用python和OpenCV识别图片中的条形码

原文地址：用python和opencv识别图片中的条形码

# -*- coding: UTF-8 -*-
import numpy as np
import argparse
import cv2

#使用NumPy做数值计算，argparse用来解析命令行参数，cv2是OpenCV的绑定。
# ap = argparse.ArgumentParser()
# ap.add_argument("-i","--image",required=True,help="path to the image file")
# args = vars(ap.parse_args())
#从磁盘载入图像并转换为灰度图。
# image = cv2.imread(args['image'])
image = cv2.imread('C:/pytm/9.jpg')
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
#使用Scharr操作（指定使用ksize = -1）构造灰度图在水平和竖直方向上的梯度幅值表示。
gradX = cv2.Sobel(gray,ddepth = cv2.cv.CV_32F,dx = 1,dy = 0,ksize = -1)
gradY = cv2.Sobel(gray,ddepth = cv2.cv.CV_32F,dx = 0,dy = 1,ksize = -1)
#Scharr操作之后，我们从x-gradient中减去y-gradient，通过这一步减法操作，
#最终得到包含高水平梯度和低竖直梯度的图像区域。
gradient = cv2.subtract(gradX, gradY)
gradient = cv2.convertScaleAbs(gradient)
'''
下一步将通过去噪仅关注条形码区域,首先要做的第一件事就是使用9*9的内核对梯度图进行平均模糊，
这将有助于平滑梯度表征的图形中的高频噪声；；；然后我们将模糊化后的图形进行二值化，
梯度图中任何小于等于255的像素设为0（黑色），其余设为255（白色）
'''
blurred = cv2.blur(gradient,(9,9))
(_, thresh) = cv2.threshold(blurred, 225, 255, cv2.THRESH_BINARY)
'''
我们首先使用cv2.getStructuringElement构造一个长方形内核。这个内核的宽度大于长度，
因此我们可以消除条形码中垂直条之间的缝隙。

这里进行形态学操作，将上一步得到的内核应用到我们的二值图中，
以此来消除竖杠间的缝隙。
'''
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(21,7))
closed = cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,kernel)
'''
当然，现在图像中还有一些小斑点，不属于真正条形码的一部分，但是可能影响我们的轮廓检测。
让我们来消除这些小斑点：
我们这里所做的是首先进行4次腐蚀（erosion），然后进行4次膨胀（dilation）。腐蚀操作将会腐蚀图像中白色像素，
以此来消除小斑点，而膨胀操作将使剩余的白色像素扩张并重新增长回去。
如果小斑点在腐蚀操作中被移除，那么在膨胀操作中就不会再出现
'''

closed = cv2.erode(closed,None,iterations = 4)
closed = cv2.dilate(closed,None,iterations = 4)

'''
幸运的是这一部分比较容易，我们简单地找到图像中的最大轮廓，
如果我们正确完成了图像处理步骤，这里应该对应于条形码区域。
然后我们为最大轮廓确定最小边框,最后显示检测到的条形码
'''
(cnts,_) = cv2.findContours(closed.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
c = sorted(cnts,key = cv2.contourArea,reverse=True)[0]
#为最大轮廓确定最小边框
rect = cv2.minAreaRect(c)
box = np.int0(cv2.cv.BoxPoints(rect))
#显示检测到的条形码
cv2.drawContours(image,[box],-1,(0,255,0),3)
cv2.imshow('Image',image)
cv2.waitKey(0)