Opencv实现提取卡号（数字识别）

直接开始

实行方法

1. 解析命令行参数 ：使用argparse库来解析命令行输入，确保用户提供了输入图像和模板图像的路径。

2. 读取模板图像 ：使用cv2.imread()函数读取模板图像的路径，并显示原始图像。

3. 图像预处理：

   • 将图像转换为灰度图，以简化后续处理。
   • 应用二值化操作（使用阈值10）将图像转换为二值图像（黑白图），并通过cv2.THRESH_BINARY_INV反转颜色，使前景（数字）为白色，背景为黑色。
   • 显示预处理后的二值图像。

4. 轮廓检测：

   • 使用cv2.findContours()函数在二值图像上检测轮廓。这里只检测外部轮廓，并使用cv2.CHAIN_APPROX_SIMPLE方法来简化轮廓形状。
   • 在原始图像上绘制检测到的轮廓，并显示结果。

5. 轮廓排序：

   • 使用自定义的myutils.sort_contours()函数对检测到的轮廓进行排序，这里假设该函数按照从左到右的顺序排序轮廓。

自定义的myutils库

import cv2


def sort_contours(cnts, method='left to-right'):
    reverse = False
    i = 0
    if method == 'right-to-left' or method == 'bottom-to-top':
        reverse = True
    if method == 'top-to-bottom' or method == 'bottom-to-top':
        i = 1
    boundingBoxes = [cv2.boundingRect(c) for c in cnts]
    (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),
                                        key=lambda b: b[1][i], reverse=reverse))
    return cnts, boundingBoxes


def resize(image,width=None,height=None ,inter=cv2.INTER_AREA):
    dim = None
    (h, w) = image.shape[:2]
    if width is None and height is None:
        return image
    if width is None:
        r = height / float(h)
        dim = (int(w * r), height)
    else:
        r = width / float(w)
        dim = (width, int(h * r))
        resized = cv2.resize(image, dim, interpolation=inter)  # 默认为cV2.INTER_AREA，即面积插值，适用于缩放图像。
        return resized

1. 数字模板提取：

   • 遍历排序后的轮廓，对每个轮廓计算其外接矩形，并裁剪出相应的区域（ROI，Region of Interest）。
   • 将每个裁剪出的ROI区域缩放到固定大小（57x88），以便于后续与输入图像中的数字进行匹配。
   • 将每个缩放后的ROI存储到digits字典中，其中键为轮廓的索引，值为对应的数字模板图像。

接下来，你可能会想要使用这些数字模板与输入图像中的数字进行匹配，以确定输入图像中每个数字的具体值。这通常涉及到模板匹配技术，如使用cv2.matchTemplate()函数。

• 读取输入图像。
• 对输入图像进行类似的预处理步骤。
• 在输入图像上检测可能的数字区域。
• 对每个检测到的数字区域，使用提取的模板进行匹配，以确定其值。
• 根据识别出的数字进行进一步的处理或分析（如确定信用卡类型等）。

import argparse
import cv2
import myutils

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())

#创建ArgumentParser对象来解析命令行参数。
#添加两个必需的参数：-i/--image（输入图像路径）和-t/--template（模板图像路径）。
#使用parse_args()解析命令行输入，并将结果转换为字典存储在args中。

FIRST_NUMBER = {
    "3": "American Express",
    "4": "Visa",
    "5": "MasterCard",
    "6": "Discover Card"
}
#定义一个字典，将信用卡号码的首位数字映射到对应的信用卡类型。

def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
#一个简单的函数，用于在窗口中显示图像，并等待用户按键。

img = cv2.imread(args["template"])
cv_show('img', img)

ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('ref', ref)
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
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)

#使用findContours函数检测二值图像中的轮廓。
#在原始图像上绘制检测到的轮廓。
#假设myutils.sort_contours函数存在，并按从左到右的顺序对轮廓进行排序。注意这里[0]可能是为了处理#sort_contours返回值的格式，具体取决于该函数的实现。
#refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0]

digits = {}
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
#遍历排序后的轮廓。
#对每个轮廓，计算其外接矩形，并裁剪出相应的区域（ROI）。
#将每个ROI缩放到固定大小（57x88）。
#将缩放后的ROI存储在digits字典中，键为轮廓的索引

代码效果：