import numpy as np
import argparse
import cv2
import myutils

#設(shè)置參數(shù)
ap=argparse.ArgumentParser()
ap.add_argument('-i','--image',required=True,help='path to iuput image')
ap.add_argument('-t','--template',required=True,help='path to template OCR-A image')
#vars(ap.parse_args())：解析命令行參數(shù)并將其轉(zhuǎn)換為字典形式
args=vars(ap.parse_args())


FIRST_NUMBER={
    '3':'American',
    '4':'Visa',
    '5':'MasterCard',
    '6':'Discover'
}


def cv_show(name,image):
    cv2.imshow(name,image)
    cv2.waitKey(0)


a=args['template']

'''--------模板圖像中數(shù)字的定位處理-----------'''
img=cv2.imread(args['template'])
cv_show('img',img)

ref=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv_show('ref',ref)
#cv2.threshold()：對(duì)灰度圖像進(jìn)行閾值處理，將其轉(zhuǎn)換為二值圖像，cv2.THRESH_BINARY_INV 表示反二進(jìn)制閾值。
ref=cv2.threshold(ref,10,255,cv2.THRESH_BINARY_INV)[1]
cv_show('ref',ref)
#查找并排序模板圖像中的輪廓
_,refCnts,hierarchy=cv2.findContours(ref,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,refCnts,-1,(0,255,0),3)

cv_show('img',img)
#myutils.sort_contours()：對(duì)輪廓進(jìn)行從左到右的排序。
refCnts=myutils.sort_contours(refCnts,method='left-to-right')[0]

digits={}
#遍歷排序后的輪廓，提取每個(gè)數(shù)字的 ROI（感興趣區(qū)域），并將其調(diào)整為固定大小（57x88），存儲(chǔ)在字典 digits 中，鍵為數(shù)字的索引。
#enumerate() 是 Python 中的一個(gè)內(nèi)置函數(shù)
# 它的作用是 為可迭代對(duì)象添加索引，使得在遍歷時(shí)可以同時(shí)訪問索引和元素。
for (i,c) in enumerate(refCnts):
    (x,y,w,h)=cv2.boundingRect(c)

    roi=ref[y:y+h,x:x+w]

    roi=cv2.resize(roi,(57, 88))

    cv_show('ro',roi)

    digits[i]=roi
print(digits)

'''----------信用卡的圖像處理---------------------'''
#信用卡信息處理

image=cv2.imread(args['image'])
image=myutils.resize(image,width=300)
cv_show('image',image)
gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)

#初始化卷積核
rectKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(9,3))
sqKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

#頂帽操作
tophat=cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,rectKernel)
cv_show('tophat',tophat)


#-----找到數(shù)字邊框---------
# 1、通過閉操作（先膨脹，再腐蝕）將數(shù)字連在一起
closeX=cv2.morphologyEx(tophat,cv2.MORPH_CLOSE,rectKernel)
cv_show('closeX',closeX)
#THRESH_OTSU會(huì)自動(dòng)尋找到合適的閾值，適合雙峰，需要把閾值參數(shù)設(shè)置為0
thresh=cv2.threshold(closeX,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('thresh',thresh)
# 再來一個(gè)閉操作
# thresh1=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,sqKernel)
# cv_show('thresh1',thresh1)

#計(jì)算輪廓
_,threshCnts,h=cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cnts=threshCnts
cur_img=image.copy()
cv2.drawContours(cur_img,cnts,-1,(0,255,0),3)
cv_show('cur_img',cur_img)

#遍歷輪廓，找到數(shù)字部分像素區(qū)域
locs=[]
for (i,c) in enumerate(cnts):
    (x,y,w,h)=cv2.boundingRect(c)#計(jì)算外接矩形
    ar=w/float(h)
    #選擇合適區(qū)域
    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))

#將輪廓從左到右排序
locs=sorted(locs,key=lambda x:x[0])

output=[]

for (i,(gX,gY,gW,gH)) in enumerate(locs):
    groupOutput=[]
    group=gray[gY-5:gY+gH+5,gX-5:gX+gW+5]

    cv_show('group',group)

    group=cv2.threshold(group,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

    cv_show('group',group)

    group_,digitCnts,hierarchy=cv2.findContours(group.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

    digitCnts=myutils.sort_contours(digitCnts,method='left-to-right')[0]

    for c in digitCnts:

        (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)

        #使用模塊匹配，計(jì)算匹配得分

        scores=[]
        ##在模板中計(jì)算每一個(gè)得分
        #digits 是一個(gè)字典
        #digits.items() 方法會(huì)返回一個(gè)包含字典中所有鍵值對(duì)的可迭代對(duì)象，其中每個(gè)元素是一個(gè)元組，元組的第一個(gè)元素是鍵，第二個(gè)元素是對(duì)應(yīng)的值。
        for (digit,digitROI) in digits.items():
            ## 模板匹配
            #cv2.matchTemplate此函數(shù)用于在一幅圖像里查找與給定模板最匹配的區(qū)域
            # roi：代表輸入圖像，也就是要在其中查找模板的圖像。
            # digitROI：代表模板圖像，也就是你想要在輸入圖像中查找的部分。
            # cv2.TM_CCOEFF：表示匹配方法，這里采用的是相關(guān)性系數(shù)匹配法。
            #函數(shù)會(huì)返回一個(gè)二維的 NumPy 數(shù)組
            result=cv2.matchTemplate(roi,digitROI,cv2.TM_CCOEFF)
            #cv2.minMaxLoc 函數(shù)用于在一個(gè)單通道的矩陣（通常是圖像或模板匹配結(jié)果）中查找最小值、最大值以及它們對(duì)應(yīng)的位置。
            #該函數(shù)返回一個(gè)包含四個(gè)值的元組，依次為：
            # 矩陣中的最小值。
            # 矩陣中的最大值。
            # 最小值所在的位置（以元組 (x, y) 形式表示）。
            # 最大值所在的位置（以元組 (x, y) 形式表示）
            (_,score,_,_)=cv2.minMaxLoc(result)

            scores.append(score)
        #np.argmax 用于返回?cái)?shù)組中最大值所在的索引。
        #例如，如果 scores = [1, 5, 3]，那么 np.argmax(scores) 會(huì)返回 1，
        #str 是 Python 內(nèi)置函數(shù)，用于將一個(gè)對(duì)象轉(zhuǎn)換為字符串類型。
        groupOutput.append(str(np.argmax(scores)))

    # 畫出來
    cv2.rectangle(image,(gX-5,gY-5),(gX+gW+5,gY+gH+5),(0,0,255),1)
    # cv2.putText()是OpenCV庫中的一個(gè)函數(shù)，用于在圖像上添加文本。
    cv2.putText(image,''.join(groupOutput),(gX,gY-15),cv2.FONT_HERSHEY_SIMPLEX,0.65,(0,0,255),2)

    output.extend(groupOutput)

print('Credit Card Type:{}'.format(FIRST_NUMBER[output[0]]))
print('Credit Card#:{}'.format(''.join(output)))

cv2.imshow('image',image)
cv2.waitKey(0)