全白)
switch classnum
case 0
m =strcat(‘train\0’,int2str(kk+1),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 1
m =strcat(‘train\1’,int2str(kk+1),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 2
m =strcat(‘train\2’,int2str(kk+1),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 3
m =strcat(‘train\3’,int2str(kk+1),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 4
m =strcat(‘train\4’,int2str(kk+1),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 5
m =strcat(‘train\5’,int2str(kk+1),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 6
m =strcat(‘train\6’,int2str(kk+1),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 7
m =strcat(‘train\7’,int2str(kk+1),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 8
m =strcat(‘train\8’,int2str(kk+1),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 9
m =strcat(‘train\9’,int2str(kk+1),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
end
x=imread(m,‘jpg’);% 读入训练样本图像文件
if(length(size(x))>2)
x=rgb2gray(x);
end
% [labels,bw]=KmeansSg(x,3);
% if(classnum0||classnum4)
% [L, num] = bwlabel(bw, 8);
% for i=1:num
% if(size(find(Li))<300)
% bw(Li)=0;
% end
% end
% end
% figure;
% imshow(bw,[]);
% bw=Otsu(x);
% bw=edge(x,‘canny’);
% bw=im2bw(x,0.25);% 将读入的训练样本图像转换为二值图像
% figure;
% imshow(bw,[]);
% bw=im2uint8(bw);
bw=imresize(x,[28,28]);
% figure;
% imshow(bw,[]);
% [i,j]= find(bw==0);% 寻找二值图像中像素值为0(黑)的行号和列号
% imin=min(i);% 寻找二值图像中像素值为0(黑)的最小行号
% imax=max(i);% 寻找二值图像中像素值为0(黑)的最大行号
% jmin=min(j);% 寻找二值图像中像素值为0(黑)的最小列号
% jmax=max(j);% 寻找二值图像中像素值为0(黑)的最大列号
% bw1=bw(imin:imax,jmin:jmax);% 截取图像像素值为0(黑)的最大矩形区域
% % rate=28/max(size(bw1));% 计算截取图像转换为28×28的二值图像的缩放比例(由于缩放比例
% % 大多数情况下不为28的倍数,所以可能存在转换误差)
% bw1=imresize(bw1,[28,28]);% 将截取图像转换为28×28的二值图像
% % [i,j]=size(bw1);% 转换图像的大小
% % i1=round((28-i)/2);% 计算转换图像与标准28×28的图像的左边界差
% % j1=round((28-j)/2);% 计算转换图像与标准28×28的图像的上边界差
% % p1(i1+1:i1+i,j1+1:j1+j)=bw1;% 将截取图像转换为标准的28×28的图像
% p1=bw1;
% p1= -1.p1+ones(28,28);% 反色处理 % 以图像数据形成神经网络输入向量
% for m=0:27
% p(m28+1:(m+1)28,kk+1)=bw(1:28,m+1);
% end % 形成神经网络目标向量
train_x(:,:,kk+1+trainNumclassnum)=bw;
train_y(kk+1+trainNum*classnum,classnum+1)=1;%训练样本标签
end
end
% for kk=0:9
% m =strcat(‘train_nums\num’,int2str(kk+1),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
% x=imread(m,‘jpg’);% 读入训练样本图像文件
% bw=im2bw(x,0.5);% 将读入的训练样本图像转换为二值图像
% bw=im2uint8(bw);
% bw=imresize(bw,[28,28]);
% train_x(:,:,kk+27)=bw;
% train_y(kk+27,kk+27)=1;%训练样本标签
% end

%汉字单独训练
% for kk=0:6
% m =strcat(‘train_word\hanzi’,int2str(kk+1),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
% x=imread(m,‘jpg’);% 读入训练样本图像文件
% bw=im2bw(x,0.5);% 将读入的训练样本图像转换为二值图像
% bw=im2uint8(bw);
% bw=imresize(bw,[28,28]);
% train_x(:,:,kk+1)=bw;
% train_y(kk+1,kk+1)=1;%训练样本标签
% end
testNum=1;
test_y=zeros(10,5);
trainNum=0;%重新限制
for classnum1=0:9
for k=0:testNum-1
%p2=ones(28,28);% 初始化28×28的二值图像像素值(全白)
switch classnum1
case 0
m2 =strcat(‘test\0’,int2str(k+1+trainNum),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 1
m2 =strcat(‘test\1’,int2str(k+1+trainNum)‘,’.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 2
m2 =strcat(‘test\2’,int2str(k+1+trainNum),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 3
m2 =strcat(‘test\3’,int2str(k+1+trainNum),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 4
m2 =strcat(‘test\4’,int2str(k+1+trainNum),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 5
m2 =strcat(‘test\5’,int2str(k+1+trainNum),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 6
m2 =strcat(‘test\6’,int2str(k+1+trainNum)‘,’.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 7
m2 =strcat(‘test\7’,int2str(k+1+trainNum),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 8
m2 =strcat(‘test\8’,int2str(k+1+trainNum),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
case 9
m2 =strcat(‘test\9’,int2str(k+1+trainNum),‘.jpg’);% 形成训练样本图像的文件名(0～259.bmp)
end
x=imread(m2,‘jpg’);% 读入训练样本图像文件
if(length(size(x))>2)
x=rgb2gray(x);
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]俞新星,任勇,史梦安,支佳雯.基于数字图像处理的银行卡号识别算法研究[J].电脑与信息技术. 2020,28(03)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合