使用Python和OpenCV检测图片上的条形码

这篇博文的目的是应用计算机视觉和图像处理技术，展示一个条形码检测的基本实现。我所实现的算法本质上基于StackOverflow 上的这个问题，浏览代码之后，我提供了一些对原始算法的更新和改进。

首先需要留意的是，这个算法并不是对所有条形码有效，但会给你基本的关于应用什么类型的技术的直觉。

假设我们要检测下图中的条形码：

图1：包含条形码的示例图片

现在让我们开始写点代码，新建一个文件，命名为detect_barcode.py，打开并编码：

# import the necessary packages

importnumpy as np

importargparse

importcv2

# construct the argument parse and parse the arguments

ap =argparse.ArgumentParser()

ap.add_argument("-i", "--image", required = True, help= "path to the image file")

args =vars(ap.parse_args())

我们首先做的是导入所需的软件包，我们将使用NumPy做数值计算，argparse用来解析命令行参数，cv2是OpenCV的绑定。

然后我们设置命令行参数，我们这里需要一个简单的选择，–image是指包含条形码的待检测图像文件的路径。

现在开始真正的图像处理：

# load the image and convert it to grayscale

image =cv2.imread(args["image"])

gray =cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# compute the Scharr gradient magnitude representation of the images

# in both the x and y direction

gradX =cv2.Sobel(gray, ddepth =cv2.cv.CV_32F, dx =1, dy =0, ksize =-1)

gradY =cv2.Sobel(gray, ddepth =cv2.cv.CV_32F, dx =0, dy =1, ksize =-1)

# subtract the y-gradient from the x-gradient

gradient =cv2.subtract(gradX, gradY)

gradient =cv2.convertScaleAbs(gradient)

2~3行：从磁盘载入图像并转换为灰度图。

7~8行：使用Scharr操作（指定使用ksize = -1）构造灰度图在水平和竖直方向上的梯度幅值表示。

11~12行：Scharr操作之后，我们从x-gradient中减去y-gradient，通过这一步减法操作，最终得到包含高水平梯度和低竖直梯度的图像区域。

上面的gradient表示的原始图像看起来是这样的：

图:2：条形码图像的梯度表示

注意条形码区域是怎样通过梯度操作检测出来的。下一步将通过去噪仅关注条形码区域。

# blur and threshold the image

blurred =cv2.blur(gradient, (9, 9))

(_, thresh) =cv2.threshold(blurred, 225, 255, cv2.THRESH_BINARY)

2行：我们要做的第一件事是使用9*9的内核对梯度图进行平均模糊，这将有助于平滑梯度表征的图形中的高频噪声。

3行：然后我们将模糊化后的图形进行二值化，梯度图中任何小于等于255的像素设为0（黑色），其余设为255（白色）。

模糊并二值化后的输出看起来是这个样子：

图3：二值化梯度图以此获得长方形条形码区域的粗略近似

然而，如你所见，在上面的二值化图像中，条形码的竖杠之间存在缝隙，为了消除这些缝隙，并使我们的算法更容易检测到条形码中的“斑点”状区域，我们需要进行一些基本的形态学操作：

# construct a closing kernel and apply it to the thresholded image

kernel =cv2.getStructuringElement(cv2.MORPH_RECT, (21, 7))

closed =cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)

2行：我们首先使用cv2.getStructuringElement构造一个长方形内核。这个内核的宽度大于长度，因此我们可以消除条形码中垂直条之间的缝隙。

3行：这里进行形态学操作，将上一步得到的内核应用到我们的二值图中，以此来消除竖杠间的缝隙。

现在，你可以看到这些缝隙相比上面的二值化图像基本已经消除：

图4：使用形态学中的闭运算消除条形码竖条之间的缝隙

当然，现在图像中还有一些小斑点，不属于真正条形码的一部分，但是可能影响我们的轮廓检测。

让我们来消除这些小斑点：

# perform a series of erosions and dilations

closed =cv2.erode(closed, None, iterations =4)

closed =cv2.dilate(closed, None, iterations =4)

我们这里所做的是首先进行4次腐蚀（erosion），然后进行4次膨胀（dilation）。腐蚀操作将会腐蚀图像中白色像素，以此来消除小斑点，而膨胀操作将使剩余的白色像素扩张并重新增长回去。

如果小斑点在腐蚀操作中被移除，那么在膨胀操作中就不会再出现。

经过我们这一系列的腐蚀和膨胀操作，可以看到我们已经成功地移除小斑点并得到条形码区域。

图5：应用一系列的腐蚀和膨胀来移除不相关的小斑点

最后，让我们找到图像中条形码的轮廓：

# find the contours in the thresholded image, then sort the contours

# by their area, keeping only the largest one

(cnts, _) =cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL,

cv2.CHAIN_APPROX_SIMPLE)

c =sorted(cnts, key =cv2.contourArea, reverse =True)[0]

# compute the rotated bounding box of the largest contour

rect =cv2.minAreaRect(c)

box =np.int0(cv2.cv.BoxPoints(rect))

# draw a bounding box arounded the detected barcode and display the

# image

cv2.drawContours(image, [box], -1, (0, 255, 0), 3)

cv2.imshow("Image", image)

cv2.waitKey(0)

3~5行：幸运的是这一部分比较容易，我们简单地找到图像中的最大轮廓，如果我们正确完成了图像处理步骤，这里应该对应于条形码区域。

8~9行：然后我们为最大轮廓确定最小边框

13~15行：最后显示检测到的条形码

正如你在下面的图片中所见，我们已经成功检测到了条形码：

图6：成功检测到示例图像中的条形码

下一部分，我们将尝试更多图像。

成功的条形码检测

要跟随这些结果，请使用文章下面的表单去下载本文的源码以及随带的图片。

一旦有了代码和图像，打开一个终端来执行下面的命令：

1	`$ python detect_barcode.py` `--image images/barcode_02.jpg`

图7：使用OpenCV检测图像中的一个条形码

检测椰油瓶子上的条形码没有问题。

让我们试下另外一张图片：

1	`$ python detect_barcode.py` `--image images/barcode_03.jpg`

图8：使用计算机视觉检测图像中的一个条形码

我们同样能够在上面的图片中找到条形码。

关于食品的条形码检测已经足够了，书本上的条形码怎么样呢：

1	`$ python detect_barcode.py` `--image images/barcode_04.jpg`

图9：使用Python和OpenCV检测书本上的条形码

没问题，再次通过。

那包裹上的跟踪码呢？

1	`$ python detect_barcode.py` `--image images/barcode_05.jpg`

图10：使用计算机视觉和图像处理检测包裹上的条形码

我们的算法再次成功检测到条形码。

最后，我们再尝试一张图片，这个是我最爱的意大利面酱—饶氏自制伏特加酱（Rao’s Homemade Vodka Sauce）:

1	`$ python detect_barcode.py` `--image images/barcode_06.jpg`

图11：使用Python和Opencv很容易检测条形码

我们的算法又一次检测到条形码！

总结

这篇博文中，我们回顾了使用计算机视觉技术检测图像中条形码的必要步骤，使用Python编程语言和OpenCV库实现了我们的算法。

算法概要如下：

计算x方向和y方向上的Scharr梯度幅值表示
将x-gradient减去y-gradient来显示条形码区域
模糊并二值化图像
对二值化图像应用闭运算内核
进行系列的腐蚀、膨胀
找到图像中的最大轮廓，大概便是条形码

需要注意的是，该方法做了关于图像梯度表示的假设，因此只对水平条形码有效。

如果你想实现一个更加鲁棒的条形码检测算法，你需要考虑图像的方向，或者更好的，应用机器学习技术如Haar级联或者HOG + Linear SVM去扫描图像条形码区域。

源码下载
英文原文：http://www.pyimagesearch.com/2014/11/24/detecting-barcodes-images-python-opencv/
转载自：http://blog.jobbole.com/80448/

使用Python和OpenCV检测图片上的条形码相关推荐

python图片识别是否p过_用 Python 和 OpenCV 检测图片上的条形码
用 Python 和 OpenCV 检测图片上的的条形码这篇博文的目的是应用计算机视觉和图像处理技术,展示一个条形码检测的基本实现.我所实现的算法本质上基于StackOverflow 上的这个问题, ...
用 Python 和 OpenCV 检测图片上的条形码Detecting Barcodes in Images with Python and OpenCV
UPDATE: The introduction to this post may seen a little "out there". For some context, I h ...
使用Python和OpenCV检测图像中的条形码
使用Python和OpenCV检测图像中的条形码 1. 效果图 2. 算法的步骤 3. 源码参考这篇博客将介绍使用计算机视觉和图像处理技术进行条形码检测的必要步骤,并演示使用Python编程语言和 ...
python 使用opencv在图片上绘制矩形、圆形以及中英文
最近看了下python的第三方库opencv,在python中用来对图片进行一些简单处理还是非常好用的,比如在图形上画矩形框,圆框,指示线,椭圆以及文字等,只需要调用几个相应的函数,设置好起止坐标点以 ...
用python和opencv检测图像中的条形码
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达在学习中发现快乐,在应用找到价值.这是我第五期分享图像技术应用的文 ...
使用python检测图片上的色彩
转贴 :酷python 链接:https://zhuanlan.zhihu.com/p/110182171 (只是个人留存) 使用python检测图片上的色彩面对一张色彩绚丽的图片,你很像知道某一块 ...
python保存图像的色彩_使用python检测图片上的色彩
使用python检测图片上的色彩面对一张色彩绚丽的图片,你很像知道某一块的颜色是什么,这包括色彩的名字和这一点上色彩的RGB值,但在缺少专业工具的情况下,这似乎是一个难以完成的任务,但python可 ...
使用Python，OpenCV检测摄像机到标记对象的距离
使用Python,OpenCV检测摄像机到标记对象的距离 1. 效果图 2. 三角形相似性是什么? 3. 三角形相似性检测距离原理 4. 使用Python,OpenCV检测标记对象 5. 源码参考 ...
【入门讲解】Python使用OpenCV设置图片尺寸。
前文前几天看到了"某音特效",人物头像动漫化的效果,感觉这个特效蛮不错的,之前也有找资料学习写了动漫化的人物文章. 接触到了OpenCV,关于人脸识别.人脸检测方面的python ...

使用Python和OpenCV检测图片上的条形码

使用Python和OpenCV检测图片上的条形码相关推荐

最新文章

热门文章