目录
本文实现了对读入图片的基本图像操作，用模板去匹配处理后的银行卡，最终识别出银行卡的卡号。所涉及的图像操作包括：灰度转换、二值转换、阈值分割、轮廓检测、礼帽操作、梯度运算、闭操作、模板匹配。
步骤：
- 首先需要将模板里的数字单独切出来，然后把银行卡上的数字也单独切出来，最后对银行卡的数字一个一个对比模板(0-9,10个数字）。
1.预处理模板图像
- 假设把模板的每个数字切成矩形，可以先对每个数字求外轮廓，然后根据轮廓可得外接矩形，便可切出，其中对于外轮廓处理需传入二值图。于是步骤如下：
(1)读入模板图像
img = cv2.imread(args["template"])
(2)化为灰度图
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
- 由于图像本身就无彩色部分，所以进行灰度转换看不出效果
(3)化为二值图
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
#threshold中10为当前阈值，255为最大阈值，cv2.THRESH_BINARY_INV阈值类型，INV表示黑白取反
(4)画出0-9这10个数字的外轮廓
#其中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) #找到外轮廓
cv2.drawContours(img,refCnts,-1,(0,0,255),3) #对模板的10个数字画出外轮廓，此时是无序的
cv_show('img',img)
print (np.array(refCnts).shape)
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] #排序，从左到右，从上到下
(5)计算外接矩形并且resize成合适大小
# 遍历每一个轮廓
for (i, c) in enumerate(refCnts):
# 计算外接矩形并且resize成合适大小
(x, y, w, h) = cv2.boundingRect(c) #外接矩形
roi = ref[y:y + h, x:x + w]
roi = cv2.resize(roi, (57, 88))
# 每一个数字对应每一个模板
digits[i] = roi
2.预处理银行卡图像
- 对于银行卡图像，需要过滤掉背景，保留主要信息(下文1-6步)。上文模板是按矩形切出来的，那么卡号也按矩形切割，便于匹配。银行卡卡号位置是四位一组，可以先处理一组，再对每一组的每一个数字切割，进行模板匹配。其中可以通过长宽比过滤掉银行卡上不是卡号的其他信息。
(1)读入需识别的银行卡并化为灰度图
image = cv2.imread(args["image"])
image = myutils.resize(image, width=300) #resize
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #灰度转换
(2)礼帽操作
- 礼帽操作可以突出更明亮的区域（原始输入-开运算（先腐蚀再膨胀））
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
(3)梯度运算（Sobel算子）
- 边缘检测，可计算出轮廓
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, #ksize=-1相当于用3*3的，1,表示对x求一阶，0表示y不求导
ksize=-1)
#取绝对值
gradX = np.absolute(gradX)
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))#归一化处理
gradX = gradX.astype("uint8")#转换格式
(4)闭操作
- 通过闭操作（先膨胀，再腐蚀）将数字连在一起,便于后面求矩形框
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
(5)阈值分割
- 利用阈值对图片进行二值化处理,聚焦处理部分
#THRESH_OTSU会自动寻找合适的阈值，适合双峰，需把阈值参数设置为0（二值化）
thresh = cv2.threshold(gradX, 0, 255,
cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
(6)再进行闭操作
- 把图中连接的数字填饱满一点
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
(7)计算外轮廓
- 经过上文一系列操作，对银行卡中是数字的地方有了清晰的候选，同处理模板对象一样把可能是数字的地方通过外轮廓把全部矩形框画出来。后续再做筛选即可。
cv2.CHAIN_APPROX_SIMPLE)
cnts = threshCnts #特征
cur_img = image.copy()
cv2.drawContours(cur_img,cnts,-1,(0,0,255),3)
cv_show('img',cur_img)
locs = []
(8)计算外接矩形并且筛选符合的矩形框
# 遍历轮廓
for (i, c) in enumerate(cnts):
# 计算矩形
(x, y, w, h) = cv2.boundingRect(c)
ar = w / float(h)#长宽比
# 选择合适的区域，根据实际任务来，这里的基本都是四个数字一组
if ar > 2.5 and ar < 4.0:
if (w > 40 and w < 55) and (h > 10 and h < 20):
#符合的留下来
locs.append((x, y, w, h))
# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x:x[0])
output = []
(9)对每一个矩形框进行单独处理
# 遍历每一个轮廓中的数字
for (i, (gX, gY, gW, gH)) in enumerate(locs):
# initialize the list of group digits
groupOutput = []
# 根据坐标提取每一个组
group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
cv_show('group',group)
# 预处理，自动阈值（二值）
group = cv2.threshold(group, 0, 255,
cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('group',group)
# 计算每一组的轮廓
digitCnts,hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
digitCnts = contours.sort_contours(digitCnts,
method="left-to-right")[0]
# 计算每一组中的每一个数值
for c in digitCnts:
# 找到当前数值的轮廓，resize成合适的的大小
(x, y, w, h) = cv2.boundingRect(c)
roi = group[y:y + h, x:x + w]
roi = cv2.resize(roi, (57, 88))
cv_show('roi',roi)
3.模板匹配计算得分
# 计算匹配得分
scores = []
# 在模板中计算每一个得分
for (digit, digitROI) in digits.items():
# 模板匹配
result = cv2.matchTemplate(roi, digitROI,
cv2.TM_CCOEFF)
(_, score, _, _) = cv2.minMaxLoc(result)
scores.append(score)
# 得到最合适的数字
groupOutput.append(str(np.argmax(scores)))
4.绘制结果
# 画出来
cv2.rectangle(image, (gX - 5, gY - 5),
(gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
cv2.putText(image, "".join(groupOutput), (gX, gY - 15),
cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)
# 得到结果
output.extend(groupOutput)#extend()向列表尾部追加一个列表
# 打印结果
# 画出来
cv2.rectangle(image, (gX - 5, gY - 5),
(gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
cv2.putText(image, "".join(groupOutput), (gX, gY - 15),
cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)
# 得到结果
output.extend(groupOutput)#extend()向列表尾部追加一个列表
# 打印结果
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)`
