转自：机器学习AI算法工程
项目任务及要求
任务书：要为某家银行设计一套智能卡号识别的系统。
要求：传入一张图片，就自动输出信用卡图片中的数字。
项目实现思路
要实现此项目，首先要知道我们的目标是什么，我们的目标是对银行卡号识别，银行卡号都是数字，因此我们要找到一个模版且模版中有0~9的数字。然后对模版图像中的数字进行定位处理，每一个数字对应一个模版，这样有助于后期进行模版的对照。对模版处理好后，就应对银行卡的图像进行处理，通过对银行卡的一系列处理得到银行卡图像中数字的模版。在进行模版匹配，计算匹配得分，匹配得分最高的就是那个数字，再对数字进行组合、输出得到银行卡号。
模版图像
银行卡图像
项目实现及代码
导入模块
import numpy as npimport argparse # python内置库 不太熟，自行学习import cv2import myutils
其中myutils包需要自己创建，再项目目录创建一个名叫myutils
.py文件
就行了，其中两个函数分别用来进行排序和改变图像大小，内容为：
import cv2
def sort_contours(cnts, method='left-to-right'): # 初始化 reverse 为 False，表示默认不使用逆序排序 reverse = False # 初始化 i 为 0，用于后续选择排序依据的维度 i = 0
# 如果排序方法是 right-to-left 或 bottom-to-top，则设置为逆序排序 if method == 'right-to-left' or method == 'bottom-to-top': reverse = True # 如果排序方法是 top-to-bottom 或 bottom-to-top，则选择 i 为 1，表示按垂直维度排序 if method == 'top-to-bottom' or method == 'bottom-to-top': i = 1 # 计算每个轮廓的外接矩形，并存储在 boundingBoxes 列表中 boundingBoxes = [cv2.boundingRect(c) for c in cnts] # 将轮廓和其对应的外接矩形打包在一起，然后根据 lambda 函数指定的规则进行排序 # b 是 (cnt, boundingBox) 元组，b[1] 是外接矩形，b[1][i] 表示根据 i 所指定的维度（i = 0 为水平方向，i = 1 为垂直方向） # 根据 reverse 决定是否逆序排序 (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes), key=lambda b: b[1][i], reverse=reverse)) # 返回排序好的轮廓和外接矩形 return cnts, boundingBoxes
def resize(image, width=None, height=None, inter=cv2.INTER_AREA): # 初始化 dim 为 None，用于存储调整后的图像尺寸 dim = None # 获取图像的高度和宽度 (h, w) = image.shape[:2] # 如果宽度和高度都未指定，直接返回原图像 if width is None and height is None: return image # 如果仅指定了高度，计算宽度的缩放比例 if width is None: r = height / float(h) dim = (int(w * r), height) # 如果仅指定了宽度，计算高度的缩放比例 else: r = width / float(w) dim = (width, int(h * r)) # 使用 cv2.resize 函数根据 dim 和指定的插值方法对图像进行缩放 resized = cv2.resize(image, dim, interpolation=inter) # 返回缩放后的图像 return resized
设置参数
-
通过导入argparse模块
-
创建 ArgumentParser 对象。
-
添加参数。
-
解析命令行参数。
-
并指定银行卡类型，便于后期从字典中查找。
-
创建一个函数cv_show来展示图像。
-
导入参数
ap = argparse.ArgumentParser() #ap.add_argument("-i", "--image", required=True, help="path to input image")ap.add_argument("-t", "--template", required=True, help="path to template OCR-A image")args = vars(ap.parse_args()) # vars()是Python中的一个内置函数，用于返回对象的属性和值的字典。# 指定信用卡类型FIRST_NUMBER = {"3": "American Express", "4": "Visa", "5": "MasterCard", "6": "Discover Card"}def cv_show(name, img): # 绘图展示 cv2.imshow(name, img) cv2.waitKey(0)
对模版图像中数字的定位处理
img = cv2.imread(args["template"])cv_show('img', img)ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度图cv_show('ref', ref)ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1] # 二值图像cv_show('ref', ref)# 计算轮廓：cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图）,# cv2.RETR_EXTERNAL只检测外轮廓，cv2.CHAIN_APPROX_SIMPLE只保留终点坐标_, refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)cv2.drawContours(img, refCnts, -1, (0, 0, 255), 3)cv_show('img', img)refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] # 排序，从左到右，从上到下digits = {} # 保存模板中每个数字对应的像素值for (i, c) in enumerate(refCnts): # 遍历每一个轮廓 (x, y, w, h) = cv2.boundingRect(c) # 计算外接矩形并且resize成合适大小 roi = ref[y:y + h, x:x + w] roi = cv2.resize(roi, (57, 88)) # 缩放到指定的大小 digits[i] = roi # 每一个数字对应每一个模板
银行卡的图像处理
读取输入图像，预处理
-
输入图像
-
重新设置图像大小
-
转化为灰度图
-
初始化卷积核
-
进行顶帽和开运算
# 读取输入图像，预处理image = cv2.imread(args["image"])cv_show('image', image)image = myutils.resize(image, width=300) # 设置图像的大小gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)cv_show('gray', gray)# 顶帽操作，突出图像中的亮细节，清除背景图，原因是背景颜色变化小，不被腐蚀掉。rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3)) # 初始化卷积核sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) # 顶帽 = 原始图像 - 开运算结果(先腐蚀后膨胀)open = cv2.morphologyEx(gray, cv2.MORPH_OPEN, rectKernel) # 顶帽 = 原始图像 - 开运算结果(先腐蚀后膨胀)cv_show('open', open)cv_show('tophat', tophat)
找到数字边框
# 1、通过闭操作（先膨胀，再腐蚀）将数字连在一起
