项目实战-信用卡识别
算法设计：
1：识别模板图片各个数字的轮廓：
#读取模板图像
img=cv2.imread('model.png')
#灰度图
ref=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值图像（阈值）
ref=cv2.threshold(ref.copy(), 10, 255, cv2.THRESH_BINARY_INV)[1]
#计算轮廓（仅外部）
contours, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# cv2.findContours()函数接受的参数为二值图
cv2.drawContours(img,contours,-1,(0,0,255),3)
cv_shown('template_Contours',img)
#print (np.array(contours).shape)
contours = sort_contours(contours, method="left-to-right")[0] #排序，从左到右，从上到下
digits = {}
for(i,c)in enumerate(contours):(x,y,w,h)=cv2.boundingRect(c)roi=ref[y:y+h,x:x+w]roi=cv2.resize(roi,(57,88))digits[i]=roicv_shown('img',digits[i])
2 信用卡卡号提取：
1）：读取图片并进行礼帽操作
#读取输入图像，预处理
image = cv2.imread('credit_card_01.png')
cv_shown('Input_img',image)
image = resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_shown('Input_gray',gray)#礼帽操作，突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_shown('Input_tophat',tophat)
2） 求图像梯度并进行归一化：
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) # absolute: 计算绝对值
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))#归一化
gradX = gradX.astype("uint8")
3）进行闭操作使图片轮廓更加清晰
#闭操作
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
cv_shown('Input_CLOSE_gradX',gradX)# 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_shown('Input_thresh',thresh)#闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, rectKernel)
#cv_shown('Input_CLOSE_gradX',gradX)4） 读取出图片中的所需轮廓
# 计算轮廓
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_shown('Input_Contours',cur_img)
locs = []#遍历轮廓
for(i,c)in enumerate(cnts):(x,y,w,h)=cv2.boundingRect(c)ar = w/float(h)if ar > 2.5 and ar < 4.0:if (w > 40 and w < 55) and (h > 10 and h < 20):locs.append((x, y, w, h))#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):groupOutput = []group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5] # 往外扩一点cv_shown('group',group)# 二值化的groupgroup = cv2.threshold(group,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]group_name = 'Input_group_' + str(i)cv_shown(group_name,group)
5）在所读取出的轮廓中求所需四个数字的轮廓
# 计算每一组的轮廓 这样就分成4个小轮廓了digitCnts,hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)# 排序digitCnts = sort_contours(digitCnts,method="left-to-right")[0]for c in digitCnts: z=0(x, y, w, h) = cv2.boundingRect(c) # 外接矩形roi = group[y:y + h, x:x + w] # 在原图中取出小轮廓覆盖区域,即数字roi = cv2.resize(roi, (57, 88))roi_name = 'roi_'+str(z)# cv_show(roi_name,roi)6）将获取的数字轮廓与模板匹配
2.imwrite('./credit_card_01/' + group_name + '.jpg',group)scores = [] # 单次循环中,scores存的是一个数值 匹配 10个模板数值的最大得分# 在模板中计算每一个得分# digits的digit正好是数值0,1,...,9;digitROI是每个数值的特征表示for (digit, digitROI) in digits.items():result = cv2.matchTemplate(roi, digitROI,cv2.TM_CCOEFF) (_, score, _, _) = cv2.minMaxLoc(result) # score是最大值scores.append(score) # 10个最大值# 得到最合适的数字groupOutput.append(str(np.argmax(scores))) # 取最大值z = z+1
总代码如下
import cv2
def sort_contours(cnts, method="left-to-right"):reverse = Falsei = 0if method == "right-to-left" or method == "bottom-to-top":reverse = Trueif method == "top-to-bottom" or method == "bottom-to-top":i = 1# 计算外接矩形 boundingBoxes是一个元组boundingBoxes = [cv2.boundingRect(c) for c in cnts] #用一个最小的矩形，把找到的形状包起来x,y,h,w# sorted排序(cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),key=lambda b: b[1][i], reverse=reverse))return cnts, boundingBoxes # 轮廓和boundingBoxess
def resize(image, width=None, height=None, inter=cv2.INTER_AREA):dim = None(h, w) = image.shape[:2]if width is None and height is None:return imageif width is None:r = height / float(h)dim = (int(w * r), height)else:r = width / float(w)dim = (width, int(h * r))resized = cv2.resize(image, dim, interpolation=inter)return resized
import numpy as np
import argparse
import cv2
# 绘图
def cv_shown(name,image):cv2.imshow(name,image)cv2.waitKey(0)cv2.destroyAllWindows()
# 指定信用卡类型
FIRST_NUMBER = {"3": "American Express","4": "Visa","5": "MasterCard","6": "Discover Card"
}
# 【模板处理流程: 轮廓检测,外接矩形,抠出模板,让模板对应每个数值】
#读取模板图像
img=cv2.imread('model.png')
cv_shown('templte',img)
#灰度图
ref=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值图像（阈值）
ref=cv2.threshold(ref.copy(), 10, 255, cv2.THRESH_BINARY_INV)[1]
#cv_shown('template_bi',ret)
#计算轮廓（仅外部）
contours, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# cv2.findContours()函数接受的参数为二值图
cv2.drawContours(img,contours,-1,(0,0,255),3)
cv_shown('template_Contours',img)
#print (np.array(contours).shape)
contours = sort_contours(contours, method="left-to-right")[0] #排序，从左到右，从上到下
digits = {}
#读取模板图像的各个模块
for(i,c)in enumerate(contours):(x,y,w,h)=cv2.boundingRect(c)roi=ref[y:y+h,x:x+w]roi=cv2.resize(roi,(57,88))digits[i]=roicv_shown('img',digits[i])
#【输入图像处理】
# 形态学操作,礼帽+闭操作可以突出明亮区域,但并不是非得礼帽+闭操作
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
#getStructuringElement函数会返回指定形状和尺寸的结构元素。
#矩形：MORPH_RECT;
#交叉形：MORPH_CROSS;
#椭圆形：MORPH_ELLIPSE;#读取输入图像，预处理
image = cv2.imread('credit_card_01.png')
cv_shown('Input_img',image)
image = resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_shown('Input_gray',gray)#礼帽操作，突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
#cv_shown('Input_tophat',tophat)
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, #ksize=-1相当于用3*3的ksize=-1)
#cv_shown('sobelx',gradX)gradX = np.absolute(gradX) # absolute: 计算绝对值
(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_shown('Input_Sobel_gradX',gradX)#闭操作
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
cv_shown('Input_CLOSE_gradX',gradX)# 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_shown('Input_thresh',thresh)#闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, rectKernel)
#cv_shown('Input_CLOSE_gradX',gradX)# 计算轮廓
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_shown('Input_Contours',cur_img)
locs = []#遍历轮廓
for(i,c)in enumerate(cnts):(x,y,w,h)=cv2.boundingRect(c)ar = w/float(h)if ar > 2.5 and ar < 4.0:if (w > 40 and w < 55) and (h > 10 and h < 20):locs.append((x, y, w, h))#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):groupOutput = []group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5] # 往外扩一点cv_shown('group',group)# 二值化的groupgroup = cv2.threshold(group,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]group_name = 'Input_group_' + str(i)cv_shown(group_name,group)#cv2.imwrite('./credit_card_01/' + group_name + '.jpg',group)scores = [] # 单次循环中,scores存的是一个数值 匹配 10个模板数值的最大得分# 在模板中计算每一个得分# digits的digit正好是数值0,1,...,9;digitROI是每个数值的特征表示for (digit, digitROI) in digits.items():result = cv2.matchTemplate(roi, digitROI,cv2.TM_CCOEFF) (_, score, _, _) = cv2.minMaxLoc(result) # score是最大值scores.append(score) # 10个最大值# 得到最合适的数字groupOutput.append(str(np.argmax(scores))) # 取最大值z = z+1# 画出来cv2.rectangle(image, (gX - 5, gY - 5),(gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)# putText参数：图片,添加的文字,左上角坐标,字体,字体大小,颜色,字体粗细cv2.putText(image, " ".join(groupOutput), (gX, gY - 15),cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 1)# 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)))
cv_shown("Output_image", image)
cv2.waitKey(0)
对于代码中的参数理解
1）cv2.boundingRect: cv2.boundingRect(cnt)这个函数cnt是一个轮廓点集合，也就是它的参数，可以通过cv2.findContours获取；
返回四个值，分别是x，y，w，h；
2）sorted: sorted() 函数对所有可迭代的对象进行排序操作。
-----sorted(iterable, key=None, reverse=False) -----
- iterable -- 可迭代对象。
- key – 主要是用来进行比较的元素，只有一个参数，具体的函数的参数就是取自于可迭代对象中，指定可迭代对象中的一个元素来进行排序(也可以通过 key 的值来进行数组/字典的排序)。
- reverse – 排序规则，reverse = True 降序 ， reverse = False 升序（默认）。
3）zip: zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。
如果各个迭代器的元素个数不一致，则返回列表长度与最短的对象相同，利用 * 号操作符，可以将元组解压为列表。
4）cv2.resize：
cv2.resize(InputArray src, OutputArray dst, Size, fx, fy, interpolation)
- InputArray src 输入图片
- OutputArray dst 输出图片
- Size 输出图片尺寸
- fx, fy 沿x轴，y轴的缩放系数
- interpolation 插入方式
5）cv2.threshold():
cv2.threshold(src, thresh, maxval, type[, dst]) → retval, dst
- src：表示的是图片源
- thresh：表示的是阈值（起始值）
- maxval：表示的是最大值
- type：表示的是这里划分的时候使用的是什么类型的算法.
6)cv2.findContours:
opencv2返回两个值：contours：hierarchy。
cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])
- img:寻找轮廓的图像.
- mode:轮廓的检索模式，有四种：
- cv2.RETR_EXTERNAL表示只检测外轮廓
- cv2.RETR_LIST检测的轮廓不建立等级关系
- cv2.RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
- cv2.RETR_TREE建立一个等级树结构的轮廓。
- method:轮廓的近似办法
- cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
- cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
- cv2.CHAIN_APPROX_TC89_L1,CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法
返回值
cv2.findContours()函数返回两个值，一个是轮廓本身，还有一个是每条轮廓对应的属性。
- contour返回值
cv2.findContours()函数首先返回一个list，list中每个元素都是图像中的一个轮廓，用numpy中的ndarray表示 - hierarchy返回值
该函数还可返回一个可选的hiararchy结果，这是一个ndarray，其中的元素个数和轮廓个数相同，每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，则该值为负数。
7)cv2.drawContours()函数:
drawContours(InputOutputArray image, InputArrayOfArrays contours, int contourIdx, const Scalar& color, int thickness=1, int lineType=8, InputArray hierarchy=noArray(), int maxLevel=INT_MAX, Point offset=Point() )
image:在哪幅图像上绘制轮廓；
contours:轮廓本身，在Python中是一个list。
contourIdx:指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓。
color为轮廓的颜色，
thickness为轮廓的线宽，如果为负值或CV_FILLED表示填充轮廓内部，
lineType为线型，
hierarchy为轮廓结构信息，
第八个参数为maxLevel
8)cv2.getStructuringElement( ):
这个函数的第一个参数表示内核的形状，有三种形状可以选择。
- 矩形：MORPH_RECT;
- 交叉形：MORPH_CROSS;
- 椭圆形：MORPH_ELLIPSE;
第二和第三个参数分别是内核的尺寸以及锚点的位置。一般在调用erode以及dilate函数之前，先定义一个Mat类型的变量来获得
9)cv2.morphologyEx
cv2.morphologyEx(src, op, kernel) 进行各类形态学的变化
- src传入的图片
- op进行变化的方式
- cv2.MORPH_OPEN 开运算(open) ,先腐蚀后膨胀的过程。开运算可以用来消除小黑点，在纤细点处分离物体、平滑较大物体的边界的 同时并不明显改变其面积。
- cv2.MORPH_CLOSE 闭运算(close)，先膨胀后腐蚀的过程。闭运算可以用来排除小黑洞。
- cv2.MORPH_GRADIENT 形态学梯度(morph-grad)，可以突出团块(blob)的边缘，保留物体的边缘轮廓。
- cv2.MORPH_TOPHAT 顶帽(top-hat)，将突出比原轮廓亮的部分。
- cv2.MORPH_BLACKHAT 黑帽(black-hat)，将突出比原轮廓暗的部分
- kernel表示方框的大小
10)sobel算子：
dst = cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
前四个是必须的参数：
- 第一个参数是需要处理的图像；
- 第二个参数是图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度；
- dx和dy表示的是求导的阶数，0表示这个方向上没有求导，一般为0、1、2。
其后是可选的参数：
- ksize是Sobel算子的大小，必须为1、3、5、7。
- scale是缩放导数的比例常数，默认情况下没有伸缩系数；
- delta是一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中
11)归一化： http://webdataanalysis.net/data-analysis-method/data-normalization/
12):cv2.matchTemplate:
cv2.matchTemplate(image, templ, method, result=None, mask=None)
- mage：待搜索图像
- templ：模板图像
- result：匹配结果
- method：计算匹配程度的方法
CV_TM_SQDIFF 平方差匹配法：该方法采用平方差来进行匹配；最好的匹配值为0；匹配越差，匹配值越大。
CV_TM_CCORR 相关匹配法：该方法采用乘法操作；数值越大表明匹配程度越好。
CV_TM_CCOEFF 相关系数匹配法：1表示完美的匹配；-1表示最差的匹配。
CV_TM_SQDIFF_NORMED 归一化平方差匹配法
CV_TM_CCORR_NORMED 归一化相关匹配法
CV_TM_CCOEFF_NORMED 归一化相关系数匹配法
13)cv2.minMaxLoc(src, mask=None):
src是一个矩阵。
函数功能：假设有一个矩阵a,现在需要求这个矩阵的最小值，最大值，并得到最大值，最小值的索引。函数返回的四个值就是上述所要得到的。
14)cv2.rectangle(img,(x1,y1),(x2,y2),(0,255,0),3)
- img:要作用的图片
- （x1,y1）:矩形框的左上角坐标
- （x2,y2）:矩形框的右下角坐标
- （0,255,0）：矩形框的RGB颜色（绿色）
- 3：所画线的宽度
15)cv2.putText:
cv2.putText(img,xy,(x1,y1), cv2.FONT_HERSHEY_PLAIN, 2, (0, 0, 255), thickness=2)
- img：要作用的图片
- xy：显示的文本内容（字符串）
- (x1,y1):文本显示在图片上的位置坐标
- cv2.FONT_HERSHEY_PLAIN:字体类型
- 2:字体大小
- （0，0，255）：显示的文本颜色（红色）
- thickness = 2:字体粗细，数值表示占几个像素
项目实战-信用卡识别相关推荐
- android项目实战-人脸识别接口应用
android项目实战-人脸识别接口应用 1.face++接口: 2.源码: 3.效果: 4.App下载: 5.代码解读: FaceUtils.java FaceAdapter.java ImageR ...
- Opencv项目实战-信用卡数字识别
Opencv项目实战:信用卡数字识别 导入库,定义展示函数 import cv2 import numpy as np from imutils import contours import myut ...
- AttributeError: module ‘myutils‘ has no attribute ‘sort_contours‘，项目实战-信用卡数字识别--pychram如何配置相应的参数
1,打开pycharm软件 2,新建一个.py文件(注意:不要出现中文名) 3,配置: (1)点击file (2)点击 settings- (3)点击 4,配置参数 右键点击自己新建的python文件 ...
- python之逻辑回归项目实战——信用卡欺诈检测
信用卡欺诈检测 1.项目介绍 2.项目背景 3.分析项目 4.数据读取与分析 4.1 加载数据 4.2 查看数据的标签分布 5.数据预处理 5.1 特征标准化 5.2. 使用下采样解决样本数据不均衡 ...
- 机器学习项目实战----信用卡欺诈检测
一.任务基础 数据集包含由欧洲人于2013年9月使用信用卡进行交易的数据.此数据集显示两天内发生的交易,其中284807笔交易中有492笔被盗刷.数据集非常不平衡,正例(被盗刷)占所有交易的0.172 ...
- 机器学习项目实战----信用卡欺诈检测(一)
一.任务基础 数据集包含由欧洲人于2013年9月使用信用卡进行交易的数据.此数据集显示两天内发生的交易,其中284807笔交易中有492笔被盗刷.数据集非常不平衡,正例(被盗刷)占所有交易的0.172 ...
- opencv项目实战信用卡的检测
第一步先梳理一下我们的项目逻辑: 一. 找素材 (数字模板,银行卡照片等) 二. 识别数字则需要我们对数字模板进行处理.因此下面我们开始处理数字模板. 1.将数字模板处理成灰度图,再进行二值处理.这样 ...
- 机器学习项目实战----信用卡欺诈检测(二)
六.混淆矩阵: 混淆矩阵是由一个坐标系组成的,有x轴以及y轴,在x轴里面有0和1,在y轴里面有0和1.x轴表达的是预测的值,y轴表达的是真实的值.可以对比真实值与预测值之间的差异,可以计算当前模型衡量 ...
- 【项目实战课】基于Pytorch的3DCNN视频分类与行为识别实战
欢迎大家来到我们的项目实战课,本期内容是<基于Pytorch的3DCNN视频分类与行为识别实战>. 所谓项目实战课,就是以简单的原理回顾+详细的项目实战的模式,针对具体的某一个主题,进行代 ...
最新文章
- 正则数字和小数点_Python中的正则表达式【不断补充~】
- iOS 滚动图滚动到顶部汇总
- 【分析】2014移动互联网数据报告（终极版必收！）
- mysql里面integer默认宽度_MySQL中关于数据类型指定宽度之后的情况
- 数据类型,运算符和表达式02 - 零基础入门学习C语言03
- BigDecimal 往左移动两位小数_一课研究之“让问题意识成为学生深度学习的钥匙——除数是整数的小数除法例谈”20190830...
- Codechef Yet another cute girl
- ji计算机一级题库,全国计算机等级考试一级题库0l0ji.doc
- Duplicated Numbers (10分)
- 最后一战 源代码_我们的故事 | 一枚“铁渣”的一战成名
- C++ STL容器之string--常用接口
- react的单文件编写方式
- 一次Pmbus 调试经验
- w3cschool实战答案
- OPPO手机刷机解锁救砖解账户锁方法
- Shiro笔记 教程
- 大话设计模式之爱你一万年：第十四章 行为模式：命令模式：烧烤天天吃：1.命令模式之烧烤店
- 抓包安卓7以上ca证书安装方法
- 白小小的可爱伤感空间日志发布：有些人，注定只是过客
- 6款经典BI项目报表表单风格配色方案