python实现卡号识别

#%%

import matplotlib.pyplot as plt
import cv2 as cv
import numpy as np
from imutils import contours

#%%

# 读取一个模板图像
img_num = cv.imread("...")	# 数字模板图像地址
plt.imshow(img_num)
plt.title("img_num")

#%%

# 灰度图
img_num_gray = cv.cvtColor(img_num, cv.COLOR_BGR2GRAY)
plt.imshow(img_num_gray, cmap="gray")
plt.title("img_num_gray")

#%%

# 二值图像
img_num_thresh = cv.threshold(img_num_gray, 10, 255, cv.THRESH_BINARY_INV)[1]
plt.imshow(img_num_thresh, cmap="gray")
plt.title("img_num_thresh")

#%%

# 计算轮廓
# cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图）,cv2.RETR_EXTERNAL只检测外轮廓，cv2.CHAIN_APPROX_SIMPLE只保留终点坐标
# 返回的list中每个元素都是图像中的一个轮廓
img_num_conts, hierarchy= cv.findContours(img_num_thresh.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
img_num_copy = cv.drawContours(img_num.copy(), img_num_conts, -1, (0,0,255), 2)
plt.imshow(img_num_copy[:,:,::-1])
plt.title("")
img_num_conts = contours.sort_contours(img_num_conts, method="left-to-right")[0] #排序，从左到右，从上到下

#%%

digits = {}
# 遍历每一个轮廓
for(i,c) in enumerate(img_num_conts):
    (x,y,w,h) = cv.boundingRect(c)
    roi = img_num_thresh[y:y + h, x:x + w]
    roi = cv.resize(roi, (57, 88))	# 对每一个数字图像进行缩放 注意 要与后面识别时的缩放大小相同
    # 每一个数字对应每一个模板
    digits[i] = roi
print(digits)

#%%

# 初始化卷积核
rectKernel = np.ones((3,9), np.uint8)
sqKernel = np.ones((5,5), np.uint8)

#%%

# 读取输入图像
img_card = cv.imread("...")		# 识别图像地址
plt.imshow(img_card[:,:,::-1])
plt.title("img_card")

#%%

# 缩放
(h, w) = img_card.shape[:2]
img_card = cv.resize(img_card, (300, int(h * 300 / float(w))), interpolation=cv.INTER_AREA)
plt.imshow(img_card[:,:,::-1])
print(img_card.shape)
plt.title("img_card")

#%%

# 灰度化
img_card_gray = cv.cvtColor(img_card, cv.COLOR_BGR2GRAY)
plt.imshow(img_card_gray, cmap="gray")
plt.title("img_card_gray")

#%%

# 礼帽操作，突出高亮部分
img_card_tophat = cv.morphologyEx(img_card_gray, cv.MORPH_TOPHAT, rectKernel)
plt.imshow(img_card_tophat, cmap="gray")
plt.title("img_card_tophat")

#%%

# 梯度运算
gradX = cv.Sobel(img_card_tophat, cv.CV_32F, 1, 0, -1)
gradX = cv.convertScaleAbs(gradX)
gradY = cv.Sobel(img_card_tophat, cv.CV_32F, 0, 1, -1)
gradY = cv.convertScaleAbs(gradY)
grad = cv.addWeighted(gradX, 0.5, gradY, 0.5, 0)
plt.imshow(grad, cmap="gray")
plt.title("gray")

#%%

# 通过闭操作，是数字连接到一起
img_card_close = cv.morphologyEx(grad, cv.MORPH_CLOSE, rectKernel)
plt.imshow(img_card_close, cmap="gray")
plt.title("img_card_close")

#%%

# 阈值操作(二值化)
img_card_thresh = cv.threshold(img_card_close, 0, 255, cv.THRESH_BINARY|cv.THRESH_OTSU)[1]
plt.imshow(img_card_thresh, cmap="gray")
plt.title("img_card_thresh")

#%%

# 通过闭操作，是数字连接到一起
img_card_close1 = cv.morphologyEx(img_card_thresh, cv.MORPH_CLOSE, rectKernel)
plt.imshow(img_card_close1, cmap="gray")
plt.title("img_card_close1")

#%%

# 轮廓运算
img_card_conts, hierarchy = cv.findContours(img_card_close1.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
img_card_copy_conts = cv.drawContours(img_card.copy(), img_card_conts, -1, (0,0,255), 3)
plt.imshow(img_card_copy_conts[:,:,::-1])
plt.title("img_card_copy_conts")

#%%

locs = []
# 遍历轮廓
for (i, c) in enumerate(img_card_conts):
	# 计算矩形
	(x, y, w, h) = cv.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 > 40 and w < 55) and (h > 10 and h < 20):
			#符合的留下来
			locs.append((x, y, w, h))

#%%

for locs_old in locs:
    print(locs_old)

#%%

# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x: x[0])
for locs_new in locs:
    print(locs_new)

#%%

fig, axes = plt.subplots(nrows=4, ncols=5, figsize=(30,10), dpi=100)
# 遍历每一个轮廓中的数字
for (i, (gX, gY, gW, gH)) in enumerate(locs):
    groupOutput = []

    # 根据坐标提取每一个组
    group = img_card_gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
    axes[i][0].imshow(group, cmap="gray")
    axes[i][0].set_title(f"group{i}")

    # 预处理 二值化
    group = cv.threshold(group, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)[1]
    # 计算每一组的轮廓
    digit_conts, hierarchy = cv.findContours(group.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
    digit_conts = contours.sort_contours(digit_conts, method="left-to-right")[0]


    # 计算每一组中的每一个数值
    for (digit_index, c) in enumerate(digit_conts,1):
        # 找到当前数值的轮廓，resize成合适的的大小
        (x, y, w, h) = cv.boundingRect(c)
        roi = group[y:y + h, x:x + w]
        roi = cv.resize(roi, (57, 88))	# 每个数字图像缩放，注意要和前面模板数字图像缩放大小相同
        axes[i][digit_index].imshow(roi, cmap="gray")
        axes[i][digit_index].set_title("roi")

        # 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
            result = cv.matchTemplate(roi, digitROI, cv.TM_CCOEFF)
            (_, score, _, _) = cv.minMaxLoc(result)
            scores.append(score)

        # 得到最合适的数字
        groupOutput.append(str(np.argmax(scores)))

    # 画出来
    cv.rectangle(img_card, (gX - 5, gY - 5),
        (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
    cv.putText(img_card, "".join(groupOutput), (gX, gY - 15),
        cv.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)

#%%

plt.imshow(img_card[:,:,::-1])

数字模板图像：

输入识别图像：

最终识别结果：