詳解Python OpenCV數(shù)字識別案例
更新時間：2021年05月21日 11:01:27 作者：華為云開發(fā)者社區(qū)
信用卡識別的案例用到了圖像處理的一些基本操作，對剛上手CV的人來說還是比較友好的。
前言
實踐是檢驗真理的唯一標準。
因為覺得一板一眼地學習OpenCV太過枯燥，于是在網(wǎng)上找了一個以項目為導向的教程學習。話不多說，動手做起來。
一、案例介紹
提供信用卡上的數(shù)字模板：
要求：識別出信用卡上的數(shù)字，并將其直接打印在原圖片上。雖然看起來很蠢，但既然可以將數(shù)字打印在圖片上，說明已經(jīng)成功識別數(shù)字，因此也可以將其轉(zhuǎn)換為數(shù)字文本保存。車牌號識別等項目的思路與此案例類似。
示例：
原圖
處理后的圖
二、步驟
大致分為如下幾個步驟：
1.模板讀入
2.模板預處理，將模板數(shù)字分開，并排序
3.輸入圖像預處理，將圖像中的數(shù)字部分提取出來
4.將數(shù)字與模板數(shù)字進行匹配，匹配率最高的即為對應數(shù)字。
1、模板讀入，以及一些包的導入，函數(shù)定義等
import cv2 as cv
import numpy as np
import myutils
def cv_show(name, img): # 自定義的展示函數(shù)
cv.imshow(name, img)
cv.waitKey(0)
# 讀入模板圖
n = 'text'
img = cv.imread("images/ocr_a_reference.png")
# cv_show(n, template) # 自定義的展示函數(shù)，方便顯示圖片
2、模板預處理，將模板數(shù)字分開，并排序
模板的預處理順序：灰度圖，二值化，再進行輪廓檢測。需要注意的是openCV檢測輪廓時是檢測白色邊框，因此要將模板圖的數(shù)字二值化變?yōu)榘咨?/p>
# 模板轉(zhuǎn)換為灰度圖 ref = cv.cvtColor(img, cv.COLOR_BGR2GRAY) # cv_show(n, ref) # 轉(zhuǎn)換為二值圖,把數(shù)字部分變?yōu)榘咨? ref = cv.threshold(ref, 10, 255, cv.THRESH_BINARY_INV)[1] # 騷寫法，函數(shù)多個返回值為元組，這里取第二個返回值 cv_show(n, ref) # 對模板進行輪廓檢測，得到輪廓信息 refCnts, hierarchy = cv.findContours(ref.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_NONE) cv.drawContours(img, refCnts, -1, (0, 0, 255), 2) # 第一個參數(shù)為目標圖像 # cv_show(n, img)
紅色部分即為檢測出的輪廓。
接下來進行輪廓排序，因為檢測出的輪廓是無序的，因此要按照輪廓的左上角點的x坐標來排序。輪廓排序后按順序放入字典，則字典中的鍵值對是正確匹配的，如‘0'對應輪廓0 ,‘1'對應輪廓1。
# 輪廓排序
refCnts = myutils.sort_contours(refCnts)[0]
digits = {}
# 單個輪廓提取到字典中
for (i, c) in enumerate(refCnts):
(x, y, w, h) = cv.boundingRect(c)
roi = ref[y:y + h, x:x + w] # 在模板中復制出輪廓
roi = cv.resize(roi, (57, 88)) # 改成相同大小的輪廓
digits[i] = roi # 此時字典鍵對應的輪廓即為對應數(shù)字。如鍵‘1'對應輪廓‘1'
至此，模板圖處理完畢。
3、輸入圖像預處理，將圖像中的數(shù)字部分提取出來
在此步驟中需要將信用卡上的每個數(shù)字提取出來，并與上一步得到的模板一一匹配。首先初始化卷積核，方便之后tophat操作以及閉運算操作使用。
# 初始化卷積核 rectKernel = cv.getStructuringElement(cv.MORPH_RECT, (9, 3)) sqKernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
接下來讀入圖片，調(diào)整圖片大小，轉(zhuǎn)換為灰度圖。
# 待分析圖片讀入,預處理
card_image = cv.imread("images/credit_card_01.png")
# cv_show('a', card_image)
card_image = myutils.resize(card_image, width=300) # 更改圖片大小
gray = cv.cvtColor(card_image, cv.COLOR_BGR2GRAY)
# cv_show('gray', gray)
然后進行tophat操作，tophat可以突出圖片中明亮的區(qū)域，過濾掉較暗的部分：
tophat = cv.morphologyEx(gray, cv.MORPH_TOPHAT, rectKernel)
# cv_show('tophat', tophat)
再通過sobel算子檢測邊緣，進行一次閉操作，二值化，再進行一次閉操作，填補空洞。
# x方向的Sobel算子
gradX = cv.Sobel(tophat, cv.CV_32F, 1, 0, ksize=3)
gradX = np.absolute(gradX) # absolute: 計算絕對值
min_Val, max_val = np.min(gradX), np.max(gradX)
gradX = (255 * (gradX - min_Val) / (max_val - min_Val))
gradX = gradX.astype("uint8")
# 通過閉操作（先膨脹，再腐蝕）將數(shù)字連在一起. 將本是4個數(shù)字的4個框膨脹成1個框,就腐蝕不掉了
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]
# 閉操作,填補空洞
thresh = cv.morphologyEx(thresh, cv.MORPH_CLOSE, sqKernel)
# cv_show('close2', thresh)
之后就可以查找輪廓了。
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
將模板數(shù)字和待識別的圖片都處理好后，就可以進行匹配了。
locs = [] # 存符合條件的輪廓
for i, c in enumerate(threshCnts):
# 計算矩形
x, y, w, h = cv.boundingRect(c)
ar = w / float(h)
# 選擇合適的區(qū)域，根據(jù)實際任務來，這里的基本都是四個數(shù)字一組
if 2.5 < ar < 4.0:
if (40 < w < 55) and (10 < 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])
接下來，遍歷每一個大輪廓，每個大輪廓中有四個數(shù)字，對應四個小輪廓。將小輪廓與模板匹配。
output = [] # 存正確的數(shù)字
for (i, (gx, gy, gw, gh)) in enumerate(locs): # 遍歷每一組大輪廓(包含4個數(shù)字)
groupOutput = []
# 根據(jù)坐標提取每一個組(4個值)
group = gray[gy - 5:gy + gh + 5, gx - 5:gx + gw + 5] # 往外擴一點
# cv_show('group_' + str(i), group)
# 預處理
group = cv.threshold(group, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)[1] # 二值化的group
# cv_show('group_'+str(i),group)
# 計算每一組的輪廓 這樣就分成4個小輪廓了
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]
# 計算并匹配每一組中的每一個數(shù)值
for c in digitCnts: # c表示每個小輪廓的終點坐標
z = 0
# 找到當前數(shù)值的輪廓,resize成合適的的大小
(x, y, w, h) = cv.boundingRect(c) # 外接矩形
roi = group[y:y + h, x:x + w] # 在原圖中取出小輪廓覆蓋區(qū)域,即數(shù)字
roi = cv.resize(roi, (57, 88))
# cv_show("roi_"+str(z),roi)
# 計算匹配得分: 0得分多少,1得分多少...
scores = [] # 單次循環(huán)中,scores存的是一個數(shù)值 匹配 10個模板數(shù)值的最大得分
# 在模板中計算每一個得分
# digits的digit正好是數(shù)值0,1,...,9;digitROI是每個數(shù)值的特征表示
for (digit, digitROI) in digits.items():
# 進行模板匹配, res是結(jié)果矩陣
res = cv.matchTemplate(roi, digitROI, cv.TM_CCOEFF) # 此時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個,取第二個最大值Maxscore
scores.append(Max_score) # 10個最大值
# print("scores：",scores)
# 得到最合適的數(shù)字
groupOutput.append(str(np.argmax(scores))) # 返回的是輸入列表中最大值的位置
z = z + 1
# 畫出來
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參數(shù)：圖片,添加的文字,左上角坐標,字體,字體大小,顏色,字體粗細
cv.putText(card_image, "".join(groupOutput), (gx, gy - 15), cv.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)
最后將其打印出來，任務就完成了。
cv.imshow("Output_image_"+str(i), card_image)
cv.waitKey(0)
總結(jié)
信用卡識別的案例用到了圖像處理的一些基本操作，對剛上手CV的人來說還是比較友好的。
以上就是詳解Python OpenCV數(shù)字識別案例的詳細內(nèi)容，更多關于Python OpenCV數(shù)字識別案例的資料請關注腳本之家其它相關文章！
相關文章
對于這個算法，很多書上只是說一下思路，沒有具體的實現(xiàn)。我在這里舉個例子吧2012-04-04
在本文中，我們將探討軟件開發(fā)過程中關于角色、重構和質(zhì)量的問題。軟件不僅成為了一個必需品，更成為了一個競爭優(yōu)勢。因為眾多公司圍繞軟件而競爭，軟件開發(fā)相關的事宜顯得越發(fā)重要。開發(fā)軟件的人—軟件工程師正顯得越發(fā)重要。2021-05-05
一個能生成精美代碼圖片的工具Carbon!讓看代碼成為一種享受
當我們想展示自己寫的代碼給別人看的時候,希望讓代碼保持原有的格式,并且要美觀一點,有一個強大的在線工具可以幫助我們實現(xiàn),而且支持多種主題,他就是Carbon,需要的朋友可以參考下2021-05-05
信用卡識別的案例用到了圖像處理的一些基本操作，對剛上手CV的人來說還是比較友好的。2021-05-05
云計算的不斷發(fā)展，涌現(xiàn)出很多改變傳統(tǒng)IT架構和運維方式的新技術，而以虛擬機、容器、微服務為代表的技術更是在各個層面不斷提升云服務的技術能力，它們將應用和環(huán)境中很多通用能力變成了一種服務。但無論這些技術應用在哪里，幫助企業(yè)降本增效是技術變革永恒的主題。2021-05-05
B站是一個學習網(wǎng)站。一入B站深似海，從此游戲是路人。B站雖然視頻資源多，但是內(nèi)容也是五花八門、參差不齊，本文給大家收集了關于學習計算機編程的視頻，這里有我曾經(jīng)的入門視頻，也有跟朋友交流獲得的，特此篩選了下面這些視頻，分享給大家2021-04-04
信源編碼是一個數(shù)據(jù)壓縮的過程，其目的是盡可能地將信源中的冗余度去掉；而信道編碼則是一個增加冗余的過程，通過適當加入冗余度來達到抵抗信道噪聲，保護傳輸數(shù)據(jù)的目的。2021-05-05
uniApp微信小程序使用騰訊地圖定位功能及getLocation需要在app.json中聲明permission字段問
這篇文章主要介紹了uniApp微信小程序使用騰訊地圖定位功能及getLocation需要在app.json中聲明permission字段問題解決,需要的朋友可以參考下2022-12-12
這篇文章主要介紹了使用Jenkins Dashboard插件可視化部署的方法,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2021-04-04
這篇文章主要介紹了在VScode上使用latex編輯pdf的相關知識，本文通過實例代碼給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2021-04-04