我要评论opencv（open source computer vision library）是一个开源的计算机视觉库，主要用于图像和视频处理、目标检测、特征提取、3d重建以及机器学习任务。它支持多种编程语言（如c++、python），提供丰富的算法和工具，可用于人脸识别、物体检测、运动跟踪、图像增强等应用，广泛应用于工业检测、自动驾驶、安防监控、医疗影像等领域。其高效性和跨平台特性使其成为计算机视觉开发的核心工具之一。在日常生活中，我们可以通过opencv来识别银行卡卡号，实现银行卡的分类。
以下是我们用来识别检测的银行卡图片
以及用于模板处理的模板图片
以下是代码实现
import numpy as np
import argparse
import cv2
import myutils
#设置参数
ap=argparse.argumentparser()
ap.add_argument('-i','--image',required=true,help='path to iuput image')
ap.add_argument('-t','--template',required=true,help='path to template ocr-a image')
#vars(ap.parse_args())：解析命令行参数并将其转换为字典形式
args=vars(ap.parse_args())
first_number={
'3':'american',
'4':'visa',
'5':'mastercard',
'6':'discover'
}
def cv_show(name,image):
cv2.imshow(name,image)
cv2.waitkey(0)
a=args['template']
'''--------模板图像中数字的定位处理-----------'''
img=cv2.imread(args['template'])
cv_show('img',img)
ref=cv2.cvtcolor(img,cv2.color_bgr2gray)
cv_show('ref',ref)
#cv2.threshold()：对灰度图像进行阈值处理，将其转换为二值图像，cv2.thresh_binary_inv 表示反二进制阈值。
ref=cv2.threshold(ref,10,255,cv2.thresh_binary_inv)[1]
cv_show('ref',ref)
#查找并排序模板图像中的轮廓
_,refcnts,hierarchy=cv2.findcontours(ref,cv2.retr_external,cv2.chain_approx_simple)
cv2.drawcontours(img,refcnts,-1,(0,255,0),3)
cv_show('img',img)
#myutils.sort_contours()：对轮廓进行从左到右的排序。
refcnts=myutils.sort_contours(refcnts,method='left-to-right')[0]
digits={}
#遍历排序后的轮廓，提取每个数字的 roi（感兴趣区域），并将其调整为固定大小（57x88），存储在字典 digits 中，键为数字的索引。
#enumerate() 是 python 中的一个内置函数
# 它的作用是 为可迭代对象添加索引，使得在遍历时可以同时访问索引和元素。
for (i,c) in enumerate(refcnts):
(x,y,w,h)=cv2.boundingrect(c)
roi=ref[y:y+h,x:x+w]
roi=cv2.resize(roi,(57, 88))
cv_show('ro',roi)
digits[i]=roi
print(digits)
'''----------信用卡的图像处理---------------------'''
#信用卡信息处理
image=cv2.imread(args['image'])
image=myutils.resize(image,width=300)
cv_show('image',image)
gray=cv2.cvtcolor(image,cv2.color_bgr2gray)
cv_show('gray',gray)
#初始化卷积核
rectkernel=cv2.getstructuringelement(cv2.morph_rect,(9,3))
sqkernel=cv2.getstructuringelement(cv2.morph_rect,(5,5))
#顶帽操作
tophat=cv2.morphologyex(gray,cv2.morph_tophat,rectkernel)
cv_show('tophat',tophat)
#-----找到数字边框---------
# 1、通过闭操作（先膨胀，再腐蚀）将数字连在一起
closex=cv2.morphologyex(tophat,cv2.morph_close,rectkernel)
cv_show('closex',closex)
#thresh_otsu会自动寻找到合适的阈值，适合双峰，需要把阈值参数设置为0
thresh=cv2.threshold(closex,0,255,cv2.thresh_binary | cv2.thresh_otsu)[1]
cv_show('thresh',thresh)
# 再来一个闭操作
# thresh1=cv2.morphologyex(thresh,cv2.morph_close,sqkernel)
# cv_show('thresh1',thresh1)
#计算轮廓
_,threshcnts,h=cv2.findcontours(thresh.copy(),cv2.retr_external,cv2.chain_approx_simple)
cnts=threshcnts
cur_img=image.copy()
cv2.drawcontours(cur_img,cnts,-1,(0,255,0),3)
cv_show('cur_img',cur_img)
#遍历轮廓，找到数字部分像素区域
locs=[]
for (i,c) in enumerate(cnts):
(x,y,w,h)=cv2.boundingrect(c)#计算外接矩形
ar=w/float(h)
#选择合适区域
if ar>2.5 and ar<4.0:
if (w>40 and w<55) and (h>10 and h<20):
locs.append((x,y,w,h))
#将轮廓从左到右排序
locs=sorted(locs,key=lambda x:x[0])
output=[]
for (i,(gx,gy,gw,gh)) in enumerate(locs):
groupoutput=[]
group=gray[gy-5:gy+gh+5,gx-5:gx+gw+5]
cv_show('group',group)
group=cv2.threshold(group,0,255,cv2.thresh_binary | cv2.thresh_otsu)[1]
cv_show('group',group)
group_,digitcnts,hierarchy=cv2.findcontours(group.copy(),cv2.retr_external,cv2.chain_approx_simple)
digitcnts=myutils.sort_contours(digitcnts,method='left-to-right')[0]
for c in digitcnts:
(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)
#使用模块匹配，计算匹配得分
scores=[]
##在模板中计算每一个得分
#digits 是一个字典
#digits.items() 方法会返回一个包含字典中所有键值对的可迭代对象，其中每个元素是一个元组，元组的第一个元素是键，第二个元素是对应的值。
for (digit,digitroi) in digits.items():
## 模板匹配
#cv2.matchtemplate此函数用于在一幅图像里查找与给定模板最匹配的区域
# roi：代表输入图像，也就是要在其中查找模板的图像。
# digitroi：代表模板图像，也就是你想要在输入图像中查找的部分。
# cv2.tm_ccoeff：表示匹配方法，这里采用的是相关性系数匹配法。
#函数会返回一个二维的 numpy 数组
result=cv2.matchtemplate(roi,digitroi,cv2.tm_ccoeff)
#cv2.minmaxloc 函数用于在一个单通道的矩阵（通常是图像或模板匹配结果）中查找最小值、最大值以及它们对应的位置。
#该函数返回一个包含四个值的元组，依次为：
# 矩阵中的最小值。
# 矩阵中的最大值。
# 最小值所在的位置（以元组 (x, y) 形式表示）。
# 最大值所在的位置（以元组 (x, y) 形式表示）
(_,score,_,_)=cv2.minmaxloc(result)
scores.append(score)
#np.argmax 用于返回数组中最大值所在的索引。
#例如，如果 scores = [1, 5, 3]，那么 np.argmax(scores) 会返回 1，
#str 是 python 内置函数，用于将一个对象转换为字符串类型。
groupoutput.append(str(np.argmax(scores)))
# 画出来
cv2.rectangle(image,(gx-5,gy-5),(gx+gw+5,gy+gh+5),(0,0,255),1)
# cv2.puttext()是opencv库中的一个函数，用于在图像上添加文本。
cv2.puttext(image,''.join(groupoutput),(gx,gy-15),cv2.font_hershey_simplex,0.65,(0,0,255),2)
output.extend(groupoutput)
print('credit card type:{}'.format(first_number[output[0]]))
print('credit card#:{}'.format(''.join(output)))
cv2.imshow('image',image)
cv2.waitkey(0)打印输出结果如下图所示
到此这篇关于opencv银行卡号识别的项目实践的文章就介绍到这了,更多相关opencv银行卡号识别内容请搜索代码网以前的文章或继续浏览下面的相关文章希望大家以后多多支持代码网！
发表评论