opencv项目实战-信用卡识别

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: