标签：sobel img MORPH cv2 contours 轮廓 图片

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：sobel,img,MORPH,cv2,contours,轮廓,图片
来源： https://www.cnblogs.com/my-love-is-python/p/10409913.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。