概述
前言
实践是检验真理的唯一标准。
因为觉得一板一眼地学习OpenCV太过枯燥，于是在网上找了一个以项目为导向的教程学习。话不多说，动手做起来。
一、案例介绍
提供信用卡上的数字模板：
要求：识别出信用卡上的数字，并将其直接打印在原图片上。虽然看起来很蠢，但既然可以将数字打印在图片上，说明已经成功识别数字，因此也可以将其转换为数字文本保存。车牌号识别等项目的思路与此案例类似。
示例：
原图
处理后的图
二、步骤
大致分为如下几个步骤：
1.模板读入
2.模板预处理，将模板数字分开，并排序
3.输入图像预处理，将图像中的数字部分提取出来
4.将数字与模板数字进行匹配，匹配率最高的即为对应数字。
1、模板读入，以及一些包的导入，函数定义等
import cv2 as cv
import numpy as np
import myutils
def cv_show(name, img): # 自定义的展示函数
cv.imshow(name, img)
cv.waitKey(0)
# 读入模板图
n = 'text'
img = cv.imread("images/ocr_a_reference.png")
# cv_show(n, template) # 自定义的展示函数，方便显示图片
2、模板预处理，将模板数字分开，并排序
模板的预处理顺序：灰度图，二值化，再进行轮廓检测。需要注意的是openCV检测轮廓时是检测白色边框，因此要将模板图的数字二值化变为白色。
# 模板转换为灰度图 ref = cv.cvtColor(img, cv.COLOR_BGR2GRAY) # cv_show(n, ref) # 转换为二值图,把数字部分变为白色 ref = cv.threshold(ref, 10, 255, cv.THRESH_BINARY_INV)[1] # 骚写法，函数多个返回值为元组，这里取第二个返回值 cv_show(n, ref) # 对模板进行轮廓检测，得到轮廓信息 refCnts, hierarchy = cv.findContours(ref.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_NONE) cv.drawContours(img, refCnts, -1, (0, 0, 255), 2) # 第一个参数为目标图像 # cv_show(n, img)
红色部分即为检测出的轮廓。
接下来进行轮廓排序，因为检测出的轮廓是无序的，因此要按照轮廓的左上角点的x坐标来排序。轮廓排序后按顺序放入字典，则字典中的键值对是正确匹配的，如‘0'对应轮廓0 ,‘1'对应轮廓1。
# 轮廓排序
refCnts = myutils.sort_contours(refCnts)[0]
digits = {}
# 单个轮廓提取到字典中
for (i, c) in enumerate(refCnts):
(x, y, w, h) = cv.boundingRect(c)
roi = ref[y:y + h, x:x + w] # 在模板中复制出轮廓
roi = cv.resize(roi, (57, 88)) # 改成相同大小的轮廓
digits[i] = roi # 此时字典键对应的轮廓即为对应数字。如键‘1'对应轮廓‘1'
至此，模板图处理完毕。
3、输入图像预处理，将图像中的数字部分提取出来
在此步骤中需要将信用卡上的每个数字提取出来，并与上一步得到的模板一一匹配。首先初始化卷积核，方便之后tophat操作以及闭运算操作使用。
# 初始化卷积核 rectKernel = cv.getStructuringElement(cv.MORPH_RECT, (9, 3)) sqKernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
接下来读入图片，调整图片大小，转换为灰度图。
# 待分析图片读入,预处理
card_image = cv.imread("images/credit_card_01.png")
# cv_show('a', card_image)
card_image = myutils.resize(card_image, width=300) # 更改图片大小
gray = cv.cvtColor(card_image, cv.COLOR_BGR2GRAY)
# cv_show('gray', gray)
然后进行tophat操作，tophat可以突出图片中明亮的区域，过滤掉较暗的部分：
tophat = cv.morphologyEx(gray, cv.MORPH_TOPHAT, rectKernel)
# cv_show('tophat', tophat)
再通过sobel算子检测边缘，进行一次闭操作，二值化，再进行一次闭操作，填补空洞。
# x方向的Sobel算子
gradX = cv.Sobel(tophat, cv.CV_32F, 1, 0, ksize=3)
gradX = np.absolute(gradX) # absolute: 计算绝对值
min_Val, max_val = np.min(gradX), np.max(gradX)
gradX = (255 * (gradX - min_Val) / (max_val - min_Val))
gradX = gradX.astype("uint8")
# 通过闭操作（先膨胀，再腐蚀）将数字连在一起. 将本是4个数字的4个框膨胀成1个框,就腐蚀不掉了
gradX = cv.morphologyEx(gradX, cv.MORPH_CLOSE, rectKernel)
# cv_show('close1', gradX)
# 二值化
thresh = cv.threshold(gradX, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)[1]
# 闭操作,填补空洞
thresh = cv.morphologyEx(thresh, cv.MORPH_CLOSE, sqKernel)
# cv_show('close2', thresh)
之后就可以查找轮廓了。
threshCnts = cv.findContours(thresh.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)[0]
card_copy = card_image.copy()
cv.drawContours(card_copy, threshCnts, -1, (0, 0, 255), 2)
cv_show('Input_Contours', card_copy)
4、模板匹配
将模板数字和待识别的图片都处理好后，就可以进行匹配了。
locs = [] # 存符合条件的轮廓
for i, c in enumerate(threshCnts):
# 计算矩形
x, y, w, h = cv.boundingRect(c)
ar = w / float(h)
# 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 2.5 < ar < 4.0:
if (40 < w < 55) and (10 < 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])
接下来，遍历每一个大轮廓，每个大轮廓中有四个数字，对应四个小轮廓。将小轮廓与模板匹配。
output = [] # 存正确的数字
for (i, (gx, gy, gw, gh)) in enumerate(locs): # 遍历每一组大轮廓(包含4个数字)
groupOutput = []
# 根据坐标提取每一个组(4个值)
group = gray[gy - 5:gy + gh + 5, gx - 5:gx + gw + 5] # 往外扩一点
# cv_show('group_' + str(i), group)
# 预处理
group = cv.threshold(group, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)[1] # 二值化的group
# cv_show('group_'+str(i),group)
# 计算每一组的轮廓 这样就分成4个小轮廓了
digitCnts = cv.findContours(group.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)[0]
# 排序
digitCnts = myutils.sort_contours(digitCnts, method="left-to-right")[0]
# 计算并匹配每一组中的每一个数值
for c in digitCnts: # c表示每个小轮廓的终点坐标
z = 0
# 找到当前数值的轮廓,resize成合适的的大小
(x, y, w, h) = cv.boundingRect(c) # 外接矩形
roi = group[y:y + h, x:x + w] # 在原图中取出小轮廓覆盖区域,即数字
roi = cv.resize(roi, (57, 88))
# cv_show("roi_"+str(z),roi)
# 计算匹配得分: 0得分多少,1得分多少...
scores = [] # 单次循环中,scores存的是一个数值 匹配 10个模板数值的最大得分
# 在模板中计算每一个得分
# digits的digit正好是数值0,1,...,9;digitROI是每个数值的特征表示
for (digit, digitROI) in digits.items():
# 进行模板匹配, res是结果矩阵
res = cv.matchTemplate(roi, digitROI, cv.TM_CCOEFF) # 此时roi是X digitROI是0 依次是1,2.. 匹配10次,看模板最高得分多少
Max_score = cv.minMaxLoc(res)[1] # 返回4个,取第二个最大值Maxscore
scores.append(Max_score) # 10个最大值
# print("scores：",scores)
# 得到最合适的数字
groupOutput.append(str(np.argmax(scores))) # 返回的是输入列表中最大值的位置
z = z + 1
# 画出来
cv.rectangle(card_image, (gx - 5, gy - 5), (gx + gw + 5, gy + gh + 5), (0, 0, 255), 1) # 左上角,右下角
# putText参数：图片,添加的文字,左上角坐标,字体,字体大小,颜色,字体粗细
cv.putText(card_image, "".join(groupOutput), (gx, gy - 15), cv.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)
最后将其打印出来，任务就完成了。
cv.imshow("Output_image_"+str(i), card_image)
cv.waitKey(0)
总结
信用卡识别的案例用到了图像处理的一些基本操作，对刚上手CV的人来说还是比较友好的。
以上就是详解Python OpenCV数字识别案例的详细内容，更多关于Python OpenCV数字识别案例的资料请关注靠谱客其它相关文章！
最后
以上就是直率胡萝卜为你收集整理的详解Python OpenCV数字识别案例的全部内容，希望文章能够帮你解决详解Python OpenCV数字识别案例所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复