深度學(xué)習(xí)圖像處理基礎(chǔ)工具——opencv 實(shí)戰(zhàn)信用卡數(shù)字識別

這篇具有很好參考價值的文章主要介紹了深度學(xué)習(xí)圖像處理基礎(chǔ)工具——opencv 實(shí)戰(zhàn)信用卡數(shù)字識別。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方，請大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問。

任務(wù) 信用卡數(shù)字識別

穿插之前學(xué)的知識點(diǎn)? 形態(tài)學(xué)操作模板匹配等

總體流程與方法

1.有一個模板 2 用輪廓檢測把模板中數(shù)字拿出來外接矩形（模板和輸入圖像的大小要一致

）3 一系列預(yù)處理操作

深度學(xué)習(xí)圖像處理基礎(chǔ)工具——opencv 實(shí)戰(zhàn)信用卡數(shù)字識別,python深度學(xué)習(xí),opencv,圖像處理,opencv,人工智能

問題的解決思路

1.分析準(zhǔn)備：準(zhǔn)備模板，讀取文件——轉(zhuǎn)化為灰度圖——轉(zhuǎn)化為二值圖——提取輪廓——遍歷每一個輪廓得到每個數(shù)字的模板，排序，大小裁剪為指定大?。?7*88）digits[i] = roi

2.處理輸入的帶數(shù)字的銀行卡? （1）預(yù)處理我們需要拿到的是一組一組的數(shù)字一共四組? 讀取文件——變換大小——轉(zhuǎn)化為灰度圖——形態(tài)學(xué)操作（禮帽操作突出明亮區(qū)域——梯度操作計(jì)算輪廓信息——閉操作將數(shù)字連在一起——二值化操作尋找合適閾值——再來一個閉操作——計(jì)算輪廓——遍歷輪廓（選擇合適區(qū)域排除不是數(shù)字的輪廓）——輪廓排序——遍歷輪廓的每一個數(shù)字——預(yù)處理計(jì)算每一組輪廓——計(jì)算每一組中的每一個值——匹配得分——得到數(shù)字畫出來——得到結(jié)果——打印結(jié)果）

#設(shè)置參數(shù)

ap = argparse.ArgumentParser()#編寫命令行接口
ap.add_argument("-i", "--image", required=True,
	help="path to input image")#添加命令行參數(shù)
ap.add_argument("-t", "--template", required=True,
	help="path to template OCR-A image")
args = vars(ap.parse_args())#解析參數(shù) 將參數(shù)轉(zhuǎn)化為字典的形式

深度學(xué)習(xí)圖像處理基礎(chǔ)工具——opencv 實(shí)戰(zhàn)信用卡數(shù)字識別,python深度學(xué)習(xí),opencv,圖像處理,opencv,人工智能

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

def cv_show(name,img):
    cv2.imshow(name, img)
    cv2.waitKey(0)# waitKey()#是在一個給定的時間內(nèi)(單位ms)等待用戶按鍵觸發(fā) 0 無限等待 按任意鍵繼續(xù)
    cv2.destroyAllWindows()

1.cv2.cvtColor顏色空間轉(zhuǎn)換函數(shù)?cv2.imread()和cv2.cvtColor() 的使用-CSDN博客

ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#顏色空間轉(zhuǎn)換函數(shù)

2.cv2.threshold  二值化函數(shù) [OpenCV] cv2.threshold二值化函數(shù)使用方法總結(jié)_cv2.threshold函數(shù)-CSDN博客
ref = cv2.threshold(ref, 100, 255, cv2.THRESH_BINARY_INV)[1]#二值化函數(shù)

3.計(jì)算輪廓?

refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)#查找輪廓函數(shù) 只檢測外輪廓 只保留四個點(diǎn)輪廓信息

4.畫出輪廓

cv2.drawContours(img,refCnts,-1,(0,0,255),3) #畫出輪廓函數(shù)

5.輪廓排序

refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] #排序，從左到右，從上到下

6.遍歷輪廓

digits = {}

# 遍歷每一個輪廓
for (i, c) in enumerate(refCnts):
    # 計(jì)算外接矩形并且resize成合適大小
    (x, y, w, h) = cv2.boundingRect(c)
    roi = ref[y:y + h, x:x + w]
    roi = cv2.resize(roi, (57, 88))
    # 每一個數(shù)字對應(yīng)每一個模板
    digits[i] = roi

2.0初始化卷積核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

2.1 對要識別的圖像進(jìn)行大小灰度處理

#讀取輸入圖像，預(yù)處理
image = cv2.imread(args["image"])
cv_show('image',image)
image = myutils.resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)

2.2?#禮帽操作，突出更明亮的區(qū)域

#禮帽操作，突出更明亮的區(qū)域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('tophat',tophat)
#
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, #ksize=-1相當(dāng)于用3*3的
    ksize=-1)


gradX = np.absolute(gradX)
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
gradX = gradX.astype("uint8")

print (np.array(gradX).shape)
cv_show('gradX',gradX)

2.3#通過閉操作（先膨脹，再腐蝕）將數(shù)字連在一起
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel) 
cv_show('gradX',gradX)
#THRESH_OTSU會自動尋找合適的閾值，適合雙峰，需把閾值參數(shù)設(shè)置為0
thresh = cv2.threshold(gradX, 0, 255,
    cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] 
cv_show('thresh',thresh)

#再來一個閉操作

thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) #再來一個閉操作
cv_show('thresh',thresh)

2.4# 計(jì)算輪廓

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

cnts = threshCnts
cur_img = image.copy()
cv2.drawContours(cur_img,cnts,-1,(0,0,255),3) 
cv_show('img',cur_img)
locs = []

# 遍歷輪廓
for (i, c) in enumerate(cnts):
    # 計(jì)算矩形
    (x, y, w, h) = cv2.boundingRect(c)
    ar = w / float(h)

    # 選擇合適的區(qū)域，根據(jù)實(shí)際任務(wù)來，這里的基本都是四個數(shù)字一組
    if ar > 2.5 and ar < 4.0:

       if (w > 40 and w < 55) and (h > 10 and h < 20):
          #符合的留下來
          locs.append((x, y, w, h))

# 將符合的輪廓從左到右排序
locs = sorted(locs, key=lambda x:x[0])
output = []

# 遍歷每一個輪廓中的數(shù)字
for (i, (gX, gY, gW, gH)) in enumerate(locs):
    # initialize the list of group digits
    groupOutput = []

    # 根據(jù)坐標(biāo)提取每一個組
    group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
    cv_show('group',group)
    # 預(yù)處理
    group = cv2.threshold(group, 0, 255,
       cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    cv_show('group',group)
    # 計(jì)算每一組的輪廓
    digitCnts,hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
       cv2.CHAIN_APPROX_SIMPLE)
    digitCnts = contours.sort_contours(digitCnts,
       method="left-to-right")[0]

    # 計(jì)算每一組中的每一個數(shù)值
    for c in digitCnts:
       # 找到當(dāng)前數(shù)值的輪廓，resize成合適的的大小
       (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)

       # 計(jì)算匹配得分
       scores = []

       # 在模板中計(jì)算每一個得分
       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)

       # 得到最合適的數(shù)字
       groupOutput.append(str(np.argmax(scores)))

    # 畫出來
    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)

    # 得到結(jié)果
    output.extend(groupOutput)

# 打印結(jié)果
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)

總的代碼文章來源地址http://www.zghlxwxcb.cn/news/detail-851923.html

# 導(dǎo)入工具包
from imutils import contours
import numpy as np
import argparse
import cv2
import myutils

# 設(shè)置參數(shù)
ap = argparse.ArgumentParser()#編寫命令行接口
ap.add_argument("-i", "--image", required=True,
	help="path to input image")#添加命令行參數(shù)
ap.add_argument("-t", "--template", required=True,
	help="path to template OCR-A image")
args = vars(ap.parse_args())#解析參數(shù) 將參數(shù)轉(zhuǎn)化為字典的形式

# 指定信用卡類型
FIRST_NUMBER = {
	"3": "American Express",
	"4": "Visa",
	"5": "MasterCard",
	"6": "Discover Card"
}
# 繪圖展示
def cv_show(name,img):
	cv2.imshow(name, img)
	cv2.waitKey(0)# waitKey()–是在一個給定的時間內(nèi)(單位ms)等待用戶按鍵觸發(fā) 0 無限等待 按任意鍵繼續(xù)
	cv2.destroyAllWindows()
# 讀取一個模板圖像
img = cv2.imread(args["template"])
cv_show('img',img)
# 灰度圖
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#顏色空間轉(zhuǎn)換函數(shù)
cv_show('ref',ref)
# 二值圖像
ref = cv2.threshold(ref, 100, 255, cv2.THRESH_BINARY_INV)[1]#二值化函數(shù)
cv_show('ref',ref)

# 計(jì)算輪廓
#cv2.findContours()函數(shù)接受的參數(shù)為二值圖，即黑白的（不是灰度圖）,cv2.RETR_EXTERNAL只檢測外輪廓，cv2.CHAIN_APPROX_SIMPLE只保留終點(diǎn)坐標(biāo)
#返回的list中每個元素都是圖像中的一個輪廓

refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)#查找輪廓函數(shù) 只檢測外輪廓 只保留四個點(diǎn)輪廓信息

cv2.drawContours(img,refCnts,-1,(0,0,255),3) #畫出輪廓函數(shù)
cv_show('img',img)
print (np.array(refCnts).shape)
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] #排序，從左到右，從上到下
digits = {}
# 遍歷每一個輪廓
for (i, c) in enumerate(refCnts):
	# 計(jì)算外接矩形并且resize成合適大小
	(x, y, w, h) = cv2.boundingRect(c)
	roi = ref[y:y + h, x:x + w]
	roi = cv2.resize(roi, (57, 88))
	# 每一個數(shù)字對應(yīng)每一個模板
	digits[i] = roi

# 初始化卷積核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

#讀取輸入圖像，預(yù)處理
image = cv2.imread(args["image"])
cv_show('image',image)
image = myutils.resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)

#禮帽操作，突出更明亮的區(qū)域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('tophat',tophat)
#
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, #ksize=-1相當(dāng)于用3*3的
	ksize=-1)


gradX = np.absolute(gradX)
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
gradX = gradX.astype("uint8")

print (np.array(gradX).shape)
cv_show('gradX',gradX)

#通過閉操作（先膨脹，再腐蝕）將數(shù)字連在一起
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
cv_show('gradX',gradX)
#THRESH_OTSU會自動尋找合適的閾值，適合雙峰，需把閾值參數(shù)設(shè)置為0
thresh = cv2.threshold(gradX, 0, 255,
	cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('thresh',thresh)

#再來一個閉操作

thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) #再來一個閉操作
cv_show('thresh',thresh)

# 計(jì)算輪廓

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


cnts = threshCnts
cur_img = image.copy()
cv2.drawContours(cur_img,cnts,-1,(0,0,255),3) 
cv_show('img',cur_img)
locs = []

# 遍歷輪廓
for (i, c) in enumerate(cnts):
	# 計(jì)算矩形
	(x, y, w, h) = cv2.boundingRect(c)
	ar = w / float(h)

	# 選擇合適的區(qū)域，根據(jù)實(shí)際任務(wù)來，這里的基本都是四個數(shù)字一組
	if ar > 2.5 and ar < 4.0:

		if (w > 40 and w < 55) and (h > 10 and h < 20):
			#符合的留下來
			locs.append((x, y, w, h))

# 將符合的輪廓從左到右排序
locs = sorted(locs, key=lambda x:x[0])
output = []

# 遍歷每一個輪廓中的數(shù)字
for (i, (gX, gY, gW, gH)) in enumerate(locs):
	# initialize the list of group digits
	groupOutput = []

	# 根據(jù)坐標(biāo)提取每一個組
	group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
	cv_show('group',group)
	# 預(yù)處理
	group = cv2.threshold(group, 0, 255,
		cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
	cv_show('group',group)
	# 計(jì)算每一組的輪廓
	digitCnts,hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
		cv2.CHAIN_APPROX_SIMPLE)
	digitCnts = contours.sort_contours(digitCnts,
		method="left-to-right")[0]

	# 計(jì)算每一組中的每一個數(shù)值
	for c in digitCnts:
		# 找到當(dāng)前數(shù)值的輪廓，resize成合適的的大小
		(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)

		# 計(jì)算匹配得分
		scores = []

		# 在模板中計(jì)算每一個得分
		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)

		# 得到最合適的數(shù)字
		groupOutput.append(str(np.argmax(scores)))

	# 畫出來
	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)

	# 得到結(jié)果
	output.extend(groupOutput)

# 打印結(jié)果
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)

到了這里，關(guān)于深度學(xué)習(xí)圖像處理基礎(chǔ)工具——opencv 實(shí)戰(zhàn)信用卡數(shù)字識別的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！