目录
前言
????????随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就主要介绍基于Python+Opencv中的形态学操作和模板匹配的银行卡号识别系统
一、银行卡号识别系统是什么？
????????银行卡号识别系统是根据用户传入银行卡的图片，通过Opencv中比较简单的基础操作，识别出银行卡号并把结果展示出来的一个系统
二、理论部分
1.总体思路
????????首先把模板中的数字单个分离开，再提取银行卡上的ROI，再将两者的二值图像进行模板匹配，确定出每一个数字，即实现了银行卡号识别
2.模板
要求：输入模板必须带有所有的数字，且字体与识别的银行卡号一样
输入：模板图像
输出：0-9各个数字模板
流程：
(1)输入模板图像
(2)模板图像转换为灰度图
(3)灰度图转换为二值图
(4)找到所有数字的外轮廓
(5)将轮廓画出
(6)对找到的轮廓排序，得到轮廓集合
(7)将每个数字制成一个模板
3.识别图片
要求：银行卡号的字体与模板的一样
输入：识别图像
输出：识别完成并画上识别结果的图像
流程:
(1)读取识别图像
(2)图像转换为灰度图
(3)灰度图进行礼帽操作
(4)利用Sobel算子进行边缘检测
(5)Sobel算子运算后的图像进行闭操作
(6)闭操作后的图像进行二值化（threshold）
(7)二值化后的图像再次进行闭操作
(8)找出轮廓
(9)画出轮廓
(10)对轮廓进行筛选得出ROI（根据数字区域的W/H;以及图像大小范围）
(11)对ROI进行排序
(12)提取ROI中的每一位数字进行模板匹配
(13)筛选出最符合的数字
(14)展示结果
4.参数
1.输入的模板
2.识别图片
3.卷积核的大小（关键是闭操作时，要使得能够将ROI凸显出来）
4.筛选ROI的时候，比例的大小以及区域大小的范围（可以适当调大参数，得出想要的ROI，再把ROI打印出来，再根据ROI调整）
三、完整代码
"""
参数调整：
1.输入的模板
2.检测的图片
3.卷积核的大小（关键是闭操作时，要使得能够将ROI凸显出来）
4.筛选ROI的时候，比例的大小以及区域大小的范围（可以适当调大参数，得出想要的ROI，再把ROI打印出来，再根据ROI调整）
"""
import cv2
import numpy as np
import imutils
from imutils import contours
# 初始化卷积核
myKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (33, 21))
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
# sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
def cv_show(name, imgs, time):
cv2.imshow(name, imgs)
cv2.waitKey(time)
cv2.destroyAllWindows()
"""
模板图像的处理算法
输入:模板图像
输出:0-9各个数字模板
流程:
(1)读取模板图像
(2)模板图像转换为灰度图
(3)灰度图转换为二值图
(4)找到所有数字的外轮廓
(5)将轮廓画出
(6)对找到的轮廓排序,得到轮廓集合
(7)将每个数字制成一个模板
"""
temp = cv2.imread("D:/OpenCV_code/bank_card/temp.jpg")
cv_show("temp", temp, 100)
ref = cv2.cvtColor(temp, cv2.COLOR_BGR2GRAY)
cv_show("ref_gray", ref, 100)
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
cv_show("ref_t", ref, 100)
'''
计算轮廓
cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图）
ref_, refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.RETR_EXTERNAL只检测外轮廓
cv2.CHAIN_APPROX_SIMPLE只保留终点坐标
ref_:显示返回值ref_其实是输入的原图
refCnts:返回的list中每个元素都是图像中的一个轮廓
'''
refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 画出找到的轮廓
cv2.drawContours(temp, refCnts, -1, (0, 0, 255), 2)
cv_show('temp', temp, 100)
print(np.array(refCnts, dtype=object).shape)
refCnts = imutils.contours.sort_contours(refCnts, method="left-to-right")[0] # 排序，从左到右，从上到下
digits = {}
# 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)
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
"""
输入图像的处理算法
输入:识别图像
输出:识别完成并画上识别结果的图像
流程:
(1)读取识别图像
(2)图像转换为灰度图
(3)灰度图进行礼帽操作
(4)利用Sobel算子进行边缘检测
(5)Sobel算子运算后的图像进行闭操作
(6)闭操作后的图像进行二值化（threshold）
(7)二值化后的图像再次进行闭操作
(8)找出轮廓
(9)画出轮廓
(10)对轮廓进行筛选得出ROI（根据数字区域的W/H;以及图像大小范围）
(11)对ROI进行排序
(12)提取ROI中的每一位数字进行模板匹配
(13)筛选出最符合的数字
(14)展示结果
"""
img = cv2.imread("D:/OpenCV_code/bank_card/img.png")
cv_show("img", img, 800)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show("img_gray", gray, 100)
# 礼帽操作，突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('tophat', tophat, 100)
# 利用Sobel算子进行边缘检测
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)
# 获得gradX的绝对值
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('Sobel', gradX, 100)
# 通过闭操作（先膨胀，再腐蚀）将数字连在一起
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, myKernel)
cv_show('close_1', gradX, 100)
# 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
thresh = cv2.threshold(gradX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('thresh', thresh, 100)
# 再来一个闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, myKernel)
cv_show('close_2', thresh, 100)
# 计算轮廓
threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = threshCnts
cur_img = img.copy()
cv2.drawContours(cur_img, cnts, -1, (0, 0, 255), 3)
cv_show('img', cur_img, 100)
locs = []
# 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)
# 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
# [(454, 213, 110, 29), (308, 211, 109, 31), (171, 211, 98, 31), (18, 211, 107, 31)]
if 2.5 < ar < 4.0:
if (90 < w < 120) and (20 < h < 40):
# 符合的留下来
locs.append((x, y, w, h))
print(locs)
# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda o: o[0])
output = []
result = img.copy()
# 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, 100)
# 预处理
group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('group', group, 100)
# 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, 100)
# 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
res = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)
(_, score, _, _) = cv2.minMaxLoc(res)
scores.append(score)
# 得到最合适的数字
groupOutput.append(str(np.argmax(scores)))
# 画出来
cv2.rectangle(result, (gX - 5, gY - 5), (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
cv2.putText(result, "".join(groupOutput), (gX, gY - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)
# 得到结果
output.extend(groupOutput)
# 打印结果
print("Card number: {}".format("".join(output)))
cv_show("result", result, 800)
contrast = np.hstack((img, result))
cv_show("contrast", contrast, 0)
# 保存结果
cv2.imwrite("result.jpg", result)
cv2.imwrite("contrast.jpg", contrast)
四、演示结果
?
总结
????????本文阐述了基于Python+Opencv的银行卡号识别系统，全文比较详细，适合新手阅读，希望能给读者带来一些帮助，若有不正确的地方，还请及时指出。