目錄前言一、案例介紹二、步驟1、模板讀入，以及一些包的導入，函數(shù)定義等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、模板匹配總結前言

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 cvimport numpy as npimport myutilsdef 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)榘咨玶ef = 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

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好吧啦網(wǎng)其它相關文章！