cv实践——银行卡数字识别

核心思路是：

先读取一张 模板图片，里面有数字 0~9

把模板中的每个数字单独提取出来，作为标准模板

再读取信用卡图片

用形态学 + 梯度 + 轮廓，把信用卡号的数字区域找出来

把每组数字切分出来

再把每个数字与模板 0~9 逐个匹配

找出最像的那个数字

最后把识别结果画到原图上

代码：

from concurrent.futures import thread

import re

from turtle import width

from imutils import contours

import numpy as np

import imutils

import cv2

import os



image_path = r"D:/下载/OpenCV_信用卡数字识别/credit_card_02.png"

template_path = r"D:/下载/OpenCV_信用卡数字识别/ocr_a_reference.png"



print("image exists:", os.path.exists(image_path))

print("template exists:", os.path.exists(template_path))



FIRST_NUMBER = {

    "3": "American Express",

    "4": "Visa",

    "5": "MasterCard",

    "6": "Discover Card"

}



def cv_show(name, img):

    cv2.imshow(name, img)

    cv2.waitKey(0)

    cv2.destroyAllWindows()



# =========================

# 1. 读取输入图像和模板图像

# =========================

img = cv2.imdecode(np.fromfile(image_path, dtype=np.uint8), cv2.IMREAD_COLOR)

if img is None:

    raise FileNotFoundError(f"无法读取输入图像: {image_path}")

cv_show("img", img)



template = cv2.imdecode(np.fromfile(template_path, dtype=np.uint8), cv2.IMREAD_COLOR)

if template is None:

    raise FileNotFoundError(f"无法读取模板图像: {template_path}")

cv_show("template", template)



# =========================

# 2. 处理模板图像，提取数字轮廓

# =========================

ref = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)

cv_show("ref", ref)



# 二值化

ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]

cv_show("ref_thresh", ref)



# 查找模板数字轮廓

recnts, hierarchy = cv2.findContours(

    ref.copy(),

    cv2.RETR_EXTERNAL,

    cv2.CHAIN_APPROX_SIMPLE

)



print("模板轮廓个数:", len(recnts))



# 画出模板轮廓

template_copy = template.copy()

cv2.drawContours(template_copy, recnts, -1, (0, 255, 0), 3)

cv_show("img_contours", template_copy)



# 对轮廓从左到右排序

recnts = contours.sort_contours(recnts, method="left-to-right")[0]



digits = {}



# 遍历每个轮廓，提取ROI

for (i, c) in enumerate(recnts):

    (x, y, w, h) = cv2.boundingRect(c)

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

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

    digits[i] = roi



print("digits中模板数字个数:", len(digits))



# =========================

# 3. 创建结构元素

# =========================

rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))

sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))



# =========================

# 4. 重新读取信用卡图像

# =========================

image = cv2.imdecode(np.fromfile(image_path, dtype=np.uint8), cv2.IMREAD_COLOR)

if image is None:

    raise FileNotFoundError(f"无法再次读取输入图像: {image_path}")



cv_show("image", image)



image = imutils.resize(image, width=300)  # 调整图像大小以适应显示

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

cv_show("gray", gray)



tophat=cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) #应用顶帽变换，突出显示亮区域

cv_show("tophat", tophat)



cv2.waitKey(0)

cv2.destroyAllWindows()



gradx=cv2.Sobel(tophat,ddepth=cv2.CV_32F,dx=1,dy=0,ksize=-1) #计算图像的x方向梯度

gradx=np.absolute(gradx) #取绝对值

(minVal,maxVal)=np.min(gradx),np.max(gradx)

gradx=(255*(gradx-minVal)/maxVal).astype("uint8") #归一化梯度图像到0-255范围

cv_show("gradx", gradx)



gradx=cv2.morphologyEx(gradx,cv2.MORPH_CLOSE,rectKernel) #把被 Sobel 边缘检测分开的数字边缘连接起来，形成连续的数字区域。

cv_show("gradx_closed", gradx)



thresh=cv2.threshold(gradx,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1] #使用 Otsu 的方法对闭合后的梯度图像进行二值化，得到二值图像

cv_show("thresh", thresh)



threshcnts,hierarchy=cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE) #查找二值图像中的轮廓

print("threshcnts中轮廓个数:", len(threshcnts))



cnts=threshcnts

cur_img=image.copy()

cv2.drawContours(cur_img,cnts,-1,(0,255,0),3)

cv_show("threshcnts", cur_img)

locs=[]



for (i,c) in enumerate(cnts):

    (x,y,w,h)=cv2.boundingRect(c)

    ar=w/float(h) #计算轮廓的宽高比

    if ar>2.5 and ar<4.0: #筛选出宽高比在2.5到4.0之间的轮廓，这些轮廓可能包含信用卡数字

        locs.append((x,y,w,h)) #将符合条件的轮廓的位置信息添加到locs列表中

print("locs中符合条件的轮廓个数:", len(locs))



for (i,(gX,gY,gW,gH)) in enumerate(locs):

    groupOutput=[] #初始化一个列表，用于存储每个数字的识别结果

    group=gray[gY-5:gY+gH+5,gX-5:gX+gW+5] #从灰度图像中提取出包含数字的区域，稍微扩大边界以确保完整捕获数字

    cv_show(f"group_{i}", group)



    group=cv2.threshold(group,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1] #对提取的区域进行二值化处理

    cv_show(f"group_thresh_{i}", group)



    digitCnts,hierarchy=cv2.findContours(group.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE) #查找二值图像中的轮廓，这些轮廓可能对应于单个数字

    digitCnts=contours.sort_contours(digitCnts,method="left-to-right")[0] #对找到的轮廓进行排序，按照从左到右的顺序



    for c in digitCnts:

        (x,y,w,h)=cv2.boundingRect(c) #计算轮廓的边界框，返回x、y坐标以及宽度和高度

        roi=group[y:y+h,x:x+w] #提取轮廓区域的图像

        roi=cv2.resize(roi,(57,88)) #将轮廓区域的图像调整为固定大小57x88



        scores=[] #初始化一个列表，用于存储每个模板数字与当前ROI的匹配分数



        for (digit,digitROI) in digits.items():

            result=cv2.matchTemplate(roi,digitROI,cv2.TM_CCOEFF) #使用模板匹配方法比较当前ROI与每个模板数字，得到匹配结果

            (_,score,_,_) = cv2.minMaxLoc(result) #从匹配结果中提取最大值作为匹配分数

            scores.append(score) #将匹配分数添加到scores列表中



        groupOutput.append(str(np.argmax(scores))) #找到匹配分数最高的模板数字索引，并将其转换为字符串添加到groupOutput列表中



    print("识别结果:", "".join(groupOutput))



    cv2.rectangle(image,(gX-5,gY-5),(gX+gW+5,gY+gH+5),(0,255,0),2) #在原始图像上绘制一个矩形框，标记出包含数字的区域

    cv2.putText(image,"".join(groupOutput),(gX,gY-15),cv2.FONT_HERSHEY_SIMPLEX,0.65,(0,255,0),2) #在原始图像上添加文本，显示识别出的数字

cv_show("final_result", image)

1. 程序功能概述

这段代码实现的是典型的信用卡卡号 OCR 识别流程。它并不是基于深度学习模型，而是采用传统计算机视觉方法：先从模板图像中提取 0-9 数字轮廓，构建标准数字模板；再对信用卡图像进行增强、梯度计算、二值化和轮廓筛选，定位出卡号区域；最后把每个数字与模板逐一匹配，得到识别结果。

整个程序的核心思想可以概括为：模板制作 - 候选区域定位 - 单个数字切分 - 模板匹配识别 - 结果可视化。

2. 整体处理流程

3. 导入依赖库，设置图像路径与银行卡前缀字典。

4. 读取信用卡图像和 OCR 模板图像，解决中文路径读取问题。

5. 把模板图像转灰度并二值化，提取模板数字轮廓。

6. 按从左到右顺序保存模板中的 0-9 数字 ROI。

7. 对信用卡图像做灰度化、顶帽运算、Sobel 梯度增强和闭运算。

8. 对增强结果进行二值化并查找候选轮廓，筛选可能的 4 位数字组区域。

9. 在每个候选组中再次分割单个数字，并与模板库做 matchTemplate 匹配。

10. 输出识别结果，并把识别出的卡号绘制到原图上。

11. 关键库与变量说明

名称 作用 说明

cv2 OpenCV 图像处理核心库 完成读取、灰度化、二值化、轮廓检测、形态学处理和模板匹配

imutils.contours 轮廓排序 把模板数字或识别数字按从左到右排序

np.fromfile + cv2.imdecode 读取中文路径图像 避免 cv2.imread 在中文路径下失败

FIRST_NUMBER 银行卡类型映射 根据首位数字映射卡组织，如 Visa、MasterCard

digits 模板数字字典 保存模板图中的每个数字 ROI，供后续匹配

4. 代码逐段讲解

4.1 导入库与路径设置

这一部分导入了程序所需的基础库。其中 cv2 是 OpenCV 主库，负责图像处理；imutils 主要用于简化轮廓排序和图像缩放；numpy 用于数组处理；os 用于检查路径是否存在。

image_path 和 template_path 分别对应待识别的信用卡图像和模板图像。随后通过 os.path.exists() 打印路径是否存在，便于提前排查文件路径错误。

from imutils import contours

import numpy as np

import imutils

import cv2

import os

4.2 银行卡首位数字映射

这个字典的作用是根据银行卡号第一位数字判断卡片类型。虽然你当前代码最后没有把该类型打印出来，但它通常会在完整项目中用于展示"识别出的卡号属于哪种银行卡"。例如首位为 4 时，可判定为 Visa。

FIRST_NUMBER = {

"3": "American Express",

"4": "Visa",

"5": "MasterCard",

"6": "Discover Card"

}

4.3 图像显示函数 cv_show

该函数是一个简单封装，用于调试过程中逐步查看中间结果。name 是窗口标题，img 是待显示图像。每调用一次都会暂停，直到按键后关闭窗口。这个函数在学习 OpenCV 流程时非常有用，因为它能帮助观察灰度图、二值图、梯度图和轮廓图是否符合预期。

def cv_show(name, img):

cv2.imshow(name, img)

cv2.waitKey(0)

cv2.destroyAllWindows()

4.4 读取输入图像与模板图像

这里没有直接使用 cv2.imread，而是采用"np.fromfile + cv2.imdecode"的组合。这是因为 Windows 下如果路径中包含中文，cv2.imread 有时会读取失败。使用这种写法可以稳定读取中文路径图像，是本代码非常实用的一点。

img = cv2.imdecode(np.fromfile(image_path, dtype=np.uint8), cv2.IMREAD_COLOR)

template = cv2.imdecode(np.fromfile(template_path, dtype=np.uint8), cv2.IMREAD_COLOR)

4.5 模板图像预处理与轮廓提取

先把模板图像转为灰度图，再进行二值化。这里使用 THRESH_BINARY_INV，意味着原本较亮的数字会被变成白色前景，背景变为黑色，这样更便于后续 findContours 提取外部轮廓。

cv2.RETR_EXTERNAL 表示只保留最外层轮廓；cv2.CHAIN_APPROX_SIMPLE 用于压缩轮廓点，减少冗余。提取出的 recnts 就是模板中的 0 到 9 的轮廓集合。

ref = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)

ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]

recnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

4.6 模板数字排序与标准化

由于模板图中的数字通常是从左到右排列的，因此先对轮廓排序，再逐个裁剪 ROI。每个数字都被缩放到统一大小 57×88，这样在模板匹配时，待识别数字与模板数字尺寸一致，能够提升匹配稳定性。

digits 字典最终保存的就是"数字索引 -> 标准化模板图像"的映射。

recnts = contours.sort_contours(recnts, method="left-to-right")[0]

for (i, c) in enumerate(recnts):

(x, y, w, h) = cv2.boundingRect(c)

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

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

digits[i] = roi

4.7 结构元素的定义

结构元素是形态学操作中的核心参数。这里定义了两个矩形核：

(1) rectKernel=(9,3) 更偏向水平方向，适合把一组横向排列的数字连接起来；

(2) sqKernel=(5,5) 是方形核，通常可用于更均衡的膨胀、腐蚀或闭运算。

在你当前代码中，rectKernel 被实际用于顶帽后的闭运算处理。

rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))

sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

4.8 信用卡图像预处理

先把图像缩放到固定宽度 300，便于控制后续处理尺度。随后转灰度，减少颜色信息干扰。

顶帽运算 = 原图 - 开运算结果，主要作用是突出比周围背景更亮的区域。在信用卡图像中，卡号通常比周围底纹更亮，因此顶帽操作能强化数字区域。

image = imutils.resize(image, width=300)

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)

4.9 Sobel 梯度与闭运算增强

Sobel 在 x 方向求梯度，目的是强调垂直边缘变化。信用卡数字是一串竖直笔画较多的字符，因此 x 方向梯度很适合增强它们。

之后将梯度值归一化到 0-255，便于显示和阈值分割。再通过闭运算把原本断裂的数字边缘连接起来，从而形成较完整的数字组区域。

gradx = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)

gradx = np.absolute(gradx)

(minVal, maxVal) = np.min(gradx), np.max(gradx)

gradx = (255 * (gradx - minVal) / maxVal).astype("uint8")

gradx = cv2.morphologyEx(gradx, cv2.MORPH_CLOSE, rectKernel)

4.10 二值化与候选数字组筛选

Otsu 自动阈值法会根据图像灰度分布自动找到较优阈值，把增强后的数字区域分离出来。

随后对二值图像中的轮廓计算外接矩形，并通过宽高比 ar 做筛选。因为银行卡号通常按 4 位一组横向排列，所以一个数字组整体看起来会"宽而不高"，其宽高比通常落在一定区间内。这里用 2.5 到 4.0 作为经验阈值，把可能是数字组的区域保存到 locs 中。

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

threshcnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for c in cnts:

(x, y, w, h) = cv2.boundingRect(c)

ar = w / float(h)

if ar > 2.5 and ar < 4.0:

locs.append((x, y, w, h))

4.11 单组数字分割与模板匹配

在每个候选数字组中，先适当向外扩 5 个像素，避免数字边界被裁掉。然后再次二值化和提取轮廓，此时轮廓对象不再是一整组数字，而更接近单个数字。

再次按从左到右排序后，就可以逐个提取数字 ROI，准备与模板库比较。

group = gray[gY-5:gY+gH+5, gX-5:gX+gW+5]

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

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

digitCnts = contours.sort_contours(digitCnts, method="left-to-right")[0]

4.12 模板匹配识别

cv2.matchTemplate 用于比较当前 ROI 和每一个模板数字的相似度。这里采用 TM_CCOEFF 方法，得分越高表示越相似。

遍历完 10 个模板后，取分数最高的索引作为当前数字识别结果。因为 digits 字典的键就是 0-9 的顺序索引，所以 np.argmax(scores) 可以直接对应到预测数字。

for (digit, digitROI) in digits.items():

result = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)

(_, score, _, _) = cv2.minMaxLoc(result)

scores.append(score)

groupOutput.append(str(np.argmax(scores)))

4.13 结果绘制与输出

最后一步是在原图上标出识别区域，并把识别出的数字字符串绘制在区域上方。这样既能看到原始信用卡图像，又能直观看到程序检测到的卡号组以及对应的识别结果。

cv2.rectangle(image, (gX-5, gY-5), (gX+gW+5, gY+gH+5), (0,255,0), 2)

cv2.putText(image, "".join(groupOutput), (gX, gY-15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0,255,0), 2)

5. 程序的识别逻辑总结

模板图像负责提供标准数字外观；信用卡图像经过顶帽、梯度和闭运算后，先定位到"数字组"，再进一步切分到"单个数字"；最终通过模板匹配完成识别。

这是一种经典的传统视觉 OCR 思路，优势是实现简单、可解释性强、无需训练深度学习模型；不足是对图像质量、光照、旋转、模糊、卡号字体变化较敏感。