Python OpenCV招商銀行信用卡卡號(hào)識(shí)別的方法
學(xué)在前面
從本篇博客起，我們將實(shí)際完成幾個(gè)小案例，第一個(gè)就是銀行卡號(hào)識(shí)別，預(yù)計(jì)本案例將寫(xiě) 5 篇左右的博客才可以完成，一起加油吧。
本文的目標(biāo)是最終獲取一套招商銀行卡，0~9 數(shù)字的圖，對(duì)于下圖的數(shù)字，我們需要提取出來(lái)，便于后續(xù)模板匹配使用。不過(guò)下圖中找到的數(shù)字不完整，需要找到盡量多的卡片，然后補(bǔ)齊這些數(shù)字。
提取卡片相關(guān)數(shù)字
先對(duì)上文中卡片中的數(shù)字進(jìn)行相關(guān)提取操作，加載圖片的灰度圖，獲取目標(biāo)區(qū)域。在畫(huà)板中模擬一下坐標(biāo)區(qū)域，為了便于進(jìn)行后續(xù)的操作。
具體代碼如下：
import cv2 as cv
import numpy as np
# 讀取灰度圖
src = cv.imread("./ka1.jpg", 0)
# 尋找卡號(hào)目標(biāo)區(qū)域
roi = src[142:168, 42:360]
# cv.imshow("roi",roi)
獲取到的圖片如下，發(fā)現(xiàn)右側(cè)邊緣缺少一部分內(nèi)容，對(duì)目標(biāo)區(qū)域坐標(biāo)進(jìn)行微調(diào)。
修改之后的代碼如下，你如果使用的圖片與橡皮擦不一致，注意進(jìn)行修改。
# 尋找卡號(hào)目標(biāo)區(qū)域
roi = src[142:168, 46:364]
cv.imshow("roi",roi)
消除噪音，可以增加模糊卷積操作，分別測(cè)試均值模糊，中值模糊，高斯模糊效果。
# 模糊卷積操作
blur_roi = cv.blur(roi,(5,5))
cv.imshow("blur_roi",blur_roi)
med_roi = cv.medianBlur(roi,5)
cv.imshow("med_roi",med_roi)
gau_roi = cv.GaussianBlur(roi,(7,7),0)
cv.imshow("gau_roi",gau_roi)
測(cè)試不同的卷積核效果，選擇一個(gè)合適的即可，我這里發(fā)現(xiàn)卷積核為 (7,7) 的時(shí)候，高斯模糊效果不錯(cuò)，可以去噪。
接下來(lái)進(jìn)行二值化操作。
# 對(duì)目標(biāo)區(qū)域進(jìn)行二值化操作
ret, thresh = cv.threshold(
gau_roi, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
cv.imshow("thresh", thresh)
二值化處理完畢之后，發(fā)現(xiàn)還存在一些白色區(qū)域的點(diǎn)，需要去除掉，這里使用了形態(tài)學(xué)里面的腐蝕操作。
# 腐蝕 kernel = np.ones((3, 4), np.uint8) dst = cv.erode(thresh, kernel=kernel)
腐蝕之后在進(jìn)行膨脹，讓原有的數(shù)字區(qū)域變的明顯，最后的圖片是進(jìn)行之后的效果，關(guān)于卷積核你可以自行調(diào)整。
# 腐蝕
kernel = np.ones((3, 4), np.uint8)
erode_dst = cv.erode(thresh, kernel=kernel)
cv.imshow("erode_dst", erode_dst)
# 膨脹
kernel = np.ones((4, 4), np.uint8)
dilate_dst = cv.dilate(erode_dst, kernel=kernel)
下面進(jìn)行外輪廓檢測(cè)，檢測(cè)之后發(fā)現(xiàn)恰好有 16 個(gè)輪廓，也就對(duì)應(yīng)了 16 個(gè)數(shù)字區(qū)域。
# 檢測(cè)外輪廓 # 只檢測(cè)外輪廓 contours, hierarchy = cv.findContours(dilate_dst, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) print(len(contours))
對(duì)輪廓面積進(jìn)行一下輸出，為了防止出現(xiàn)非目標(biāo)區(qū)域，可以進(jìn)行一下基本的判斷，當(dāng)羅闊面積大于 80 的時(shí)候才進(jìn)行展示。
target_list = []
# 輪廓判斷
for cnt in contours:
# 輪廓面積
area = cv.contourArea(cnt)
print(area)
if area > 79:
target_list.append(cnt)
print(len(target_list))
有這些參數(shù)之后，就可以對(duì)灰度圖進(jìn)行裁切了，基于外接矩形獲取目標(biāo)區(qū)域，我直接做了循環(huán)展示。
for index, cnt in enumerate(target_list):
# 外接矩形
x, y, w, h = cv.boundingRect(cnt)
# 在二值化的圖像上進(jìn)行目標(biāo)區(qū)域獲取
c_roi = roi[y:y+h, x:x+w]
# 調(diào)整圖像大小
# big_roi = cv.resize(c_roi, dsize=(0, 0), fx=2, fy=2)
# big_roi = cv.resize(c_roi, dsize=(0, 0))
cv.imshow("big_roi"+str(index), c_roi)
# cv.imwrite(f"./numbers/ka_{index}.png", big_roi)
接下來(lái)放大圖片對(duì)其進(jìn)行保存即可，得到如下圖片列表，至此，已經(jīng)獲取到 1、4、6、8 幾個(gè)數(shù)字，下面在切換到另一張卡片，去獲取其他數(shù)字即可，注意圖片大小保持一致。
big_roi = cv.resize(c_roi, dsize=(42, 66))
# cv.imshow("c_roi"+str(index), c_roi)
cv.imwrite(f"./numbers/ka1_{index}.png", big_roi)
新的圖像注意調(diào)整目標(biāo)區(qū)域，獲取素材，已經(jīng)獲取到 1、2、4、5、6、7、8 幾個(gè)數(shù)字
反復(fù)迭代這個(gè)辦法，知道 0~9 個(gè)數(shù)字獲取完整，找到所有數(shù)字之后，對(duì)該文件夾中的所有文件進(jìn)行二值化操作。
import cv2 as cv
import os
def walk_file(file):
for root, dirs, files in os.walk(file):
for f in files:
file = os.path.join(root, f)
# 讀取灰度圖
basename = os.path.basename(file)
filename = basename.split(".")[0]
src = cv.imread(file, 0)
ret, thresh = cv.threshold(src, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
# cv.imshow("thresh", thresh)
cv.imwrite(f"./numbers/001_{filename}_bit.png", thresh)
cv.waitKey()
cv.destroyAllWindows()
if __name__ == "__main__":
walk_file("./numbers")
二值化之后，挑選出比較清晰的數(shù)字即可，如果發(fā)現(xiàn)存在不清楚的，可以在尋找資源進(jìn)行提取，銀行里面 8 真的是太多了。
橡皮擦最后調(diào)整之后，得到的結(jié)果如下所示，信用卡卡號(hào)識(shí)別的第一步算是準(zhǔn)備好了。
到此這篇關(guān)于Python OpenCV招商銀行信用卡卡號(hào)識(shí)別的方法的文章就介紹到這了,更多相關(guān)OpenCV信用卡卡號(hào)識(shí)別內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Python3利用scapy局域網(wǎng)實(shí)現(xiàn)自動(dòng)多線程arp掃描功能
這篇文章主要介紹了Python3利用scapy局域網(wǎng)實(shí)現(xiàn)自動(dòng)多線程arp掃描功能,本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2021-01-01
這篇文章主要介紹了Python字符串拼接的幾種方法整理的相關(guān)資料,這里提供了五種方法及實(shí)現(xiàn)，需要的朋友可以參考下2017-08-08
這篇文章主要介紹了Python如何獲取excel數(shù)據(jù)，本文通過(guò)實(shí)例代碼給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2021-10-10
Python通過(guò)四大 AutoEDA 工具包快速產(chǎn)出完美數(shù)據(jù)報(bào)告
在三年前，我們做數(shù)據(jù)競(jìng)賽或者數(shù)據(jù)建模類(lèi)的項(xiàng)目時(shí)，前期我們會(huì)耗費(fèi)較多的時(shí)間去分析數(shù)據(jù)，但現(xiàn)在非常多擅長(zhǎng)數(shù)據(jù)分析的大師們已經(jīng)將我們平時(shí)常看的數(shù)據(jù)方式進(jìn)行了集成，開(kāi)發(fā)了很多AutoEDA的工具包?？梢詭椭覀児?jié)省大量時(shí)間2021-11-11
python實(shí)現(xiàn)創(chuàng)建新列表和新字典,并使元素及鍵值對(duì)全部變成小寫(xiě)
今天小編就為大家分享一篇python實(shí)現(xiàn)創(chuàng)建新列表和新字典,并使元素及鍵值對(duì)全部變成小寫(xiě)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-01-01
在本篇文章里小編給大家整理的是一篇關(guān)于python遞歸函數(shù)用法詳解，有需要的朋友們可以參考學(xué)習(xí)下。2020-10-10
Pandas剔除混合數(shù)據(jù)中非數(shù)字的數(shù)據(jù)操作
這篇文章主要介紹了Pandas剔除混合數(shù)據(jù)中非數(shù)字的數(shù)據(jù)操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2021-03-03
DataFrame.to_excel多次寫(xiě)入不同Sheet的實(shí)例
今天小編就為大家分享一篇DataFrame.to_excel多次寫(xiě)入不同Sheet的實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-12-12
Pandas?Matplotlib保存圖形時(shí)坐標(biāo)軸標(biāo)簽太長(zhǎng)導(dǎo)致顯示不全問(wèn)題的解決
在使用matplotlib作圖的時(shí)候,有的時(shí)候會(huì)遇到畫(huà)圖時(shí)顯示不全和圖片保存時(shí)不完整的問(wèn)題,這篇文章主要給大家介紹了關(guān)于Pandas?Matplotlib保存圖形時(shí)坐標(biāo)軸標(biāo)簽太長(zhǎng)導(dǎo)致顯示不全問(wèn)題的解決方法,需要的朋友可以參考下2022-06-06
Django實(shí)現(xiàn)學(xué)員管理系統(tǒng)
這篇文章主要為大家詳細(xì)介紹了Django實(shí)現(xiàn)學(xué)員管理系統(tǒng)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2019-02-02