当前位置： 首页 > news >正文

OpenCV实战1.信用卡数字识别

news 2025/8/30 16:51:25

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.dtcms.com/a/352874.html

相关文章：

  • 第1.7节：机器学习 vs 深度学习 vs 强化学习
  • 20.19 LoRA微调Whisper终极指南：3步实现中文语音识别错误率直降37.8%
  • Apifox 8 月更新｜新增测试用例、支持自定义请求示例代码、提升导入/导出 OpenAPI/Swagger 数据的兼容性
  • TDengine与StarRocks在技术架构和适用场景上有哪些主要区别？
  • 【C++】set 容器的使用
  • 面试记录6 c++开发工程师
  • 【PostgreSQL内核学习：通过 ExprState 提升哈希聚合与子计划执行效率】
  • 前端漏洞（下）- URL跳转漏洞
  • buuctf——web刷题第四页
  • Ansible模块实战，操作技巧
  • 局部厚铜：PCB技术革新，构筑电气新时代的动力基石
  • AGDO-BP+NSGAII梯度下降优化算法优化BP神经网络+NSGAII多目标优化算法，三目标和四目标案例
  • Spring Start Here 读书笔记：附录A. Architectural approaches
  • Linux系统深度优化指南：CPU、I/O与内核参数调优实战
  • C++：对拍（教程超详细）
  • 【微服务】SpringBoot 整合 Easy-Es 实战操作详解
  • XC6SLX75-2FGG484C Xilinx Spartan-6 LX FPGA
  • 一文详解 LangChain4j AiServices：自动代理实现大模型交互
  • 从文本到二进制：HTTP/2不止于性能，更是对HTTP/1核心语义的传承与革新
  • C++：知识点小结
  • 在Windows系统上升级Node.js和npm
  • camel agent
  • 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
  • 【设计模式】简单工厂模式
  • 利用MCP实现爬虫智能体，获取数据竟如此简单恐顾
  • 【Python学习笔记】whl包打包
  • 【Redis#7】Redis 数据结构 -- Set 类型
  • AV1到达开始和约束时间
  • 如何避免绕过WAF 直接访问云主机
  • 从 WPF 到 Avalonia 的迁移系列实战篇1：依赖属性的异同点与迁移技巧