OpenCV视频学习笔记（9）-项目实战-信用卡数字识别

九、项目实战-信用卡数字识别（融合前面的图像操作）

轮廓检测+轮廓外接矩形+模板匹配+resize成一样的大小
预处理：对轮廓做过滤操作，保存下数字的轮廓，根据长宽比例过滤
先在eclipse中配置Python环境，注意版本匹配这里下载的eclipse是eclipse-java-2019-03
在Eclipse中添加Python的环境
Eclipse -> Help -> Install New SoftWare -> Add ，在弹出的框添加python仓库地址http://pydev.org/updates：

添加完成后稍等片刻，等待环境更新，完成后由PyDev信息，之后一直next：

最后选择则受许可，建议选择后两个，点击Finish完成步骤

重启eclipse，在windows->preferences出现PyDev配置项，表示PyDev插件安装成功。
配置PyDev插件
windows->preferences->PyDev->Interpreter - Python，New一个Python解释器，填上解释器名字和路径，路径选相应的python.exe。

以下Python 3.x必选，Python 2随意。按个人习惯选择UTF-8
windows->preferences->General->Editors->Text Editors->Spelling，Encoding改成Other:UTF-8
windows->preferences->General->Workspace，Text file encoding改成Other:UTF-8
至此，PyDev的配置就完成了。
测试
File->New->Project，选PyDev下的PyDev Project，Grammer和Interpreter选相应的版本，Finish。
新建一个空白文件text.py，在里面写入Python代码：
print(“hello,world!”)
1
然后点击左上角的绿色按钮,运行出结果。

开始之前要先把代码中用到的图片路径指定好：Run as–>Run Configurations–>Python Run–>Arguments下指定图片路径。
要在eclipse中导入第三方工具包
Eclipse代码在执行过程中出现问题，因为我使用的是python3.8和最新版本的opencv，与作者的代码语法有些出入，所以最后还是要用Pycharm，但是因为opencv-python是4.3.0.38版本，所以下面的代码中要把标红部分删掉，注意前面的空格也要删掉；
#//导入工具包
from imutils import contours
import numpy as np
import argparse
import cv2
import myutils

#模板匹配操作

#//设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", “–image”, required=True,
help=“path to input image”)
ap.add_argument("-t", “–template”, required=True,
help=“path to template OCR-A image”)
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()
// 读取一个模板图像
img = cv2.imread(args[“template”])
cv_show(‘img’,img)
显示：

// 灰度图
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show(‘ref’,ref)
显示：

//二值图像
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
cv_show(‘ref’,ref)
显示：

// 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)

cv2.drawContours(img,refCnts,-1,(0,0,255),3)
cv_show(‘img’,img)
显示：

print (np.array(refCnts).shape)
refCnts = myutils.sort_contours(refCnts, 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(refCnts):
// 计算外接矩形并且resize成合适大小
(x, y, w, h) = cv2.boundingRect©
roi = ref[y:y + h, x:x + w]
roi = cv2.resize(roi, (57, 88))

// 每一个数字对应每一个模板
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))

#读取输入图像，预处理
image = cv2.imread(args[“image”])
cv_show(‘image’,image)
显示：

image = myutils.resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show(‘gray’,gray)
显示：

#礼帽操作，突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show(‘tophat’,tophat)
显示：

gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, #ksize=-1相当于用3*3的
ksize=-1)

gradX = np.absolute(gradX)
(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)
显示：

#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)
显示：

#THRESH_OTSU会自动寻找合适的阈值，适合双峰，需把阈值参数设置为0
thresh = cv2.threshold(gradX, 0, 255,
cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show(‘thresh’,thresh)
显示：

#再来一个闭操作

thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) #再来一个闭操作
cv_show(‘thresh’,thresh)
显示：

#//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)
显示：

locs = []

// 遍历轮廓
for (i, c) in enumerate(cnts):
#//计算矩形
(x, y, w, h) = cv2.boundingRect©
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))

#//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]
cv_show(‘group’,group)
显示：（只显示一组数字）

#//预处理
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)
digitCnts = contours.sort_contours(digitCnts,
method=“left-to-right”)[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，resize成合适的的大小
(x, y, w, h) = cv2.boundingRect©
roi = group[y:y + h, x:x + w]
roi = cv2.resize(roi, (57, 88))
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)
最后运行结果：