Opencv项目实战1 银行卡数字识别

由于需要较为方便的添加路径，本博主本项目实战所用的IDE由Jupiter Notebook 更改为Pycharm，Pycharm的配置过程较为简单，大家在官网下载即可，配置好以后即可使用。

废话不多说，咱们见代码。

所有的操作流程作者都已经在代码中给出明确清晰注释，以便大家逐步debug。

# 导入工具包
import argparse
import imutils
import cv2
import myutils
import numpy as np
from imutils import contours

# 设置函数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,  # image是银行卡
                help="path to input image")
ap.add_argument("-t", "--template", required=True,
                help="path to template OCR-A image")  # template是0123456789

# args = vars(ap.parse_args([]))

# args = vars(ap.parse_args())#官方方法

args = vars(ap.parse_args())

# args = ap.parse_known_args()[0]
# print(args)

# 指定信用卡类型
FIRST_NUMBER = {
    "3": "American Express",
    "4": "Visa",
    "5": "MasterCard",
    "6": "Discover Card"
}


# 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(args["template"])
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, 140, 255, cv2.THRESH_BINARY_INV)[1]  # 轮廓检测多为二值图像，故进行二值化处理
cv_show('ref', ref)
# 计算轮廓
# cv2.findCountours()函数接收的参数为二值图像，及黑白的(不是灰度图)，cv2.RETR_EXTERNAL只检测为外部轮廓，cv2.CHAIM_APPROX_SIMPLE只保留终点坐标。
# 返回的list中的每个元素都是图像中的一个轮廓

# ref_,
refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)  # 等号右边为使用该方法返回的三个参数

cv2.drawContours(img, refCnts, -1, (0, 255, 255), 3)  # 只关心中间的refCnts——轮廓结构，-1表示要画所有的轮廓

cv_show('img', img)
cv2.imwrite('E:\Anaconda\Anaconda3.8\Firstsuccess.jpg', img)

# 以上代码无误

print(np.array(refCnts).shape)  # shape表示有多少个轮廓
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0]  # 排序，从左到右，从上到下
digits = {}  # 指定一个字典，目前为空，需要不断遍历
# 遍历每一个轮廓
for (i, c) in enumerate(refCnts):  # i是轮廓的索引，c是轮廓；换言之，i是数值，c是对应的轮廓
    # 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]
    roi = cv2.resize(roi, (57, 88))  # 57，88是resize以后图像的大小，无要求，适中即可

    # 每一个数字对应一个模板
    digits[i] = roi

rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))  # 大小根据实际任务指定大小
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))  # 大小根据实际任务指定大小

# 读取时如图象进行预处理
# image = cv2.imread(args["image"], 0)  # 读入数据
image = cv2.imread(args["image"])
cv_show('image', image)

# 灰度图
Image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('ref', Image)  # 输出灰度图像

# 二值处理
image2 = cv2.threshold(Image, 140, 255, cv2.THRESH_BINARY_INV)[1]  # 阈值图像
cv_show('image', image2)
Image2 = imutils.resize(image2, width=300)  # resize
cv_show('image', Image2)
# 以上代码无误
# gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 转灰度图
# cv_show("gray", gray)

# 礼帽操作，突出更亮的区域
tophat = cv2.morphologyEx(Image2, cv2.MORPH_TOPHAT, rectKernel)  # 根据自己想突出的字体区域订
cv_show('tophat', tophat)
#
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)  # ksize=-1 相当于3*3的 # soble算子

gradX = np.absolute(gradX)  # 绝对值
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
gradX = gradX.astype("uint8")

print(np.array(gradX).shape)
cv_show('gradX', gradX)

# 通过闭操作（先膨胀再腐蚀）将数字连在一起，形成块儿
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
cv_show('gradX', gradX)
# TREST_OSTU会自动寻找合适的阈值，适合双峰（图像变化趋势亮暗亮），需要把阈值参数设为零
thresh = cv2.threshold(gradX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]  # 阈值处理
cv_show('thresh', thresh)
# 再来一次闭操作，填充暗区域
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)  # 再来一个闭操作
cv_show('thresh', thresh)

# 计算轮廓
# thresh_,
threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
#############################################################
# cnts = threshCnts[1] if imutils.is_cv2() else threshCnts[0]
# cnts = threshCnts[0] if imutils.is_cv3() else threshCnts[1]

cnts = threshCnts
#############################################################
#  image = cv2.imread(args["image"], 0)  # 读入数据
image = cv2.imread(args["image"])
image = imutils.resize(image, width=300)  # resize
cur_img = image.copy()
cv2.drawContours(cur_img, threshCnts, -1, (0, 0, 255), 3)

cv_show('img', cur_img)
locs = []  # 将向其中填写实际有价值的区域

# 遍历轮廓
for (i, c) in enumerate(threshCnts):
    # 计算矩形
    (x, y, w, h) = cv2.boundingRect(c)
    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 > 30 and w < 55) and (h > 10 and h < 20):
            # 符合的留下来
            locs.append((x, y, w, h))

#    if ar > 5.0 and ar < 9.0 :
#        if(w > 60 and w < 130) and (h > 10 and h < 20):
#            locs.append((x, y, w, h))
# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x: x[0])
output = []


# 遍历每一个轮廓的数字
for (i, (gX, gY, gW, gH)) in enumerate(locs):
    # initialize the list of group digits
    groupOutput = []

    # 根据坐标提取每一个组
    group = Image2[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
    cv_show('group', group)
    # 以上代码无误

    # 预处理
    group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

    cv_show('group', group)  # 提取出相应的四位数字
    # 计算每一组的轮廓
    # group_,
    digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    digitCnts = contours.sort_contours(digitCnts, method="left-to-right")[0]
    # 计算每一个组的数值
    for c in digitCnts:
        # 找到当前数值的轮廓，resize成合适的大小
        (x, y, w, h) = cv2.boundingRect(c)
        Roi = group[y:y + h, x:x + w]
        Roi = cv2.resize(Roi, (57, 88))  # 与前面进行模板匹配，故需要与前面相同
        cv_show('Roi', Roi)  # 目前输出为空白
        # cv_show('group', image)
        # 计算匹配得分
        scores = []

        # 计算模板中的每一个得分
        for (digit, digitROI) in digits.items():
            # 模板匹配
            result = cv2.matchTemplate(Roi, digitROI, cv2.TM_CCOEFF)  # 进行匹配
            (_, score, _, _) = cv2.minMaxLoc(result)  # 画横线的不关心，只关心相似系数
            scores.append(score)


        # 得到合适的数字
        groupOutput.append(str(np.argmax(scores)))  # 取相关系数最大的数

# 画出来
cv2.rectangle(image, (gX - 5, gY - 5),  (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1) # 把框画出来
cv2.putText(image, "".join(groupOutput), (gX, gY - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)  # 把数写出来

# 得出结果
output.extend(groupOutput)

# 打印结果


# print("Credit Card Type:{}".format(FIRST_NUMBER[output[0]]))
print("{}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)

在此，向大家介绍一下两张输入图像的路径添加方式：

点击Eyes，点开configuration

 之后在Parameters键入两个图片的路径：

--image E:\Anaconda\Anaconda3.8\Eye_img.jpg

--template E:\Anaconda\Anaconda3.8\Eye2.jpg

最后再给大家一个建议，不要尝试使用交行银行卡。

1.交行银行卡不是xxxx xxxx xxxx 格式，而是xxxxx xxxxxxxxxxxx 格式，在框筛选过程中不好做处理。

2.交行银行卡背景花里胡哨，容易引起识别错误。