摘要：信用卡辨认的案例用到了图像处理的一些基本操作，对刚上手CV的人来说还是比拟敌对的。
本文分享自华为云社区《Python openCV案例：信用卡数字辨认》，原文作者：深蓝的回音 。
前言
实际是测验真谛的唯一标准。
因为感觉一板一眼地学习OpenCV太过干燥，于是在网上找了一个以我的项目为导向的教程学习。话不多说，动手做起来。
一、案例介绍
提供信用卡上的数字模板：
要求：辨认出信用卡上的数字，并将其间接打印在原图片上。尽管看起来很蠢，但既然能够将数字打印在图片上，阐明曾经胜利辨认数字，因而也能够将其转换为数字文本保留。车牌号辨认等我的项目的思路与此案例相似。
示例：
原图
解决后的图
二、步骤
大抵分为如下几个步骤：
1.模板读入
2.模板预处理，将模板数字离开，并排序
3.输出图像预处理，将图像中的数字局部提取进去
4.将数字与模板数字进行匹配，匹配率最高的即为对应数字。
1、模板读入，以及一些包的导入，函数定义等
import cv2 as cvimport numpy as npimport myutilsdef cv_show(name, img): # 自定义的展现函数 cv.imshow(name, img) cv.waitKey(0)# 读入模板图n = 'text'img = cv.imread("images/ocr_a_reference.png")# cv_show(n, template) # 自定义的展现函数，不便显示图片2、模板预处理，将模板数字离开，并排序
模板的预处理程序：灰度图，二值化，再进行轮廓检测。须要留神的是openCV检测轮廓时是检测红色边框，因而要将模板图的数字二值化变为红色。
# 模板转换为灰度图ref = cv.cvtColor(img, cv.COLOR_BGR2GRAY)# cv_show(n, ref)# 转换为二值图,把数字局部变为红色ref = cv.threshold(ref, 10, 255, cv.THRESH_BINARY_INV)[1] # 骚写法，函数多个返回值为元组，这里取第二个返回值cv_show(n, ref)# 对模板进行轮廓检测，失去轮廓信息refCnts, hierarchy = cv.findContours(ref.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_NONE)cv.drawContours(img, refCnts, -1, (0, 0, 255), 2) # 第一个参数为指标图像# cv_show(n, img)红色局部即为检测出的轮廓。
接下来进行轮廓排序，因为检测出的轮廓是无序的，因而要依照轮廓的左上角点的x坐标来排序。轮廓排序后按程序放入字典，则字典中的键值对是正确匹配的，如‘0’对应轮廓0 ,‘1’对应轮廓1。
# 轮廓排序refCnts = myutils.sort_contours(refCnts)[0]digits = {}# 单个轮廓提取到字典中for (i, c) in enumerate(refCnts): (x, y, w, h) = cv.boundingRect(c) roi = ref[y:y + h, x:x + w] # 在模板中复制出轮廓 roi = cv.resize(roi, (57, 88)) # 改成雷同大小的轮廓 digits[i] = roi # 此时字典键对应的轮廓即为对应数字。如键‘1’对应轮廓‘1’至此，模板图处理完毕。
3、输出图像预处理，将图像中的数字局部提取进去
在此步骤中须要将信用卡上的每个数字提取进去，并与上一步失去的模板一一匹配。首先初始化卷积核，不便之后tophat操作以及闭运算操作应用。
# 初始化卷积核rectKernel = cv.getStructuringElement(cv.MORPH_RECT, (9, 3))sqKernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))接下来读入图片，调整图片大小，转换为灰度图。
# 待剖析图片读入,预处理card_image = cv.imread("images/credit_card_01.png")# cv_show('a', card_image)card_image = myutils.resize(card_image, width=300) # 更改图片大小gray = cv.cvtColor(card_image, cv.COLOR_BGR2GRAY)# cv_show('gray', gray)而后进行tophat操作，tophat能够突出图片中亮堂的区域，过滤掉较暗的局部：
tophat = cv.morphologyEx(gray, cv.MORPH_TOPHAT, rectKernel)# cv_show('tophat', tophat)再通过sobel算子检测边缘，进行一次闭操作，二值化，再进行一次闭操作，填补空洞。
# x方向的Sobel算子gradX = cv.Sobel(tophat, cv.CV_32F, 1, 0, ksize=3) gradX = np.absolute(gradX) # absolute: 计算绝对值min_Val, max_val = np.min(gradX), np.max(gradX)gradX = (255 * (gradX - min_Val) / (max_val - min_Val))gradX = gradX.astype("uint8")# 通过闭操作（先收缩，再侵蚀）将数字连在一起. 将本是4个数字的4个框收缩成1个框,就侵蚀不掉了gradX = cv.morphologyEx(gradX, cv.MORPH_CLOSE, rectKernel)# cv_show('close1', gradX)# 二值化thresh = cv.threshold(gradX, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)[1]# 闭操作,填补空洞thresh = cv.morphologyEx(thresh, cv.MORPH_CLOSE, sqKernel)# cv_show('close2', thresh)之后就能够查找轮廓了。
threshCnts = cv.findContours(thresh.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)[0]card_copy = card_image.copy()cv.drawContours(card_copy, threshCnts, -1, (0, 0, 255), 2)cv_show('Input_Contours', card_copy)4、模板匹配
将模板数字和待辨认的图片都解决好后，就能够进行匹配了。
locs = [] # 存符合条件的轮廓for i, c in enumerate(threshCnts): # 计算矩形 x, y, w, h = cv.boundingRect(c) ar = w / float(h) # 抉择适合的区域，依据理论工作来，这里的根本都是四个数字一组 if 2.5 < ar < 4.0: if (40 < w < 55) and (10 < h < 20): # 合乎的留下来 locs.append((x, y, w, h))# 将合乎的轮廓从左到右排序locs = sorted(locs, key=lambda x: x[0])接下来，遍历每一个大轮廓，每个大轮廓中有四个数字，对应四个小轮廓。将小轮廓与模板匹配。
output = [] # 存正确的数字for (i, (gx, gy, gw, gh)) in enumerate(locs): # 遍历每一组大轮廓(蕴含4个数字) groupOutput = [] # 依据坐标提取每一个组(4个值) group = gray[gy - 5:gy + gh + 5, gx - 5:gx + gw + 5] # 往外扩一点 # cv_show('group_' + str(i), group) # 预处理 group = cv.threshold(group, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)[1] # 二值化的group # cv_show('group_'+str(i),group) # 计算每一组的轮廓 这样就分成4个小轮廓了 digitCnts = cv.findContours(group.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)[0] # 排序 digitCnts = myutils.sort_contours(digitCnts, method="left-to-right")[0]# 计算并匹配每一组中的每一个数值 for c in digitCnts: # c示意每个小轮廓的起点坐标 z = 0 # 找到以后数值的轮廓,resize成适合的的大小 (x, y, w, h) = cv.boundingRect(c) # 外接矩形 roi = group[y:y + h, x:x + w] # 在原图中取出小轮廓笼罩区域,即数字 roi = cv.resize(roi, (57, 88)) # cv_show("roi_"+str(z),roi) # 计算匹配得分: 0得分多少,1得分多少... scores = [] # 单次循环中,scores存的是一个数值 匹配 10个模板数值的最大得分 # 在模板中计算每一个得分 # digits的digit正好是数值0,1,...,9;digitROI是每个数值的特色示意 for (digit, digitROI) in digits.items(): # 进行模板匹配, res是后果矩阵 res = cv.matchTemplate(roi, digitROI, cv.TM_CCOEFF) # 此时roi是X digitROI是0 顺次是1,2.. 匹配10次,看模板最高得分多少 Max_score = cv.minMaxLoc(res)[1] # 返回4个,取第二个最大值Maxscore scores.append(Max_score) # 10个最大值 # print("scores：",scores) # 失去最合适的数字 groupOutput.append(str(np.argmax(scores))) # 返回的是输出列表中最大值的地位 z = z + 1# 画进去 cv.rectangle(card_image, (gx - 5, gy - 5), (gx + gw + 5, gy + gh + 5), (0, 0, 255), 1) # 左上角,右下角# putText参数：图片,增加的文字,左上角坐标,字体,字体大小,色彩,字体粗细 cv.putText(card_image, "".join(groupOutput), (gx, gy - 15), cv.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)最初将其打印进去，工作就实现了。
cv.imshow("Output_image_"+str(i), card_image)cv.waitKey(0)总结
信用卡辨认的案例用到了图像处理的一些基本操作，对刚上手CV的人来说还是比拟敌对的。
点击关注，第一工夫理解华为云陈腐技术~