银行卡号识别

发布时间:2024年01月05日

导入库

from typing import Any, Union, Sequence

from cv2.mat_wrapper import Mat
from imutils import contours
import numpy as np
import argparse
import imutils
import cv2
import myutils

设置参数

# 设置参数
from numpy import dtype, ndarray, generic

ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True, help="path to input image")
ap.add_argument("-t", "--template", required=True, help="path to template OCR-A image")
args = vars(ap.parse_args())

pycharm中参数设置

在运行中点击编辑配置
在这里插入图片描述
找到项目
在这里插入图片描述
在Parameters中输入参数和图像路径
在这里插入图片描述
相对路径所以图片与项目要在一个文件夹,不能出现中文名。
在这里插入图片描述

制定信用卡类型

FIRST_NUMBER = {
    "3": "American Express",
    "4": "Visa",
    "5": "MasterCard",
    "6": "Discover Card"
}

定义一个绘图函数

def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

对模板操作

读取一个模板图像

img = cv2.imread(args["template"])
cv_show('img', img)

在这里插入图片描述
转化为灰度图

ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('ref', ref)

在这里插入图片描述
转化为二值图

ref = cv2.threshold(ref, 100, 255, cv2.THRESH_BINARY_INV)[1]
cv_show('ref', ref)

在这里插入图片描述
找到外轮廓

refcnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)  # RETR_EXTERNAL表示只画外轮廓
cv2.drawContours(img, refcnts, -1, (200, 255, 0), 3)
cv_show('img', img)

在这里插入图片描述
对轮廓进行从左到右排序,并定义一个字典

refcnts = imutils.contours.sort_contours(refcnts, method="left-to-right")[0]    # 排序,从左到右,从上到下
digits = {}     # 字典

遍历每一个轮廓,填入字典中

# 遍历每一个轮廓
for (i, c) in enumerate(refcnts):
    #  计算外接矩形并resize成合适大小
    (x, y, w, h) = cv2.boundingRect(c)
    roi = ref[y:y+h, x:x+w]     # 抠出矩形
    roi = cv2.resize(roi, (57, 88))
    # 一个数字对应一个模板
    digits[i] = roi

初始化卷积核

# 初始化卷积核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))      # MORPH_RECT表示内核为矩形,MORPH_CROSS交叉形,MORPH_ELLIPSE椭圆形
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

对图像操作

读取输入图像,改变为合适大小,并转化为灰度图

image = cv2.imread(args["image"])
cv_show('image', image)
image = imutils.resize(image, width=300)     # 改变大小
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)      # 灰度图
cv_show('gray', gray)

在这里插入图片描述
在这里插入图片描述

礼帽操作,突出更明亮区域,过滤掉背景等无关信息

tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('tophat', tophat)

在这里插入图片描述

sobel算子梯度检测,计算x,和y方向的梯度并结合

# sobel算子梯度检测
gradx = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)  # ksize=-1相当于使用3*3
gradx = np.absolute(gradx)      # 绝对值使白到黑,黑到白都可以检测到
grady = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=0, dy=1, ksize=-1)
grady = np.absolute(grady)
gradxy = cv2.addWeighted(gradx, 0.5, grady, 0.5, 0)

(minVal, maxVal) = (np.min(gradxy), np.max(gradxy))
gradxy = (255 * ((gradxy - minVal) / (maxVal - minVal)))    # 归一化,看得更清楚
gradxy = gradxy.astype("uint8")    # 转化为8位无符号数

print(np.array(gradx).shape)
cv_show('gradxy', gradxy)

在这里插入图片描述

通过闭操作(先膨胀,再腐蚀)将数字连接起来

gradxy = cv2.morphologyEx(gradxy, cv2.MORPH_CLOSE, rectKernel)
cv_show('gradxy', gradxy)

在这里插入图片描述

二值化,阈值参数设为0,与THRESH_OTSU结合使用,适合双峰,可以自动寻找合适阈值

thresh = cv2.threshold(gradxy, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('thresh', thresh)

在这里插入图片描述

再来一个闭操作,使块更加紧密

thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
cv_show('thresh', thresh)

在这里插入图片描述

计算轮廓,并在原图画出轮廓

threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

cnts = threshCnts
cur_img = image.copy()
cv2.drawContours(cur_img, cnts, -1, (0, 0, 255), 3)
cv_show('img', cur_img)

在这里插入图片描述

  1. 定义一个locs列表,用来存放银行卡号位置的大轮廓。
  2. 遍历轮廓,计算矩形并找出所要范围,添加到locs中去。
  3. 然后将符合的轮廓从左到右排序。
  4. 定义一个output列表,用来存放最终数字。
locs = []

# 遍历轮廓
for (i, c) in enumerate(cnts):
    # 计算矩形
    (x, y, w, h) = cv2.boundingRect(c)
    print(w, h)
    ar = w / float(h)
    # 由w与h的比找出所要的范围
    if 2.5 < ar < 4.0:
        if (40 < w < 55) and (10 < h < 20):
            locs.append((x, y, w, h))   # append() 函数可以向列表末尾添加元素
# 符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x:x[0])      # x:x[0]表示字典的第一个值,即使用x进行排序,升序。
output = []
print(locs)

在这里插入图片描述
这是每个轮廓矩形的长与宽,所以可知要找的矩形范围为:长宽比在2.5到4之间,长在40到55,宽在10到20之间。

在这里插入图片描述
大轮廓参数

  1. 遍历每个轮廓中的数字
  2. 根据坐标提取每一个组
  3. 二值化处理
  4. 计算每一组轮廓,并从左到右排序
  5. 模板匹配计算每组中每个数值
  6. 绘图
  7. 添加到output中
for (i, (gx, gy, gw, gh)) in enumerate(locs):
    # 初始化组号列表
    groupOutput = []
    # 根据坐标提取每一个组
    group = gray[gy - 5:gy + gh + 5, gx - 5:gx + gw + 5]    # 框出稍大区域的大轮廓
    cv_show('group', group)
    # 预处理,二值化
    group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    cv_show('group', group)
    # 计算每一组轮廓
    digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    digitCnts = contours.sort_contours(digitCnts, method="left-to-right")[0]    # 从左到右排序

    # 计算每组中每个数值
    for c in digitCnts:
        # 找到数值轮廓,resize成合适大小
        (x, y, w, h) = cv2.boundingRect(c)
        roi = group[y:y + h, x:x + w]  # 抠出矩形
        roi = cv2.resize(roi, (57, 88))
        cv_show('roi', roi)

        # 计算匹配得分list
        scores = []

        # 在模板中计算每个得分
        # items()以列表返回可遍历的(键, 值) 元组数组
        for (dight, dightRoi) in digits.items():
            result = cv2.matchTemplate(roi, dightRoi, cv2.TM_CCOEFF)    # 计算相关系数,结果越大越相关
            (_, score, _, _) = cv2.minMaxLoc(result)
            scores.append(score)    # append() 函数可以向列表末尾添加元素

        # 找到最合适的数字
        groupOutput.append(str(np.argmax(scores)))  # np.argmax()用于返回一个numpy数组中最大值的索引值

    # 画出来
    cv2.rectangle(image, (gx - 5, gy - 5), (gx + gw + 5, gy + gh + 5), (0, 255, 255), 1)
    cv2.putText(image, "".join(groupOutput), (gx, gy - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (255, 0, 255), 2)     # 添加文字

    # 得到结果
    output.extend(groupOutput)      # extend()用于在列表末尾一次性追加另一个序列中的多个值(用新列表扩展原来的列表)

一次循环结果展示
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在银行卡上画出卡号
在这里插入图片描述

打印银行卡类型与卡号

print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)

在这里插入图片描述

完整代码

from typing import Any, Union, Sequence

from cv2.mat_wrapper import Mat
from imutils import contours
import numpy as np
import argparse
import imutils
import cv2
import myutils

# 设置参数
from numpy import dtype, ndarray, generic

ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True, help="path to input image")
ap.add_argument("-t", "--template", required=True, help="path to template OCR-A image")
args = vars(ap.parse_args())

# 制定信用卡类型
FIRST_NUMBER = {
    "3": "American Express",
    "4": "Visa",
    "5": "MasterCard",
    "6": "Discover Card"
}


# 绘图
def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


# 读取一个模板图像
img = cv2.imread(args["template"])
cv_show('img', img)
# 灰度图
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('ref', ref)
# 二值图像
ref = cv2.threshold(ref, 100, 255, cv2.THRESH_BINARY_INV)[1]
cv_show('ref', ref)
# 外轮廓
refcnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)  # RETR_EXTERNAL表示只画外轮廓
cv2.drawContours(img, refcnts, -1, (200, 255, 0), 3)
cv_show('img', img)
# print(hierarchy)
# print(np.array(refcnts).shape)
refcnts = imutils.contours.sort_contours(refcnts, method="left-to-right")[0]    # 排序,从左到右,从上到下
digits = {}     # 字典

# 遍历每一个轮廓
for (i, c) in enumerate(refcnts):
    #  计算外接矩形并resize成合适大小
    (x, y, w, h) = cv2.boundingRect(c)
    roi = ref[y:y+h, x:x+w]     # 抠出矩形
    roi = cv2.resize(roi, (57, 88))
    # 一个数字对应一个模板
    digits[i] = roi

# 初始化卷积核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))      # MORPH_RECT表示内核为矩形,MORPH_CROSS交叉形,MORPH_ELLIPSE椭圆形
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 读取输入图像,预处理
image = cv2.imread(args["image"])
cv_show('image', image)
image = imutils.resize(image, width=300)     # 改变大小
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)      # 灰度图
cv_show('gray', gray)

# 礼帽操作,突出更明亮区域,过滤掉背景等无关信息
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('tophat', tophat)

# sobel算子梯度检测
gradx = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)  # ksize=-1相当于使用3*3
gradx = np.absolute(gradx)      # 绝对值使白到黑,黑到白都可以检测到
grady = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=0, dy=1, ksize=-1)
grady = np.absolute(grady)
gradxy = cv2.addWeighted(gradx, 0.5, grady, 0.5, 0)

(minVal, maxVal) = (np.min(gradxy), np.max(gradxy))
gradxy = (255 * ((gradxy - minVal) / (maxVal - minVal)))    # 归一化,看得更清楚
gradxy = gradxy.astype("uint8")    # 转化为8位无符号数

print(np.array(gradx).shape)
cv_show('gradxy', gradxy)

# 通过闭操作(先膨胀,再腐蚀)将数字连接起来
gradxy = cv2.morphologyEx(gradxy, cv2.MORPH_CLOSE, rectKernel)
cv_show('gradxy', gradxy)
# 二值化,阈值参数设为0,与THRESH_OTSU结合使用,适合双峰,可以自动寻找合适阈值
thresh = cv2.threshold(gradxy, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('thresh', thresh)

# 再来一个闭操作,使块更加紧密
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
cv_show('thresh', thresh)

# 计算轮廓,并在原图画出轮廓
threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

cnts = threshCnts
cur_img = image.copy()
cv2.drawContours(cur_img, cnts, -1, (0, 0, 255), 3)
cv_show('img', cur_img)

locs = []

# 遍历轮廓
for (i, c) in enumerate(cnts):
    # 计算矩形
    (x, y, w, h) = cv2.boundingRect(c)
    print(w, h)
    ar = w / float(h)
    # 由w与h的比找出所要的范围
    if 2.5 < ar < 4.0:
        if (40 < w < 55) and (10 < h < 20):
            locs.append((x, y, w, h))   # append() 函数可以向列表末尾添加元素

# 符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x:x[0])      # x:x[0]表示字典的第一个值,即使用x进行排序,升序。
output = []
print(locs)

# 遍历每个轮廓中的数字
for (i, (gx, gy, gw, gh)) in enumerate(locs):
    # 初始化组号列表
    groupOutput = []
    # 根据坐标提取每一个组
    group = gray[gy - 5:gy + gh + 5, gx - 5:gx + gw + 5]    # 框出稍大区域的大轮廓
    cv_show('group', group)
    # 预处理,二值化
    group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    cv_show('group', group)
    # 计算每一组轮廓
    digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    digitCnts = contours.sort_contours(digitCnts, method="left-to-right")[0]    # 从左到右排序

    # 计算每组中每个数值
    for c in digitCnts:
        # 找到数值轮廓,resize成合适大小
        (x, y, w, h) = cv2.boundingRect(c)
        roi = group[y:y + h, x:x + w]  # 抠出矩形
        roi = cv2.resize(roi, (57, 88))
        cv_show('roi', roi)

        # 计算匹配得分list
        scores = []

        # 在模板中计算每个得分
        # items()以列表返回可遍历的(键, 值) 元组数组
        for (dight, dightRoi) in digits.items():
            result = cv2.matchTemplate(roi, dightRoi, cv2.TM_CCOEFF)    # 计算相关系数,结果越大越相关
            (_, score, _, _) = cv2.minMaxLoc(result)
            scores.append(score)    # append() 函数可以向列表末尾添加元素

        # 找到最合适的数字
        groupOutput.append(str(np.argmax(scores)))  # np.argmax()用于返回一个numpy数组中最大值的索引值

    # 画出来
    cv2.rectangle(image, (gx - 5, gy - 5), (gx + gw + 5, gy + gh + 5), (0, 255, 255), 1)
    cv2.putText(image, "".join(groupOutput), (gx, gy - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (255, 0, 255), 2)     # 添加文字

    # 得到结果
    output.extend(groupOutput)      # extend()用于在列表末尾一次性追加另一个序列中的多个值(用新列表扩展原来的列表)

# 打印结果
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)


文章来源:https://blog.csdn.net/lsh2678227571/article/details/135417440
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。