信用卡数字识别(opencv,轮廓计算)
目录
- 1.项目数据及源码
- 2.环境配置
- 2.1.导入工具包
- 2.2.设置参数
- 3.模板处理
- 3.1.转二值图像
- 3.2.计算轮廓
- 4.数据处理
- 4.1.初始化卷积核,图像预处理
- 4.2.顶帽操作
- 4.3.Sobel算子进行高通滤波
- 4.4.闭操作,二值化
- 4.5.计算轮廓
- 4.5.过滤轮廓
- 5.模板匹配
- 5.1.模板匹配
- 5.2.打印结果
1.项目数据及源码
可在github下载:
https://github.com/chenshunpeng/Credit-card-digital-identification
2.环境配置
2.1.导入工具包
# imutils是在OPenCV基础上的一个封装,达到更为简结的调用OPenCV接口的目的
from imutils import contours
# 主要用于对多维数组执行计算,极大地简化了向量和矩阵的操作处理
import numpy as np
# argparse 是 python 用于解析命令行参数和选项的标准模块
import argparse
# OpenCV2(OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库)
import cv2
# 导入myutils.py文件里面的方法
import myutils
2.2.设置参数
关于argparse的使用可看:
Python, argparse, and command line arguments(推荐)
python之parser.add_argument()用法——命令行选项、参数和子命令解析器
首先以参数形式设置输入图像和模板的位置,这里参数指定了默认值,因此需要将 required=True
改成 required=False
,否则会报错(借鉴:解决报错:设置了默认参数,仍报错:error: the following arguments are required:)
# argparse 模块是 Python 内置的一个用于命令项选项与参数解析的模块,
# argparse 模块可以让人轻松编写用户友好的命令行接口。
# 通过在程序中定义好我们需要的参数,然后 argparse 将会从 sys.argv 解析出这些参数。
# argparse 模块还会自动生成帮助和使用手册,并在用户给程序传入无效参数时报出错误信息。ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image",default='./images/credit_card_03.png', required=False,help="path to input image")
ap.add_argument("-t", "--template",default='./images/ocr_a_reference.png', required=False,help="path to template OCR-A image")
args = vars(ap.parse_args())
3.模板处理
3.1.转二值图像
cv2.threshold()方法可看:CV2简单阈值函数:cv2.threshold()
# 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(因为BGR,所以每个像素都是[255 255 255])
img = cv2.imread(args["template"])
cv_show('img',img)
# 转换为灰度图(BGR 到 GRAY)
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('ref',ref)
# 二值图像(选项为cv2.THRESH_BINARY_INV)
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]cv_show('ref',ref)
- 灰度图:在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。一般常用的是加权平均法来获取每个像素点的灰度值。
- 二值图:图像的二值图,就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果。
- 彩色图象:多光谱图象的一种特殊情况,对应于人类视觉的三基色即红、绿、蓝三个波段,是对人眼的光谱量化性质的近似。
可以看到灰度图和二值图占空间较小,是彩色图象(BGR)的三分之一
单步调试(方法可看 :传送门):
原图:
二值图像如下:
3.2.计算轮廓
之后计算这10个数的轮廓,因为这10个轮廓的排列顺序并不一定是按照这个0-9的轮廓对应着来的,我们需要根据每个轮廓左上角的坐标值,先从小到大排序,这样就可以保证在匹配时顺序是对应的(比如 “354” 对应的的确是template中第4,6,5个数字)
# 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, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)# -1表示绘制所有轮廓,后面是画笔颜色,画笔大小
# refCnts返回绘制了轮廓的图像
cv2.drawContours(img,refCnts,-1,(0,0,255),3)
cv_show('img',img)
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 = {}
排序前refCnts
:
排序后refCnts
:
排序函数sort_contours
:
boundingBoxes有4个返回值(x,y,h,w),其中凭借 x 即可判断出数字的前后位置关系
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 = 1boundingBoxes = [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(cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes), key=lambda b: b[1][i], reverse=reverse))return cnts, boundingBoxes
结果:
之后对应每个数字,resize成合适大小,放入digits数组中制作成模板
# 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(c)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
digits数组最后结果:
4.数据处理
4.1.初始化卷积核,图像预处理
首先初始化卷积核,读取输入图像,预处理
# 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)
image = myutils.resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)
rectKernel:
sqKernel:
图像:
调整大小,转灰度图后:
4.2.顶帽操作
一些形态学操作可看
图像形态学操作之顶帽操作(TopHat)与黑帽操作(BlackHat)
【OPENCV3.3+PYTHON3.6】图像形态学操作之顶帽,黑帽以及形态学梯度
#顶帽操作,突出更明亮的区域
#根据自己指定的核大小进行顶帽操作
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('tophat',tophat)
结果:
4.3.Sobel算子进行高通滤波
一些形态学操作可看:Sobel算子
# ksize:是Sobel算子的大小,即卷积核的大小,必须为奇数,默认值为3(ksize=-1相当于用3*3的)
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)# 绝对值
gradX = np.absolute(gradX)
# 归一化
(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)
结果:
4.4.闭操作,二值化
之后2次闭操作(先膨胀,再腐蚀)将数字连在一起,中间可以用THRESH_OTSU
进行二值化处理,其优点在于可以自动寻找合适的阈值
#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)#重复一次闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
cv_show('thresh',thresh)
第1次闭操作:
二值化处理:
第2次闭操作:
4.5.计算轮廓
# 计算轮廓
# thresh_, threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
把轮廓绘制到彩图上
cnts = threshCnts
cur_img = image.copy()
cv2.drawContours(cur_img,cnts,-1,(0,0,255),3)
cv_show('img',cur_img)
结果:
4.5.过滤轮廓
之后过滤轮廓,即通过计算所有轮廓外接矩形的大小,找到有价值的数字区域,把这4个区域放入locs
列表进行排序
locs = []# 遍历轮廓
for (i, c) in enumerate(cnts):# 计算矩形(x, y, w, h) = cv2.boundingRect(c)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])
locs
列表内容:
5.模板匹配
5.1.模板匹配
先把轮廓稍微放大,之后遍历每一个轮廓中的数字,和上面的方法类似,找到每个数字后,在模板中计算每一个得分,得到最合适的数字并画出来:
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 digitsgroupOutput = []# 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)# 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,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(c)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)
部分结果:
output
列表:
5.2.打印结果
# 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)
结果:
信用卡数字识别(opencv,轮廓计算)相关推荐
- 信用卡数字识别—opencv
信用卡数字识别:就是识别信用卡的卡号,然后将卡号打印出来! 然后对应的数字模板如下图所示: 接下来我们就一步步的分析程序吧 1.导入相关的包 # 导入工具包 from imutils import c ...
- 信用卡数字识别OpenCV实现(含代码)【DataWhale项目】
参考课程:Opencv计算机视觉实战(Python版) 基本材料准备 一张仅含数字的图像作为模板. 一张银行卡的图像作为检测样本. 代码编写或者阅读的习惯 常打断点 勤展示数组的shape等,以及数组 ...
- OpenCV实践小项目(一): 信用卡数字识别
1. 写在前面 今天整理一个OpenCV实践的小项目, 前几天整理了一篇OpenCV处理图像的知识笔记,后面,就通过一些小项目把这些知识运用到实践中去,一个是加深理解,另一个是融会贯通,连成整体,因为 ...
- 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 ...
- (八)OpenCV入门,代码练习,详细注释【信用卡数字识别】【240行】【原创】
文章目录 信用卡图片 数字模板图片 一.数字模板图片处理步骤 1,读取模板图片 2,灰度处理图片 3,二值化处理图片 4,检测数字轮廓图片 二.识别信用卡图片处理步骤 1,图片信用卡 2,图片灰度处理 ...
- 【项目实战】基于python+pycharm+OpenCV的信用卡数字识别
一.pycharm实现参数配置 直接运行程序会报错: usage: ocr_template_match.py [-h] -i IMAGE -t TEMPLATE ocr_template_match ...
- python信用卡客户_Python开发之基于模板匹配的信用卡数字识别功能
环境介绍 python 3.6 + OpenCV 3.4.1.15 原理介绍 首先,提取出模板中每一个数字的轮廓,再对信用卡图像进行处理,提取其中的数字部分,将该部分数字与模板进行匹配,即可得到结果. ...
- opencv-实战-信用卡数字识别
信用卡-数字识别 功能说明 简要步骤 先得到轮廓的外接矩形 然后对模板和图像进行轮廓检测得到外轮廓 例如先对4进行外接轮廓检测后再一一和模板里面的一一匹配 处理 先读入图像转入灰度图 对两个图像先re ...
- 基于openCV的项目实战1:信用卡数字识别
目的:识别信用卡卡号: 方法:基于模板匹配: 模板匹配思想:拿4和左边模板进行一一匹配,算一下平方项的差异,恰好4和左边模板中的4差异最小,所以就知道当前的数字是4: 具体步骤: 第一步:找到与你当前 ...
最新文章
- 大数据时代:从1.0到3.0 | 专访清华社会学系教授罗家德
- es6 promise
- gcc的调试调研——gdb
- 键盘控制事件应用教程大全
- WinCE 修改系统字体 开启ClearType平滑字体
- 在静态页面中使用Scss(windows)
- [AlwaysOn Availability Groups]排查:AG配置
- 【疾病分类】基于matlab LBP果实病害检测分类【含Matlab源码 1714期】
- 图解通信原理与案例分析-33:传感器种类以及传感器工作原理详解
- W5500以太网控制器芯片(五):实现FTP客户端
- 大众点评优略点评。。
- 施耐德SoMachine Basic中存在高危漏洞(CVE-2018-7783),可读取目标系统上的任意文件...
- 虚幻竞技场3中的配置文件
- 平板电脑安装软件_哪个便签可以横屏?平板电脑横屏便签软件推荐
- idea设置svn上传或下拉代码
- 子平真诠释疑笔记(二)
- php htmlpurifier,htmlpurifierPHP过滤库
- javascript玩转ElasticSearch(一)
- 常见的数据埋点方式介绍
- 【动态规划】牛客NC20035打鼹鼠