标签：维度 进阶 style 数字转换 因此 res imp str match
7. cv2.putText(img, text, loc, text_font, font_scale, color, linestick)
# 参数说明：img表示输入图片，text表示需要填写的文本str格式，loc表示文本在图中的位置，font_size可以使用cv2.FONT_HERSHEY_SIMPLEX,
font_scale表示文本的规格，color表示文本颜色，linestick表示线条大小
信用卡数字识别：
信用卡 
数字模板
涉及到的内容:主要是采用模板匹配的思想
思路：
第一部分：数字模板提取数字
第一步：读入图片
第二步：进行灰度化和二值化处理，这里的二值化使用的cv2.THRESH_BINARY_INV， 将黑色的数字转换为白色
第三步：使用cv2.findContours获得轮廓信息
第四步：对contours根据外接矩阵的x的位置，从左到右进行排序
第五步：遍历contours，使用cv2.boudingRect外接矩形获得轮廓的位置信息，提取数字轮廓的图片，与索引组成轮廓信息的字典
import cv2 import numpy as np import my_utis def cv_show(img, name): cv2.imshow(name, img) cv2.waitKey(0) cv2.destroyAllWindows() # 第一部分：数字模板准备 # 第一步：读入图片 template = cv2.imread(‘images/ocr_a_reference.png‘) # 第二步：进行灰度值和二值化转换 gray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY) cv_show(gray, ‘gray‘) # 将黑色转换为白色，将白色转换为黑色 thresh = cv2.threshold(gray, 10, 255, cv2.THRESH_BINARY_INV)[1] cv_show(thresh, ‘thresh‘) # 第三步：找出轮廓值使用cv2.findContours找出轮廓值，cv2.RETR_EXTERNAL表示图像的外轮廓 binary, contours, h = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 第四步：对轮廓值进行排序， 因为contours轮廓不是按循序排列的，因此根据contours所在的位置从左到右进行排序 contours = my_utis.contours_sort(contours) # 第五步： 遍历模板，使用cv2.boudingRect获得轮廓的位置，提取位置对应的图片，与数字结合构造成模板字典 dict_template = {} for i, contour in enumerate(contours): # 画出其外接矩阵，获得其位置信息 x, y, w, h = cv2.boundingRect(contour) template_img = binary[y:y+h, x:x+w] # 使用cv2.resize变化模板的大小 template_img = cv2.resize(template_img, (55, 88)) # cv_show(template_img, ‘template_img‘) dict_template[i] = template_img
第二部分：对图片进行预处理，提取包含数字信息的4个轮廓的位置信息
第一步：读入图片
第二步：调用函数，扩大图片的面积，并进行灰度化
第三步：使用礼帽tophat 原始图片 - 先腐蚀后膨胀的图片，为了去除背景，使得线条更加的突出
第四步：使用sobel算子cv2.Sobel 找出图片中的边缘信息，即进行图像的梯度运算
第五步：使用闭运算 先膨胀再腐蚀， 将图片上的一些相近的数字进行相连，使得其连成一块
第六步：使用cv2.threshold 将图片进行二值化操作
第七步：再次使用闭运算对图片中的内部缺失的位置再次进行填充,使用不同的卷积核
第八步：重新计算轮廓值，遍历轮廓，根据长宽比和长宽的数值，筛选出符合条件的轮廓的locs，并对locs根据x的大小进行排序
# 第二部分：对图片进行预处理，提取包含数字信息的轮廓块 rectKernel = np.ones([3, 9]) # 构造的卷积核，用于进行闭运算，和礼帽运算 sqKernel = np.ones([6, 6]) # 构造的卷积核，用于进行闭运算 # 第一步: 读入图片 img = cv2.imread(‘images/cr‘ ‘edit_card_01.png‘) # 第二步：扩大图片的维度，进行灰度化转换 img = my_utis.resize(img, width=300) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) print(gray.shape) #第三步：使用礼帽操作，使得亮度更加的明显 tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) cv_show(tophat, ‘tophat‘) # 第四步：使用sobel算子获得边缘信息，ksize=-1表示sobel算子的维度为(3, 3) sobel = cv2.Sobel(tophat, cv2.CV_64F, 1, 0, ksize=-1) # 取绝对值操作 sobel = np.absolute(sobel) sobel_img = 255 * (sobel - sobel.min()) / (sobel.max() - sobel.min()) sobel_img = np.uint8(sobel_img) cv_show(sobel_img, ‘sobel_img‘) # 第五步：使用闭操作, 先腐蚀，再膨胀将字母进行合并 close = cv2.morphologyEx(sobel_img, cv2.MORPH_CLOSE, rectKernel) cv_show(close, ‘close‘) # 第六步：进行二值化操作 binary = cv2.threshold(close, 0, 255, cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1] cv_show(binary, ‘binary‘) # 第七步：再使用闭操作，对内部空白区域进行填充 close2 = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, sqKernel) cv_show(close2, ‘close2‘) # 第八步：使用cv2.findContours进行轮廓的识别 binary, contours, h = cv2.findContours(close2, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) locs = [] # 循环轮廓，将符合条件的contours加入 for i, contour in enumerate(contours): x, y, w, h = cv2.boundingRect(contour) acr = int(w/h) if acr > 2.5 and acr < 4.0: if (w > 40 and w<55) and (h > 10 and h < 20): locs.append((x, y, w, h)) # 对locs根据x从左到右进行排序 locs = sorted(locs, key=lambda x: x[0])
第三部分：遍历每个locs，提取其中的数字，与模板数字做匹配，判断数字属于模板中的哪个数字
第一步：遍历locs，使用loc中的x,y, w, h 获得信用卡中的对应图片
第二步：对图片进行二值化操作
第三步：使用cv2.findContours,找出其中的轮廓，对轮廓进行排序
第四步：循环轮廓，使用外接矩形的位置信息, x1, y1, w1, h1, 获得当前轮廓对应的数字，此时已经获得了需要预测数字的单个图片
第五步：循环数字模板，使用cv2.matchTemplate进行模板匹配，使用cv2.minMaxLoc获得最大的得分值，使用np.argmax输出可能性最大的数字
print(np.shape(locs)) # 第三部分：遍历每个locs，对其中的数字进行匹配， 判断数字属于模板中的哪个数字 predict_number = [] predict_loc = [] for i, loc in enumerate(locs): # 第一步：获得轮廓对应的数字块的图片 x, y, w, h = loc loc_img = gray[y-5 : y+h+5, x-5: x+w+5] # 第二步：对数字块的图片进行二值化操作 thresh = cv2.threshold(loc_img, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] # 第三步：进行轮廓检测， 并对轮廓进行排序操作 binary, contours, h = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 对轮廓检测的结果按照从左到右的顺序进行排序 contours = my_utis.contours_sort(contours) # 第四步：遍历轮廓， 使用轮廓的外接矩阵获得数字图片，并使用cv2.resize改变图片的大小 for i, contour in enumerate(contours): scores = [] x1, y1, w1, h1 = cv2.boundingRect(contour) predict_loc.append((x1-6+x, y1-6+y, w1+2, h1+2)) contour_img = thresh[y1:y1+h1, x1:x1+w1] contour_img = cv2.resize(contour_img, (55, 88)) # cv_show(contour_img, ‘contour‘) # 进行模板匹配 # 第五步：遍历数字模板，使用matchTemplate找出与图片匹配度最高的数字 for templates in dict_template.values(): ret = cv2.matchTemplate(contour_img, templates, cv2.TM_CCOEFF_NORMED) _, score, _, _ = cv2.minMaxLoc(ret) scores.append(score) predict_number.append(str((np.argmax(scores))))
第四部分：在原始的图片进行作图操作
第一步：使用cv2.rectangle画出矩阵
第二步：使用cv2.putText加上文字信息
for i in range(len(predict_number)): x, y, w, h = predict_loc[i] # 第一步：画出矩形框 cv2.rectangle(img, (x, y), (x+w, y+h), (0, 0, 255), 1) print(predict_number[i]) # 第二步：在图片上加上文本 cv2.putText(img, predict_number[i], (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2) cv_show(img, ‘img‘)
最终的效果图
标签：维度 进阶 style 数字转换 因此 res imp str match
原文地址：https://www.cnblogs.com/my-love-is-python/p/10409913.html
