重点：

模板匹配、轮廓检测、阈值处理、边缘检测

原图：

1.导包：

import cv2
import numpy as np
def cv_show(name, img):cv2.imshow(name, img)cv2.waitKey(0)cv2.destroyAllWindows()

2.框选图像中的数字部分

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

# 读取模板图片
template = cv2.imread('ocr_a_reference.png')
cv_show('template', template)
# 模板图片灰度化。这里的模板图片本身就是二值化的因此没有明显区别。
template_gray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
cv_show('templage_gray', template_gray)
# 二值化，转化为数字为白色，背景为黑色的图片。
template_binary = cv2.threshold(template_gray, 127, 255, cv2.THRESH_BINARY_INV)[1]
cv_show('template_binary', template_binary)

效果：

3.选中数字

# 根据二值化的模板图，进行轮廓检测
cnts, hierarchy = cv2.findContours(template_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 画出每个数字的轮廓
template_rect = cv2.drawContours(template.copy(), cnts, -1, (0,0,255), 2)
cv_show('template_rect', template_rect)
# 对十个数字根据左上角的位置进行排序，这样数字按照从小到大的顺序排列出来。
cnts = sort_contours(cnts, method="left-to-right")[0]
number = {}
# 根据排列的结果，将每个数字截取出来。将每个数字图片所对应的数字对应起来。
# 这里要注意，对像素值进行取值时，数组的行对应的是图片的y轴，列对应的图片的x轴。
for (i, cnt) in enumerate(cnts):(x,y,w,h) = cv2.boundingRect(cnt)roi = template_binary[y:y+h, x:x+w]roi = cv2.resize(roi, (57,88))number[i] = roi

效果：

4.对信用卡信息进行处理，去除多余的背景信息

# 读取信用卡图片
cardImg = cv2.imread('credit_card_01.png')
cardImg = cv2.resize(cardImg, (300, int(float(300 / cardImg.shape[1]) * cardImg.shape[0])), interpolation=cv2.INTER_AREA)
cv_show('cardImg', cardImg)
cardImg_gray = cv2.cvtColor(cardImg, cv2.COLOR_BGR2GRAY)
cv_show('cardImg_gray', cardImg_gray)# 指定卷积核大小
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 进行礼帽操作
cardImg_tophat = cv2.morphologyEx(cardImg_gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('cardImg_open', cardImg_tophat)

效果：

5.对信用卡上的数字进行选取，对于非卡号数字进行剔除

# 使用sobel算子进行边缘检测，这里仅适用x方向的梯度。因为经过实验，使用x,y混合的梯度，效果并不理想。
sobelx = cv2.Sobel(cardImg_tophat, cv2.CV_64F, 1, 0, ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
(minX, maxX) = (np.min(sobelx), np.max(sobelx))
sobelx = (255 * ((sobelx - minX) / (maxX - minX)))
sobelx = sobelx.astype('uint8')
cv_show('sobelx', sobelx)
#进行闭运算，使相邻的数字连接起来，这样便于筛选。
cardImg_close = cv2.morphologyEx(sobelx, cv2.MORPH_CLOSE, rectKernel)
cv_show('cardImg_close', cardImg_close)cardImg_binary = cv2.threshold(cardImg_close, 0, 255, cv2.THRESH_OTSU | cv2.THRESH_BINARY)[1]
cv_show('cardImg_binary', cardImg_binary)cardImg_close = cv2.morphologyEx(cardImg_binary, cv2.MORPH_CLOSE, sqKernel)
cv_show('cardImg_close', cardImg_close)
# 轮廓检测，检测出每一个数字区块
cnts, hierarchy = cv2.findContours(cardImg_close, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cardImg_cnts = cv2.drawContours(cardImg.copy(), cnts, -1, (0,0,255), 2)
cv_show('cardImg_cnts', cardImg_cnts)# 对轮廓进行筛选， 根据边框的尺寸仅保留卡号区域
locs = []
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))locs = sorted(locs, key=lambda x: x[0])
for (x, y, w, h) in locs:cv2.rectangle(cardImg_cnts, (x,y),(x+w,y+h),(0,0,255),3)
cv_show('cardImg_cnts', cardImg_cnts)

效果：

5.得到卡号区域后，对卡号进行数字划分。进行模板匹配，得到每个数字图像所对应的数字

output = []
# 对每个4数字块进行处理
for (i, (x, y, w, h)) in enumerate(locs):group_output = []group = cardImg_gray[y-5:y + h + 5, x-5:x + w + 5]group = cv2.threshold(group, 0, 255, cv2.THRESH_OTSU|cv2.THRESH_BINARY)[1]cv_show('group', group)group_cnts, group_hierarchy = cv2.findContours(group, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)group_cnts = sort_contours(group_cnts, method="left-to-right")[0]# 分割每个数字for cnt in group_cnts:(nx,ny,nw,nh) = cv2.boundingRect(cnt)roi = group[ny:ny+nh, nx:nx+nw]roi = cv2.resize(roi, (57, 88))cv_show('roi', roi)score = []# 对每个数字进行模板匹配for (number_i, number_roi) in number.items():result = cv2.matchTemplate(roi, number_roi, cv2.TM_CCOEFF)score_ = cv2.minMaxLoc(result)[1]score.append(score_)group_output.append(str(np.argmax(score)))
# 绘制每个数字cv2.rectangle(cardImg, (x - 5, y - 5),(x + w + 5, y + h + 5), (0, 0, 255), 1)cv2.putText(cardImg, "".join(group_output), (x, y - 15),cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)output.append(group_output)cv_show('cardImg', cardImg)

最终效果：

数字图像处理——信用卡数字识别相关推荐

近三年数字图像处理与数字媒体技术相关的前沿技术研究和应用
近三年来,数字图像处理和数字媒体技术的前沿研究和应用取得了巨大的发展,主要集中在以下几个方面:深度学习,虚拟现实和增强现实,数字图像处理,数字媒体处理,数据恢复,图像压缩,视频跟踪,计算机视觉,机器人 ...
数字图像处理_Matlab——车牌识别分析
目录一.导入图片 1. 从文件导入 1.1 原理: 1.2 代码: 2. 摄像头拍照识别 2.1 了解 2.1 代码: 二.预处理 1. 预处理-- 原图->灰度图 2. 预处理-- 边缘检测 ...
基于数字图像处理的杂草识别
一.课题介绍杂草同农田作物争夺阳光和养分,严重影响了农作物的生长.为了达到除草的目的,人们开始喷洒大量的除草剂来进行除草.可是却忽略了除草剂的不当使用给人.畜以及环境造成的危害.本文从实际应用出发, ...
MATLAB 数字图像处理---车牌简单识别【亲测有效】
文章内容:利用 MATLAB 对图像进行简单处理,包括图像的模糊.锐化.和直方图均衡化:对图像进行边缘检测:并对利用 MATLAB 对图像中的数字提取识别. 目录 1 MATLAB 对图像进行简单处理 ...
数字图像处理(1)-数字图像处理的基本步骤
1.4数字图像处理的基本步骤数字图像处理的内容划分为以下两个主要类别:一类是其输入输出都是图像.一类是其输入可能是图像,但输出是从这些图像中提取的属性. 图像获取是数字图像处理的第一步处理.图像获取 ...
计算机数字图像处理试题,数字图像处理试题及参考答案
一.填空题(每题1分,共15分) 1.列举数字图像处理的三个应用领域医学.天文学.军事 1024?,256个灰度级的图像,需要8M bit. 2.存储一幅大小为1024 3.亮度鉴别实验表明,韦伯比越 ...
FPGA|数字图像处理实现口罩识别——二值化
[写在前面]刚入门小菜鸟,记录一下口罩识别学习过程.参考文件和网址会在文末注明.有错误欢迎指出,也欢迎进行补充~ 原理图如下,二值化对应为红框里的部分使用的二值化方法是手动指定一个阈值,通过阈值来进 ...
数字图像处理实验——数字图像处理初步
一.实验目的与要求 1.熟悉及掌握在MATLAB中能够处理哪些格式的图像: 2.熟练掌握在MATLAB中如何读取图像及图像的属性信息(大小.颜色.亮度(灰度).宽度.高度等): 3.掌握如何在MATL ...
《数字图像处理与机器视觉——Visual C++与Matlab实现》——0.2 数字图像处理与识别...
本节书摘来自异步社区出版社<数字图像处理与机器视觉--Visual C++与Matlab实现>一书中的第0章,第0.2节,作者: 张铮 , 王艳平 , 薛桂香,更多章节内容可以访问云栖社区 ...

数字图像处理——信用卡数字识别

重点：

原图：

1.导包：

2.框选图像中的数字部分

效果：

3.选中数字

效果：

4.对信用卡信息进行处理，去除多余的背景信息

效果：

5.对信用卡上的数字进行选取，对于非卡号数字进行剔除

效果：

5.得到卡号区域后，对卡号进行数字划分。进行模板匹配，得到每个数字图像所对应的数字

最终效果：

数字图像处理——信用卡数字识别相关推荐

最新文章

热门文章