当前位置： 首页 > ai >正文

OpenCV实战1.信用卡数字识别

ai 2025/8/28 6:01:16

1. 任务说明

有如下几张信用卡，我们需要根据模板匹配出其中的数字，进行卡号的识别
在这里插入图片描述
在这里插入图片描述

2. Debug源码

cursor的debug：
在这里插入图片描述
launch.json：

{// 使用 IntelliSense 了解相关属性。 // 悬停以查看现有属性的描述。// 欲了解更多信息，请访问: https://go.microsoft.com/fwlink/?linkid=830387"version": "0.2.0","configurations": [{"name": "Python 调试程序: 包含参数的当前文件","type": "debugpy","request": "launch","program": "${file}","console": "integratedTerminal","args": "${command:pickArgs}"},{"name": "Run OCR Template Matching","type": "debugpy","request": "launch","program": "${workspaceFolder}/template-matching-ocr/ocr_template_match.py","cwd": "${workspaceFolder}","console": "integratedTerminal","args": ["-i", "${workspaceFolder}/template-matching-ocr/images/credit_card_01.png","-t", "${workspaceFolder}/template-matching-ocr/ocr_a_reference.png"]}]
}

2.1 制作数字模板

这里 -i 选择了第一张信用卡，-t 选择了模板。

# 导入工具包
import numpy as np
import argparse
import cv2
import myutils# 设置参数
ap = argparse.ArgumentParser()
# 要匹配的图片
ap.add_argument("-i", "--image", required=True,help="path to input image")
# 使用的模板
ap.add_argument("-t", "--template", required=True,help="path to template OCR-A image")
args = vars(ap.parse_args())# 指定信用卡类型
FIRST_NUMBER = {"3": "American Express","4": "Visa","5": "MasterCard","6": "Discover Card"
}
# 绘图展示
def cv_show(name,img):cv2.imshow(name, img)cv2.waitKey(0)cv2.destroyAllWindows()

# 读取一个模板图像
img = cv2.imread(args["template"])
cv_show('img',img)

这里插入图片描述

# 转换成灰度图
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('ref',ref)

在这里插入图片描述
这张图也没啥好转的其实，本身就是这么个图

# 二值图像
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
cv_show('ref',ref)

在这里插入图片描述
轮廓检测 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

# 计算轮廓
# 返回的list中每个元素都是图像中的一个轮廓
contours_info = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
refCnts = contours_info[0] if len(contours_info) == 2 else contours_info[1]
hierarchy = contours_info[1] if len(contours_info) == 2 else contours_info[2]

cv2.drawContours(img,refCnts,-1,(0,0,255),3) #画一下轮廓refCnts
cv_show('img',img)

-1 表示要画所有的轮廓
在这里插入图片描述
打印一下当前shape值：

print (np.array(refCnts).shape)

(10, ) 10个轮廓

接下来我们需要对轮廓进行一个排序，什么轮廓对应什么数值：

外接矩形的目的是把复杂轮廓压成简单的 (x,y,w,h) 标量信息，以便排序、裁剪、筛选和绘图。

refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] #排序，从左到右，从上到下
# 跳转到 myutils.sort_contours
def sort_contours(cnts, method="left-to-right"):reverse = Falsei = 0if method == "right-to-left" or method == "bottom-to-top":reverse = Trueif method == "top-to-bottom" or method == "bottom-to-top":i = 1# 对每个轮廓 c 计算一个外接矩形boundingBoxes = [cv2.boundingRect(c) for c in cnts] #用一个最小的矩形，把找到的形状包起来x,y,w,h，矩形左上角坐标和宽、高。# 进行排序(cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),key=lambda b: b[1][i], reverse=reverse))# 返回排序完成的轮廓return cnts, boundingBoxes

需要把每个轮廓对应的数字匹配起来。

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)# 感兴趣区域roiroi = ref[y:y + h, x:x + w]# 把这个框resize成合适大小roi = cv2.resize(roi, (57, 88))# 每一个数字对应每一个抠出来的模板digits[i] = roi# 最后得出每个数字的模板

在这里插入图片描述

2.2 对输入图像做处理

原始图像：
想要找到其中的带字的区域。
在这里插入图片描述

# 初始化卷积核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 读取输入图像，预处理
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)# 礼帽操作，突出更明亮（字体）的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) 
cv_show('tophat',tophat)

在这里插入图片描述
再找出这些亮区的边缘/梯度（Sobel）：

# 突出这些亮区在 x 方向的强烈强度变化（通常对应垂直边缘）。
# ksize=-1 在 OpenCV 中表示用 Scharr 算子（不是简单的 3×3 Sobel），对细节/小结构的微小变化更敏感。
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)
gradX = np.absolute(gradX) # 取绝对值，保留梯度强度
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal))) # 将梯度线性归一化到 [0,255] 并转回 uint8。
gradX = gradX.astype("uint8")print (np.array(gradX).shape)
cv_show('gradX',gradX)

在这里插入图片描述
为了便于后续找轮廓和识别，我们希望把号码分成4块，怎么能让每一块中的数字连在一起，先膨胀，在腐蚀：

#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, rectKernel) 
cv_show('gradX',gradX)

在这里插入图片描述

#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)

在这里插入图片描述
目前还不够完美，白色区域内还有黑块，需要填起来

#再来一个闭操作，作用是填补小孔、连通相近的白色区域。
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
cv_show('thresh',thresh)

# 计算轮廓
# cv2.RETR_EXTERNAL：只返回外部轮廓；cv2.CHAIN_APPROX_SIMPLE：对轮廓点做压缩
contours_info = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
threshCnts = contours_info[0] if len(contours_info) == 2 else contours_info[1]
hierarchy = contours_info[1] if len(contours_info) == 2 else contours_info[2]# 绘制轮廓
cnts = threshCnts
cur_img = image.copy()
cv2.drawContours(cur_img,cnts,-1,(0,0,255),3) 
cv_show('img',cur_img)

在这里插入图片描述

# 想要的区域
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])

一共四组需要的轮廓：
在这里插入图片描述
我们做匹配肯定不能拿大轮廓去做匹配，应该是大轮廓分成4个小轮廓，然后和模板去匹配。

output = []
# 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 digitsgroupOutput = []# 根据坐标提取每一个组group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5] # 稍微拿大一点cv_show('group',group)

在这里插入图片描述

	# 对轮廓进行预处理，二值化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，还是计算+排序contours_info = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)digitCnts = contours_info[0] if len(contours_info) == 2 else contours_info[1]hierarchy = contours_info[1] if len(contours_info) == 2 else contours_info[2]digitCnts = myutils.sort_contours(digitCnts, method="left-to-right")[0]# 计算每一组中的4个小轮廓的每一个数值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) # 外接矩形roi = group[y:y + h, x:x + w]roi = cv2.resize(roi, (57, 88)) # 和之前做的模板是一样的cv_show('roi',roi)

在这里插入图片描述

		# 计算匹配得分，跟模板中的数进行匹配scores = []# 在模板中计算与每一个模板（0123456789）的得分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)# 最终score中有10个值# 得到最合适的数字groupOutput.append(str(np.argmax(scores)))# 把所有小轮廓都匹配好# 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)# 一个大轮廓就结束了
# 所有大轮廓都结束了，都放到output中了

# 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)

在这里插入图片描述
在这里插入图片描述

http://www.xdnf.cn/news/18796.html

相关文章：

  • 极简风格PDF格式转换解决方案
  • 人工智能安全地图：将人工智能漏洞与现实世界的影响联系起来
  • Linux 系统核心调优：CPU、磁盘 I/O、网络与内核参数实战
  • Java全栈开发面试实录：从基础到实战的深度探索
  • 【AI算力平台】算力高效调度策略——GPU调度
  • Rust 登堂 之 函数式编程（三）
  • vagrant怎么在宿主机管理虚拟机镜像box(先搁置)
  • PyTorch生成式人工智能——PatchGAN详解与实现
  • LeetCode 438. 找到字符串中所有的字母异位词
  • 功能强大的PDF工具箱-- PDF补丁丁，v1.1.0.4657新版本，免费无广告，开箱即用版～
  • flutter专栏--dart基础知识
  • Android系统学习2——Android.Utils.Log模块讨论
  • [Maven 基础课程]Maven 是什么
  • Java微服务AI集成指南：LangChain4j vs SpringAI
  • imx6ull-驱动开发篇43——I.MX6U 的 I2C 驱动分析
  • 软件开发技术栈
  • 集成电路学习：什么是ResNet深度残差网络
  • LeetCode 2140. 解决智力问题
  • JavaScript常用的算法详解
  • 8.26网络编程——Modbus TCP
  • 【跨国数仓迁移最佳实践7】基于MaxCompute多租的大数据平台架构
  • 发力低空经济领域，移动云为前沿产业加速崛起注入云端动能
  • Tomcat下载历史版本
  • 前沿技术趋势与应用：探索数字世界的下一个十年
  • 【第三章】软件测试缺陷管理：从判断到回归的全流程实践指南​
  • 支持向量机学习
  • 33.ansible 比较重要的配置文件
  • 可口可乐考虑出售Costa咖世家！加上星巴克中国、Peet’s皮爷咖啡，三大国际咖啡品牌“纷纷卖身”！咖啡行业格局彻底改写！
  • MyBatis-Flex是如何避免不同数据库语法差异的？
  • 微服务-23.网关登录校验-自定义GlobalFilter