模板匹配与银行卡号识别（预告）

一、模板匹配cv2.matchTemplate():

[cv2.matchTemplate 函数说明](#cv2.matchTemplate 函数说明)

二、参数传递:

[1. add_argument() 方法的参数命名规则](#1. add_argument() 方法的参数命名规则)

[2. 参数传递的两种方式](#2. 参数传递的两种方式)

[3. 参数传递的格式规范](#3. 参数传递的格式规范)

三、银行卡号识别案例（预处理）：

一、模板匹配cv2.matchTemplate():

cv2.matchTemplate 函数说明

函数原型：cv2.matchTemplate (image, templ, method, result=None, mask=None)

参数说明：image：待搜索的目标图像（8 位灰度图 / 32 位浮点图，尺寸需大于等于模板图像）templ：模板图像（类型、通道数需与 image 一致，尺寸需小于等于目标图像）method：匹配算法类型，决定匹配度的计算方式，常用取值及规则：

TM_SQDIFF：平方差匹配法 | 匹配度越高，计算值越小；匹配度越低，计算值越大
TM_CCORR：相关匹配法 | 匹配度越高，计算值越大；匹配度越低，计算值越小
TM_CCOEFF：相关系数匹配法 | 匹配度越高，计算值越大；匹配度越低，计算值越小
TM_SQDIFF_NORMED：归一化平方差匹配法 | 取值范围 [0,1]，匹配度越高值越小
TM_CCORR_NORMED：归一化相关匹配法 | 取值范围 [0,1]，匹配度越高值越大
TM_CCOEFF_NORMED：归一化相关系数匹配法 | 取值范围 [-1,1]，匹配度越高值越接近 1result：输出匹配结果矩阵（可选），尺寸为 (W-w+1, H-h+1)，W/H 为目标图像宽 / 高，w/h 为模板宽 / 高mask：模板掩码（可选），仅支持 TM_SQDIFF/TM_CCOEFF_NORMED，需与模板尺寸 / 类型一致

python 复制代码

'''-------------------------模板匹配-------------------------'''

import cv2
kele = cv2.imread('kele.png')
template = cv2.imread('kele_.png')

cv2.imshow(  'kele',kele)
cv2.imshow( 'template',template)
cv2.waitKey(0)

h, w = template.shape[:2]

res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)  # 返回匹配结果的矩阵,其中每个元素表示该位置与模板的匹配程度

# cv2.minMaxLoc可以获取矩阵中的最小值和最大值，以及最小值的索引号和最大值的索引号
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)  # 最小值、最大值、最小值位置、最大值位置

top_left = max_loc  # 匹配区域的左上角坐标
bottom_right = (top_left[0] + w, top_left[1] + h)  # 匹配区域的右下角坐标

kele_template = cv2.rectangle(kele, top_left, bottom_right, (0, 255, 0),  2)  # 绘制矩形

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

运行结果：

二、参数传递:

python 复制代码

import argparse
import antigravity
parse=argparse.ArgumentParser(description='银行卡号识别')
parse.add_argument("name",help="输入的姓名")
parse.add_argument("-a",default=10,type=int)
parse.add_argument("--bb",default=12,type=int)
arg=parse.parse_args()
name=arg.name
a=arg.a
b=arg.bb
print(a+b)
print(f"{name}")
parse.print_help()

1. `add_argument()` 方法的参数命名规则

add_argument() 方法中第一个参数用于定义参数类型，主要分为两类：

可选参数（可替代参数） ：参数名以 -（短格式，如 -i）或 --（长格式，如 --image）开头，支持设置 default 默认值（未手动传参时使用），传参时无需严格遵循顺序；
位置参数 ：参数名不带 -/-- 前缀，无默认值特性，必须按照脚本定义的顺序传入参数，是强制必填的参数类型。

2. 参数传递的两种方式

方式 1：在命令行窗口直接执行脚本时传入参数；
方式 2：在 IDE（如 PyCharm）中修改「运行 / 调试配置」，预先配置好参数后运行脚本。

3. 参数传递的格式规范

位置参数：按脚本定义的顺序依次传入，参数之间用空格分隔；
可选参数：格式为 -参数名传入值（或 --参数名传入值），多个可选参数之间同样用空格分隔，顺序可自由调整。

修改运行配置传参：

运行结果：

三、银行卡号识别案例（预处理）：

代码：

python 复制代码

import numpy as np
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())
FIRST_NUMBER={"3":"American Express",
              "4":"Visa",
              "5":"MasterCard",
              "6":"Discover Card"}
def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
  
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)
_,refCnts,hierarchy=cv2.findContours(ref,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,refCnts,-1,(255,0,0),3)
cv_show("refCnts",img)
refCnts=myutils.sort_contours(refCnts,method="left-to-right")[1]
digits={}
for i,c in enumerate(refCnts):
    x,y,w,h=c
    roi=ref[y:y+h,x:x+w]
    roi=cv2.resize(roi,(57,88))
    cv_show("roi",roi)
    digits[i]=roi
print(digits)

解析：这段代码是信用卡数字识别的模板预处理阶段，核心目标是：读取指定的 OCR-A 字体数字模板图像，通过灰度化、二值化、轮廓检测等操作，提取每个数字的独立区域并标准化尺寸，最终构建一个 "数字索引（0-9）→ 对应数字模板图像" 的字典，为后续匹配信用卡图像中的数字做准备。

运行结果：

导入的myutils文件是手写的处理图片中间过程的一个为文件，附上代码：

python 复制代码

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))
    #zip(*...) 使用星号操作符解包排序后的元组列表，并将其重新组合成两个列表：一个包含所有轮廓，另一个包含所有边界框。
    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


# for i,j in enumerate([5,6,7]):
#     print(i,j)
#
# a=[i for i in range(5)]
# print(a)

# a=''.join(['4','0','0','0'])
# print(a)

下一篇博客我们继续完成完整的银行卡号识别的项目。