from imutils import contours
import numpy as np
import argparse
import cv2 as cv
import myutils
def cv_show(name,img):
cv.imshow(name,img)
cv.waitKey(0)
cv.destroyAllWindows()
# 先处理template
tempalte_img = cv.imread("E:/opencv/picture/ocr_a_reference.png")
tempalte_gray = cv.cvtColor(tempalte_img, cv.COLOR_BGR2GRAY)
tempalte_thres = cv.threshold(tempalte_gray, 0, 255, cv.THRESH_OTSU |
cv.THRESH_BINARY_INV)[1]
temp_a, tempalte_contours, temp_b = cv.findContours(tempalte_thres.copy
(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
cv.drawContours(tempalte_img, tempalte_contours, -1, (0, 255, 0), 2)
tempalte_contours = contours.sort_contours(tempalte_contours, method="left-to-right")[0]
digits = {} # 构建一个字典
for (i, c) in enumerate(tempalte_contours):
(x, y, w, h) = cv.boundingRect(c)
tempalte_roi = tempalte_thres[y:y + h, x:x + w] #之前一直检测不出正确答案，原因是这里的roi应该是tempalte_thres一部分
#而不是template_gray的一部分！
tempalte_roi = cv.resize(tempalte_roi, (57, 88))
digits[i] = tempalte_roi
cv_show('template_single',tempalte_roi)
#cv_show('template_single',tempalte_roi)
#对银行卡进行处理,之所以要做成数字长条，是想通过长条的尺寸比例大小来将自己想要的数字给抠出来。
rectkernel = cv.getStructuringElement(cv.MORPH_RECT,(9,3))
squrkernel = cv.getStructuringElement(cv.MORPH_RECT,(5,5))
image = cv.imread("E:/opencv/picture/credit_card_02.png")
image = myutils.resize(image, width=300)
image_gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
image_tophat= cv.morphologyEx(image_gray,cv.MORPH_TOPHAT,rectkernel)
image_close = cv.morphologyEx(image_tophat,cv.MORPH_CLOSE,rectkernel)
cv.imshow("image_tophat",image_tophat)
cv.imshow('image_close',image_close)
image_thres= cv.threshold(image_close,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)[1]
image_contours= cv.findContours(image_thres.copy(),cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)[1]
locs = []
for(n,con) in enumerate(image_contours):
(gx,gy,gw,gh)= cv.boundingRect(con)
ar = gw/float (gh)
if ar > 2.5 and ar < 4.0:
if (gw > 40 and gw < 55) and (gh > 10 and gh < 20):
# 符合的留下来
locs.append((gx, gy, gw, gh))
#sorted和contours.sort_contours的区别：第二个是针对轮廓的排序
# 将符合的轮廓从左到右排序 sorted针对的是一个list 而sort_countours函数是针对多个轮廓数组
locs = sorted(locs, key=lambda x:x[0])
output = []
for(i,(x,y,w,h))in enumerate(locs):
groupOutput = []
group = image_gray[y-5:y+h+5,x-5:x+w+5]
group = cv.threshold(group,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)[1]
digcnts = cv.findContours(group.copy(),cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)[1]
digcnts = contours.sort_contours(digcnts,method="left-to-right")[0]
for c in digcnts:
(gx,gy,gw,gh) = cv.boundingRect(c)
roi = group[gy:gy+gh,gx:gx+gw]#注意这里是对group进行寻找轮廓的，所以得到的轮廓向量的外接矩形的坐标是针对
#group的
roi = cv.resize(roi, (57, 88))
cv_show('roi',roi)
# 计算匹配得分
scores = []
# 在模板中计算每一个得分
#先从第一个group的第一个roi开始作为第一个检测对象，遍历模板字典里各个模板，分别得到对应的匹配结果score
#我们取score值最大的对应的字符串作为模板匹配后识别到的第一个结果，并加入到groupOutput里去。
#然后再将第一个group的第二个roi作为第二个检测对象，遍历模板字典里各个模板，分别得到对应的匹配结果score
#我们取score值最大的对应的字符串作为模板匹配后识别到的第二个结果，并加入到groupOutput里去。
#以此循环，一共有4*4个roi,所以这个过程要循环16次。最终识别到的结果存储到了groupOutput里去
for (digit, digitROI) in digits.items():
# 模板匹配
result = cv.matchTemplate(roi, digitROI, cv.TM_CCOEFF_NORMED)
(_, score, _, _) = cv.minMaxLoc(result)
scores.append(score)
# 得到最合适的数字
groupOutput.append(str(np.argmax(scores)))
cv.rectangle(image, (x - 5, y - 5),
(x + w + 5, y + h + 5), (0, 0, 255), 1)
cv.putText(image, "".join(groupOutput), (x, y - 15),
cv.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)
# 得到结果
output.extend(groupOutput)
# 打印结果
cv.imshow("Image", image)
cv.waitKey(0)
在本示例中，我们探讨了如何利用OpenCV库进行图像处理，特别是针对信用卡上的数字进行识别。这个案例主要涉及以下几个关键知识点：
1. **图像预处理**：我们加载了一个参考模板图像（`ocr_a_reference.png`），并对其进行灰度化、二值化处理。之后，使用轮廓检测找到数字模板的轮廓，并根据轮廓排序，以便后续的匹配过程。
2. **模板匹配**：创建了一个名为`digits`的字典，存储了经过调整大小的每个数字模板。模板匹配是识别过程中重要的一环，它利用`cv.matchTemplate`函数，对银行卡图像上找到的每个数字候选区域与模板进行比较，以找到最佳匹配。
3. **银行卡图像处理**：读取信用卡图像（`credit_card_02.png`），同样进行灰度化处理，接着应用顶帽变换（`cv.morphologyEx` with `cv.MORPH_TOPHAT`）和闭运算（`cv.MORPH_CLOSE`）来增强数字边缘。然后进行二值化处理，找到轮廓，并筛选出符合条件的数字长条形区域。
4. **轮廓排序**：使用`contours.sort_contours`函数按特定顺序排列轮廓，这里是按从左到右的顺序，确保数字识别的顺序正确。
5. **局部区域处理**：对每个筛选出的数字区域，提取其内部的轮廓，再次进行二值化处理，然后对这些小的区域进行模板匹配，找出最匹配的数字模板。
6. **匹配得分与选择**：对于每个数字候选区域，计算所有模板的匹配得分，使用`cv.minMaxLoc`获取最高得分，并将对应模板的数字添加到结果列表中。
7. **输出与可视化**：识别出的数字组合成完整的信用卡号，并在原始图像上绘制矩形框和文本，最后显示处理后的图像。
此外，还提到了Python中的一些编程技巧：
- `contours.sort_contours`函数用于根据特定规则（如轮廓的位置）对轮廓进行排序。
- 使用`zip`和`sorted`函数配合`lambda`表达式，可以方便地对轮廓和它们的边界框进行排序。
- `boundingRect`函数用于计算轮廓的最小外接矩形。
整个流程展示了如何利用OpenCV和Python实现复杂图像处理任务，包括预处理、特征提取、模板匹配和后处理，以及对图像数据的有效操作。这些技能在实际的OCR（光学字符识别）系统和其他图像分析应用中是非常重要的。
