Python+OpenCV實現(xiàn)信用卡數(shù)字識別的方法詳解

更新時間：2022年09月18日 15:31:12 作者：泡泡怡

這篇文章主要介紹了如何利用python?opencv實現(xiàn)信用卡數(shù)字識別，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧

一、模板圖像處理

（1）灰度圖、二值圖轉化

template = cv2.imread('C:/Users/bwy/Desktop/number.png')
template_gray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
cv_show('template_gray', template_gray)
 
# 形成二值圖像，因為要做輪廓檢測
ret, template_thresh = cv2.threshold(template_gray, 127, 255, cv2.THRESH_BINARY_INV)
cv_show('template_thresh', template_thresh)

結果如圖所示：

（2）進行輪廓提取接受參數(shù)為二值圖像，得到數(shù)字的信息，RETR_EXTERNAL 就是只是需要外輪廓，cv2.CHAIN_APPROX_SIMPLE只保留終點坐標。

template_contours, hierarchy = cv2.findContours(template_thresh,
                                                cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(template,template_contours,-1,(0,0,255),2)
cv_show('template',template)

-1：代表所的輪廓，我們這里畫出來10個輪廓。(可以用代碼驗證一下）

print(np.array(refCnts,-1,(0,0,255),3)

結果：10

結果如圖所示：

（3）我們需要將輪廓進行大小排序（我們拿到的數(shù)據(jù)模板不一定向我們前面所展示的從0-9按順序的，所以我們需要進行排序、resize。

def contours_sort(contours, method=0):
    if method == 0:
        contours = sorted(contours, key=lambda x: cv2.boundingRect(x)[0])
    else:
        contours = sorted(contours, key=lambda x: cv2.boundingRect(x)[0], reverse=True)
    return contours

我們調用函數(shù)#將輪廓排序，位置從小到大就是數(shù)字的信息。然后我們遍歷模板，使用cv2.boudingRect獲得輪廓的位置，提取位置對應的圖片，與數(shù)字結合構造成模板字典，dsize = (55, 88)，統(tǒng)一大小。

dict_template = {}
for i, contour in enumerate(template_contours):
    # 畫出其外接矩陣，獲得其位置信息
    x, y, w, h = cv2.boundingRect(contour)
    template_img = template_thresh[y:y + h, x:x + w]
    # 使用cv2.resize變化模板的大小
    template_img = cv2.resize(template_img, dsize)
    cv_show('template_img{}'.format(i), template_img)
    dict_template[i] = template_img

結果如圖所示：

。。。。。。。。。。

二、信用卡圖片預處理

(1)進行灰度值

card_gray = cv2.cvtColor(card, cv2.COLOR_BGR2GRAY)
cv_show('card_gray',card_gray)

(2)形成二值圖像，因為要做輪廓檢測，解釋參數(shù)：THRESH_OTSU會自動尋找合適的閾值，適合雙峰，需要閾值參數(shù)設置為零二值化

card_thresh =cv2.threshold(card_gray,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]
cv_show('card_thresh',card_thresh)

結果如圖所示：

（3）我們觀察一下圖片，我們識別圖片上的數(shù)字但也會存在黃框和紅框中的干擾，這時候我們可以想到前面所學到的形態(tài)學操作禮帽，閉運算...

先進行禮帽操作，突出更明亮的區(qū)域：

kernel=np.ones((9,3),np.uint8)
card_tophat=cv2.morphologyEx(card_gray,cv2.MORPH_TOPHAT,kernel)
cv_show('card_tophat',card_tophat)

結果如圖：

（4）我們進行圖像的輪廓檢測只取外輪廓。在這個圖上有不同的區(qū)域，我們如何區(qū)分呢，我們可以用h的大小進行估計，這個數(shù)據(jù)根據(jù)項目而定

bankcard_contours, hierarchy = cv2.findContours(card_thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
banck_card_cnts = []
draw_img = card.copy() 
for i, contour in enumerate(bankcard_contours):
    x, y, w, h = cv2.boundingRect(contour)
    # 數(shù)字的x 坐標在 一定的位置范圍
    if 0.5 * card_h < y < 0.6 * card_h: 
        banck_card_cnts.append((x, y, w, h))
        draw_img = cv2.rectangle(draw_img, pt1=(x, y), pt2=(x + w, y + h), color=(0, 0, 255),
                                 thickness=2)  # 畫出這個矩形，會在原圖上畫
cv_show_image('rectangle_contours_img', draw_img)

結果如圖：

（5）模板匹配，讀出圖像。

for i, locs in enumerate(banck_card_cnts):
 
    x, y, w, h = locs[:]  # 保留了在原始圖像的位置信息
    dst_img = card_thresh[y:y + h, x:x + w]  # 獲得當前圖像的位置和區(qū)域
    dst_img = cv2.resize(dst_img, dsize)
    cv_show('rectangle_contours_img', dst_img)
    tm_vals = {}
    for number, temp_img in dict_template.items():
        # 模板匹配，采用計算相關性系數(shù)，值越大越相關
        res = cv2.matchTemplate(dst_img, temp_img, cv2.TM_CCOEFF_NORMED)
        min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
        tm_vals[number] = max_val
 
    number_tm = max(tm_vals, key=tm_vals.get)
 
    # 在圖像上畫出結果來
    draw_img = cv2.rectangle(draw_img, pt1=(x, y), pt2=(x + w, y + h), color=(0, 0, 255),
                             thickness=2)  
    cv2.putText(draw_img, str(number_tm), (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.65,
                color=(0, 0, 255), thickness=2)
 
cv_show_image('final_result', draw_img)

結果如圖所示：