opencv信用卡卡号检测

• 导入必要的包

import os
os.chdir("E:/code/opencv计算机视觉实战/template-matching-ocr/")
from imutils import contours
import numpy as np
import cv2
import myutils

• 指定模板图和信用卡图的地址

card_default="./images/credit_card_01.png"
template_default="./images/ocr_a_reference.png"

• 读取模板图并转为二值图

# 绘图展示
def cv_show(name,img):
	cv2.imshow(name, img)
	cv2.waitKey(0)
	cv2.destroyAllWindows()
# 读取一个模板图像
img = cv2.imread(template_default)
cv_show('img',img)
# 灰度图
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('ref',ref)
# 二值图像
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
cv_show('ref',ref)

• 计算模板的轮廓
  findContours()方法返回找到的轮廓坐标,drawContours()在原图上绘制轮廓
  注意传参时要把原图深拷贝ref.copy()，否则会将原图修改

refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
#绘制模板的轮廓
cv2.drawContours(img,refCnts,-1,(0,0,255),3) 
cv_show('img',img)

• 返回0-9排序好的模板轮廓
  此时，求出的轮廓不一定是0-9排好序的，为了后续匹配需要对轮廓进行排序

#排序方法  从左到右排序
def sort_contours(cnts, method="left-to-right"):
    reverse = False
    i = 0
    boundingBoxes = [cv2.boundingRect(c) for c in cnts] #用一个最小的外接矩形，把找到的轮廓包起来x,y,h,w
    #用外接矩形的左上角横坐标排序即0-9
    (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),
                                        key=lambda b: b[1][i], reverse=reverse))
    #返回排好序的轮廓
    return cnts, boundingBoxes

#返回0-9排序好的模板轮廓
refCnts = myutils.sort_contours(refCnts)[0] #排序，从左到右
digits = {}
# 遍历每一个轮廓，将轮廓的外接矩形抠出来resize成合适大小存到字典中
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(c)
	roi = ref[y:y + h, x:x + w]   #从原图取出该轮廓的区域
	roi = cv2.resize(roi, (57, 88))
	# 每一个数字对应每一个模板
	digits[i] = roi

如图为数字8对应的模板

• 读取信用卡图像并转为灰度图，resize成合适大小

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

#读取输入图像，预处理
image = cv2.imread(card_default)
cv_show('image',image)
image = myutils.resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)

• 对灰度图进行顶帽操作，突出较亮的数字部分

# 初始化卷积核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
#顶帽操作，突出更明亮的区域 ,用自定义的适合卡号数字大小的卷积核
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) 
cv_show('tophat',tophat)

• 用索贝尔算子求X方向的梯度

#索贝尔算子求X方向梯度
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, #ksize=-1相当于用3*3的
	ksize=-1)
#将负梯度转为绝对值
gradX = np.absolute(gradX)
#将梯度值最大最小值归一化后再*255复原
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
#转为无符号8位整型
gradX = gradX.astype("uint8")
#显示X方向的梯度图
cv_show('gradX',gradX)

• 使用闭操作将数字连接在一起
  
  
• 再进行一次闭操作

#再来一个闭操作
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) #再来一个闭操作
cv_show('thresh',thresh)

# 计算信用卡数字轮廓
threshCnts, _ = 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)

• 筛选是信用卡数字的轮廓

locs = []  #用来保存是卡号数字的轮廓
# 遍历轮廓
for (i, c) in enumerate(cnts):
	# 计算轮廓的外接矩形
	(x, y, w, h) = cv2.boundingRect(c)
    #计算轮廓的宽高比
	ar = w / float(h)
	# 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 ar > 2.5 and ar < 4.0:
		if (w > 40 and w < 55) and (h > 10 and h < 20):
			#符合轮廓的留下来
			locs.append((x, y, w, h))
# 将符合的轮廓从左到右排序（按照轮廓的x坐标）
locs = sorted(locs, key=lambda x:x[0])

• 遍历轮廓中的数字与模板进行匹配

output = []  #保存结果
# 遍历每一个轮廓中的数字
for (i, (gX, gY, gW, gH)) in enumerate(locs):
	# initialize the list of group digits
	groupOutput = []  #保存这组轮廓的数字

	# 根据坐标提取每一组卡号轮廓且往外扩展5个像素
	group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
	cv_show('group',group) #可视化这组卡号
	# 二值化预处理  自适应阈值
	group = cv2.threshold(group, 0, 255,
		cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
	cv_show('group',group)  #可视化二值化后的这组卡号
	# 计算每一组4个数值的轮廓
	digitCnts, _ = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
		cv2.CHAIN_APPROX_SIMPLE)
    #对4个数值的轮廓从左到右排序
	digitCnts = sort_contours(digitCnts)[0]
    
	# 计算每一组中的每一个数值
	for c in digitCnts:
		# 找到当前数值的轮廓求外接矩形，resize成合适的的大小
		(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)  #可视化该数值
		# 计算匹配得分
		scores = []
		# 在模板中计算每一个得分
		for (digit, digitROI) in digits.items():
			# 模板匹配   计算相关系数
			result = cv2.matchTemplate(roi, digitROI,
				cv2.TM_CCOEFF)
            #返回最大的相关系数
			(_, score, _, _) = cv2.minMaxLoc(result)
			scores.append(score)  #将得分保存在列表

		# 得到最合适的数字   最大的分的下标即为匹配出的数字保存到该组卡号列表中
		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)
cv_show("img",image)
print(output)