一、准备工作
需要的图片：
通过网盘分享的文件：OpenCV_信用卡数字识别， 链接: pan.baidu.com/s/1f4C0eQ_O… 提取码: d5xk
二、代码
# 导入工具包
# contours 用于对轮廓进行排序操作
from imutils import contours
# 用于进行数值计算和数组操作
import numpy as np
# 用于解析命令行参数
import argparse
# OpenCV 库，用于图像处理和计算机视觉任务
import cv2
# 自定义的工具包，可能包含一些自定义的图像处理函数
import myutils
# 设置参数
# 创建一个命令行参数解析器对象
ap = argparse.ArgumentParser()
# 添加一个必需的命令行参数 -i 或 --image，用于指定输入图像的路径
ap.add_argument("-i", "--image", required=True,
help="path to input image")
# 添加一个必需的命令行参数 -t 或 --template，用于指定模板 OCR - A 图像的路径
ap.add_argument("-t", "--template", required=True,
help="path to template OCR - A image")
# 解析命令行参数并将其转换为字典形式
args = vars(ap.parse_args())
# 指定信用卡类型
# 定义一个字典，用于将信用卡号码的第一位数字映射到对应的信用卡类型
FIRST_NUMBER = {
"3": "American Express",
"4": "Visa",
"5": "MasterCard",
"6": "Discover Card"
}
# 绘图展示
# 用于显示图像并等待用户按键，最后关闭所有窗口
def cv_show(name, img):
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 读取一个模板图像
# 从指定路径读取模板图像
img = cv2.imread(args["template"])
# 显示模板图像
cv_show('img', img)
# 灰度图
# 将模板图像从 BGR 颜色空间转换为灰度图
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 显示灰度图
cv_show('ref', ref)
# 二值图像
# 对灰度图进行阈值处理，将图像转换为二值图像，使用反向二值化
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
# 显示二值图像
cv_show('ref', ref)
# 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），cv2.RETR_EXTERNAL 只检测外轮廓，cv2.CHAIN_APPROX_SIMPLE 只保留终点坐标
# 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)
# 在原始模板图像上绘制检测到的轮廓
cv2.drawContours(img, refCnts, -1, (0, 0, 255), 3)
# 显示绘制轮廓后的图像
cv_show('img', img)
# 对轮廓进行排序，从左到右，从上到下
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0]
# 初始化一个空字典，用于存储每个数字对应的模板图像
digits = {}
# 遍历每一个轮廓
# i 是每个轮廓的索引，c是轮廓
for (i, c) in enumerate(refCnts):
# 计算外接矩形并且 resize 成合适大小
# 计算当前轮廓的外接矩形
(x, y, w, h) = cv2.boundingRect(c)
# 从二值图像中提取当前轮廓对应的区域
roi = ref[y:y + h, x:x + w]
# 将提取的区域调整为固定大小
roi = cv2.resize(roi, (57, 88))
# 每一个数字对应每一个模板
# 将调整大小后的区域存储到字典中，键为数字的索引
digits[i] = roi
# 初始化卷积核
# 创建一个 9x3 的矩形结构元素，用于形态学操作
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
# 创建一个 5x5 的矩形结构元素，用于形态学操作
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 读取输入图像，预处理
# 从指定路径读取输入图像
image = cv2.imread(args["image"])
# 显示输入图像
cv_show('image', image)
# 调整输入图像的宽度为 300 像素
image = myutils.resize(image, width=300)
# 将输入图像从 BGR 颜色空间转换为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 显示灰度图
cv_show('gray', gray)
# 礼帽操作，突出更明亮的区域
# 对灰度图进行礼帽操作，突出图像中的明亮区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
# 显示礼帽操作后的图像
cv_show('tophat', tophat)
# 对礼帽操作后的图像进行 Sobel 边缘检测，只计算 x 方向的梯度
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, # ksize=-1 相当于用 3*3 的
ksize=-1)
# 计算梯度的绝对值
gradX = np.absolute(gradX)
# 找到梯度的最小值和最大值
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
# 将梯度值归一化到 0 - 255 范围
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
# 将梯度值转换为 uint8 类型
gradX = gradX.astype("uint8")
# 打印梯度图像的形状
print(np.array(gradX).shape)
# 显示梯度图像
cv_show('gradX', gradX)
# 通过闭操作（先膨胀，再腐蚀）将数字连在一起
# 对梯度图像进行闭操作，将数字区域连接起来
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
# 显示闭操作后的图像
cv_show('gradX', gradX)
# 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
# 对闭操作后的图像进行 Otsu 阈值处理
thresh = cv2.threshold(gradX, 0, 255,
cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
# 显示阈值处理后的图像
cv_show('thresh', thresh)
# 再来一个闭操作
# 对阈值处理后的图像再次进行闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
# 显示再次闭操作后的图像
cv_show('thresh', thresh)
# 计算轮廓
# 对再次闭操作后的图像进行轮廓检测，只检测外轮廓
threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
# 将检测到的轮廓赋值给 cnts
cnts = threshCnts
# 复制一份输入图像用于绘制轮廓
cur_img = image.copy()
# 在复制的图像上绘制检测到的轮廓
cv2.drawContours(cur_img, cnts, -1, (0, 0, 255), 3)
# 显示绘制轮廓后的图像
cv_show('img', cur_img)
# 初始化一个空列表，用于存储符合条件的轮廓区域的坐标和大小
locs = []
# 遍历轮廓
for (i, c) in enumerate(cnts):
# 计算矩形
# 计算当前轮廓的外接矩形
(x, y, w, h) = cv2.boundingRect(c)
# 计算外接矩形的宽高比
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
# 判断宽高比和宽度、高度是否在合适的范围内
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
# 将符合条件的外接矩形的坐标和大小添加到 locs 列表中
locs.append((x, y, w, h))
# 将符合的轮廓从左到右排序
# 对 locs 列表中的元素按照 x 坐标进行排序
locs = sorted(locs, key=lambda x: x[0])
# 初始化一个空列表，用于存储识别出的信用卡数字
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 digits
# 初始化一个空列表，用于存储当前组中的数字
groupOutput = []
# 根据坐标提取每一个组
# 从灰度图中提取当前组对应的区域，并进行一定的扩展
group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
# 显示提取的组区域
cv_show('group', group)
# 预处理
# 对提取的组区域进行 Otsu 阈值处理
group = cv2.threshold(group, 0, 255,
cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
# 显示阈值处理后的组区域
cv_show('group', group)
# 计算每一组的轮廓
# 对阈值处理后的组区域进行轮廓检测，只检测外轮廓
digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
# 对检测到的轮廓进行排序，从左到右
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
# 计算当前轮廓的外接矩形
(x, y, w, h) = cv2.boundingRect(c)
# 从阈值处理后的组区域中提取当前数字对应的区域
roi = group[y:y + h, x:x + w]
# 将提取的数字区域调整为固定大小
roi = cv2.resize(roi, (57, 88))
# 显示调整大小后的数字区域
cv_show('roi', roi)
# 计算匹配得分
# 初始化一个空列表，用于存储匹配得分
scores = []
# 在模板中计算每一个得分
for (digit, digitROI) in digits.items():
# 模板匹配
# 使用模板匹配方法计算当前数字区域与模板数字区域的匹配得分
result = cv2.matchTemplate(roi, digitROI,
cv2.TM_CCOEFF)
# 获取匹配结果中的最大值和其位置
(_, score, _, _) = cv2.minMaxLoc(result)
# 将匹配得分添加到 scores 列表中
scores.append(score)
# 得到最合适的数字
# 找到匹配得分最高的数字的索引，并将其转换为字符串添加到 groupOutput 列表中
groupOutput.append(str(np.argmax(scores)))
# 画出来
# 在原始输入图像上绘制当前组的外接矩形
cv2.rectangle(image, (gX - 5, gY - 5),
(gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
# 在原始输入图像上绘制当前组识别出的数字
cv2.putText(image, "".join(groupOutput), (gX, gY - 15),
cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)
# 得到结果
# 将当前组识别出的数字添加到 output 列表中
output.extend(groupOutput)
# 打印结果
# 根据识别出的信用卡号码的第一位数字，输出信用卡类型
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
# 输出识别出的完整信用卡号码
print("Credit Card #: {}".format("".join(output)))
# 显示最终识别结果的图像
cv2.imshow("Image", image)
# 等待用户按键
cv2.waitKey(0)
三、使用
Parameters写入：--image images/credit_card_03.png --template ocr_a_reference.png
