opencv信用卡识别（来自网络）

import argparse
import numpy as np
import cv2
#应用其他python文件，文件夹必须包含__init__.py 可以为空，只要它存在，就表明此目录应被作为一个package处理
import myutils
from imutils import contours

#设置参数
#argparse 模块是 Python 内置的用于命令项选项与参数解析的模块,argparse 模块可以让人轻松编写用户友好的命令行接口
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 ORC-A image")
#vars() 函数返回对象object的属性和属性值的字典对象
args = vars(ap.parse_args())


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

#显示图片
def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

#读取模板
img = cv2.imread(args['template'])
# cv_show('template', img)
#灰度图
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# cv_show('ref', ref)
#二值图像，采用THRESH_BINARY_INV，使得图片翻转
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1] #读取元组中第2个元素
# cv_show('ref', ref)

#计算轮廓
#cv2.findContrours结束二值图，即黑白图（不是灰度图），cv2.RETR_EXTERNAL只检测轮廓，
ref_,refCnts,hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img, refCnts, -1, (0,0,255), 3) #绘制轮廓
print(np.array(refCnts).shape) #打印轮廓数
# cv_show('img', img)

refCnts = myutils.sort_contours(refCnts, method='left-to-right')[0]
digits = {} #存放每个数字和对应的模板图形
#遍历每一个轮廓
for (i,c) in enumerate(refCnts):
    (x,y,w,h) = cv2.boundingRect(c)
    roi = ref[y:y+h,x:x+w] #从原图中找到对应的区域，截取保存
    roi = cv2.resize(roi, (57,88)) #稍微放大
    #为每个数字设置模板，0,1,2,3,4，....9
    digits[i] = roi
#到这里模板的相关图片都处理好了，下面开始处理需要识别的图片


#初始化卷积核,为什么需要定义两个核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9,3))
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 = myutils.resize(image, width=300)
#灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('gray', gray)

#礼帽操作，突出明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('tophat', tophat)

#图像梯度，如何计算图像中的梯度，比如图像两边颜色差异大时；需要考虑Gx和Gy，即水平和竖直的梯度
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1) #ksize=-1相当于3*3
#通常需要x和y都用
#绝对值
gradX = np.absolute(gradX) #cv2.convertScaleAbs
#归一化
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
gradX = gradX.astype("uint8")
#边缘检测都已经出来了
cv_show('gradX',gradX)

#通过闭操作（先膨胀，再腐蚀）将数字连在一起
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
cv_show('gradX',gradX)

#二值化处理，THRESH_OTSU会自动寻找合适的阈值，适合双峰，需把阈值参数设置为0
thresh = cv2.threshold(gradX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] #threshold阈值为0 + THRESH_OTSU，相当于让自动判断阈值
cv_show('thresh',thresh)


#再来一个闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) #再来一个闭操作
cv_show('thresh',thresh)

# 计算轮廓
thresh_, 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，从所有的轮廓中，筛选出包含卡号的那些区域
for (i, c) in enumerate(cnts):
   (x, y, w, h) = cv2.boundingRect(c) # 计算矩形
   ar = w / float(h)
   # 选择合适的区域，根据实际任务来，这里的基本都是四个数字一组
   if ar > 2.5 and ar < 4.0: #根据宽高比选择出目标区域
      if (w > 40 and w < 55) and (h > 10 and h < 20):
         locs.append((x, y, w, h)) #把卡号那四个区域选择出来了

# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x:x[0])
print(locs) #[(20, 100, 51, 15), (88, 100, 52, 15), (157, 100, 52, 15), (225, 100, 53, 15)]
output = []
# 遍历每一个轮廓中的数字
for (i, (gX, gY, gW, gH)) in enumerate(locs):
   # initialize the list of group digits
   groupOutput = []

   # 根据坐标提取每一个组,+5作为offset偏移量
   group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
   cv_show('group',group)
   # 预处理，二值处理
   group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
   cv_show('group', group)
   # 计算每一组的轮廓，从这小组图片里，计算每个数字的轮廓
   group_,digitCnts,hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
   digitCnts = contours.sort_contours(digitCnts, method="left-to-right")[0]

   # 计算每一组中的每一个数值
   for c in digitCnts:
      # 找到当前数值的轮廓，resize成合适的的大小
      (x, y, w, h) = cv2.boundingRect(c)
      roi = group[y:y + h, x:x + w]
      roi = cv2.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
      for (digit, digitROI) in digits.items():
         # 模板匹配
         result = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)
         (_, score, _, _) = cv2.minMaxLoc(result)
         scores.append(score)

      # 得到最合适的数字
      print(str(np.argmax(scores)))
      groupOutput.append(str(np.argmax(scores))) #argmax查找最大元素的array的索引，因为这里是顺序的，所以刚好对应了真实的数字

   # 每组识别完毕，在原始图片上画出来
   cv2.rectangle(image, (gX - 5, gY - 5), (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
   cv2.putText(image, "".join(groupOutput), (gX, gY - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)

   groupOutput.append(" ") #每组数字中间加上空格

   # 得到结果
   output.extend(groupOutput)


# 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)