一 、完整代码
import imutils
import numpy as np
import argparse
from imutils import contours
import cv2
import myutils #调用各种库
# 设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
help="path to input image") # i/--images 为输入图像, 设置路径
ap.add_argument("-t", "--template", required=True,
help="path to template OCR-A image") # -t/--tempalte为模板,设置路径
args = vars(ap.parse_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() # 定义
#读取一个模板图像
img = cv2.imread('E:/anaconda3/picture/ocr_a_reference.png') #通过模板的路径,读取模板图像
cv_show('img', img) #展示模版
#灰度图
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('ref', ref)
# 二值图像 (因为在做图像处理时,输入一般都是二值图像)
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1] #图像阈值(输入图,阈值,最大值,二值化操作的类型)
cv_show('ref', ref)
# 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
ref,refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) #refCnts为轮廓
cv2.drawContours(img, refCnts, -1, (0, 0, 255), 3) #画轮廓 [-1表示画所有轮廓(表示轮廓索引);(0,0,255)表示B,G,R颜色模式; 3表示线条厚度]
cv_show('img', img)
print(np.array(refCnts).shape) #10个轮廓
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] # 对轮廓进行排序,从左到右,从上到下
digits = {} #指定字典
# 遍历每一个轮廓
for (i, c) in enumerate(refCnts): #c表示轮廓;i 表示每一个轮廓的索引
# 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] #第一个轮廓框出来
roi = cv2.resize(roi, (57, 88))
# 每一个数字对应一个模板
digits[i] = roi
# 初始化卷积核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) #根据实际任务指定的核大小
# 读取输入图像,预处理
image = cv2.imread(args["image"])
cv_show('image', image)
image = myutils.resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #灰度图
cv_show('gray', gray)
# 礼帽操作,突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('tophat', tophat)
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1) # ksize=-1相当于用3*3的
gradX = np.absolute(gradX) # 这里只用X比用x,y好
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal))) #归一化
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
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
cv_show('gradX', gradX)
# THRESH_OTSU会自动寻找合适的阈值,适合双峰,需要把阈值参数设为0 (0表示让系统自动做判断他的阈值)
thresh = cv2.threshold(gradX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('thresh', thresh)
# 再来一个闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) # 再来一个闭操作;(更精确)
cv_show('thresh', thresh)
# 计算轮廓
thresh_, threshCnts, hierarchy = 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)
locs = [] #填进去一些区域
# 遍历轮廓
for (i, c) in enumerate(cnts):
# 计算矩形
(x, y, w, h) = cv2.boundingRect(c) #得到轮廓外接矩形
ar = w / float(h) #算比例
# 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))
# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x: x[0]) #轮廓全算出来.进行排序
output = []
# 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 = []
# 根据坐标提取每一个组
group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5] # 将坐标向外扩一点点,别贴死
cv_show('group', group)
# 预处理 (二值化)
group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('group', group)
# 计算每一组的轮廓
group_, digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) #检测一下轮廓
digitCnts = contours.sort_contours(digitCnts, method="left-to-right")[0] #对轮廓中每一个数字进行排序
# 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,resize成合适的大小
(x, y, w, h) = cv2.boundingRect(c)
roi = group[y:y + h, x:x + w] #选中外边范围
roi = cv2.resize(roi, (57, 88)) #做模板匹配,与模板大小一样
cv_show('roi', 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 = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)
(_, score, _, _) = cv2.minMaxLoc(result)
scores.append(score)
# 得到最合适的数字
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),
# 打印结果
print("Credit Card Type:{}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #:{}".format("".join(output)))
cv2.imshow("image", image)
cv2.waitKey(0)
二、具体操作代码
1、预处理
调用库,设置好图像读取的路径,指定信用卡类型
import imutils
import numpy as np
import argparse
from imutils import contours
import cv2
import myutils #调用各种库
# 设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
help="path to input image") # i/--images 为输入图像, 设置路径
ap.add_argument("-t", "--template", required=True,
help="path to template OCR-A image") # -t/--tempalte为模板,设置路径
args = vars(ap.parse_args())
# 指定信用卡类型
FIRST_NUMBER = {
"3": "American Express",
"4": "Visa",
"5": "MasterCard",
"6": "Discover Card"
}
2、定义
# 绘图展示
def cv_show(name, img):
cv2.imshow(name,img)
cv2.waitKey(0)
cv2.destroyAllWindows() # 定义
3、读取图像模板
img = cv2.imread('E:/anaconda3/picture/ocr_a_reference.png') #通过模板的路径,读取模板图像
cv_show('img', img) #展示模版
输出结果
4、模板图像转灰度图
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('ref', ref)
输出结果
5、模板二值化
# 二值图像 (因为在做图像处理时,输入一般都是二值图像)
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1] #图像阈值(输入图,阈值,最大值,二值化操作的类型)
cv_show('ref', ref)
输出结果
6、检测模板图像轮廓,并画出10个轮廓
ref,refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) #refCnts为轮廓
输出结果
7、模板轮廓绘制出来后,遍历每一个轮廓,一共有十个数字轮廓
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] # 对轮廓进行排序,从左到右,从上到下
digits = {} #指定字典
# 遍历每一个轮廓
for (i, c) in enumerate(refCnts): #c表示轮廓;i 表示每一个轮廓的索引
# 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] #第一个轮廓框出来
roi = cv2.resize(roi, (57, 88))
# 每一个数字对应一个模板
digits[i] = roi
每个数字对应一个模板
# 每一个数字对应一个模板
digits[i] = roi
8、根据实际任务指定的核大小
# 初始化卷积核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) #根据实际任务指定的核大小
9、现在读取图像,经过预处理,是边界别贴太近,然后将图像转化成灰度图
# 读取输入图像,预处理
image = cv2.imread(args["image"])
cv_show('image', image)
image = myutils.resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #灰度图
cv_show('gray', gray)
输出结果:
10、礼帽操作,为了使图像上的数字更加突出,突出更明亮的区域;之后在进行sobel算子,确定其轮廓,并且进行归一化处理。
# 礼帽操作,突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('tophat', tophat)
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1) # ksize=-1相当于用3*3的
gradX = np.absolute(gradX) # 这里只用X比用x,y好
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal))) #归一化
gradX = gradX.astype("uint8")
print(np.array(gradX).shape)
cv_show('gradX', gradX)
输出结果:
11、经过礼帽操作后,图像上要匹配的数字并没有完全连接在一起,所以在经过一个闭操作(先膨胀,再腐蚀)将数字连在一起;之后再进行一次闭操作会更加精确。12
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
cv_show('gradX', gradX)
输出结果:
12、计算图像上数字轮廓并绘制轮廓
thresh_, threshCnts, hierarchy = 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)
输出结果(图像上的数字轮廓已绘制)
13、接着要让图像上的四组数字的轮廓显示出来,并且每一个矩形轮廓设置它合适的阈值,轮廓计算出来后,再进行排序.
locs = [] #填进去一些区域
# 遍历轮廓
for (i, c) in enumerate(cnts):
# 计算矩形
(x, y, w, h) = cv2.boundingRect(c) #得到轮廓外接矩形
ar = w / float(h) #算比例
# 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))
# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x: x[0]) #轮廓全算出来.进行排序
output = []
输出结果:
14、排序完四个矩形轮廓,每一个矩形里包括4个数字,遍历每一个数字,提取每一个数字外轮廓的坐标,进行预处理、二值化。
# 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 = []
# 根据坐标提取每一个组
group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5] # 将坐标向外扩一点点,别贴死
cv_show('group', group)
# 预处理 (二值化)
group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('group', group)
# 计算每一组的轮廓
group_, digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) #检测一下轮廓
digitCnts = contours.sort_contours(digitCnts, method="left-to-right")[0] #对轮廓中每一个数字进行排序
输出:
15、计算每个数字的轮廓,调整合适的轮廓大小,再将每个数字与模板进行匹配。
# 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,resize成合适的大小
(x, y, w, h) = cv2.boundingRect(c)
roi = group[y:y + h, x:x + w] #选中外边范围
roi = cv2.resize(roi, (57, 88)) #做模板匹配,与模板大小一样
cv_show('roi', 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 = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)
(_, score, _, _) = cv2.minMaxLoc(result)
scores.append(score)
# 得到最合适的数字
groupOutput.append(str(np.argmax(scores)))
输出: