（附代碼）實戰(zhàn) | 用python和opencv檢測圖像中的條形碼

概述

在日常生活中，經(jīng)常會看到條形碼的應(yīng)用，比如超市買東西的生活，圖書館借書的時候。。。

那么這些東西是如何做到準確檢測出條形碼的位置呢？

這就是今天要介紹的內(nèi)容了

這篇博文的目標是演示使用計算機視覺和圖像處理技術(shù)實現(xiàn)條形碼的檢測。

通過本篇文章的學習，我們能學到的內(nèi)容包括：

1、圖像處理中常用的一些操作流程，包括濾波、閾值化處理、膨脹、腐蝕和輪廓查找等

2、更重要的一點，希望通過這個案例，能夠幫助大家建立分析問題和處理問題的思路

需要注意的是，這個算法并不適用于所有的條形碼，但是它應(yīng)該能給你一個基本的直覺，告訴你應(yīng)該應(yīng)用什么類型的技術(shù)。

條形碼的檢測

對于下面這個例子，我們將檢測下圖中的條形碼：

目標：找到條形碼的位置，而去除掉干擾的因素

思路：

利用條形碼的自身特點，一般都是矩形形狀，而且條碼的條帶是黑色的，矩形區(qū)域是白色的

讓我們繼續(xù)寫一些代碼。打開一個新文件，將其命名為 detect_barcode.py，如何開始寫代碼：

#　導入必要的包/庫import numpy as npimport argparseimport imutilsimport cv2
# 構(gòu)造參數(shù)解析并分析參數(shù)ap = argparse.ArgumentParser()ap.add_argument("-i","--image", required = True, help = "path to the image file")args = vars(ap.parse_args())

我們首先要做的是導入我們需要的包。我們將使用numpy進行數(shù)字處理，argparse用于解析命令行參數(shù)，cv2進行opencv綁定。

然后我們將設(shè)置命令行參數(shù)。我們這里只需要一個開關(guān)，即 --image，它是我們圖像的路徑，其中包含我們想要檢測的條形碼。

現(xiàn)在，讓我進行實際的圖像處理吧　導入圖片并轉(zhuǎn)化為灰度圖

image = cv2.imread(args["image"])gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 計算圖片x和y方向的Scharr梯度大小ddepth = cv2.cv.CV_32F if imutils.is_cv2() else cv2.CV_32FgradX = cv2.Sobel(gray, ddepth=ddepth , dx=1, dy=0, ksize=-1)gradY = cv2.Sobel(gray, ddepth=ddepth , dx=0, dy=1, ksize=-1)
# 用x方向的梯度減去y方向的梯度gradient = cv2.subtract(gradX,gradY)gradient = cv2.convertScaleAbs(gradient)

首先我們先讀入圖片并將其轉(zhuǎn)換為灰度圖；

然后我們使用Scharr操作符（這里制定ksize=1）去構(gòu)造圖片在水平和垂直方向上的梯度幅值表示。

這里，我們用Scharr算子的x方向梯度減去y方向的梯度。通過這個相減操作，我們就只剩下了高水平梯度和低垂直梯度的圖像區(qū)域。

我們上述原始圖像的梯度表示如下圖所示

請注意梯度操作是如何檢測出圖片的條形碼區(qū)域的。接下來的步驟是如何過濾掉圖片中的噪聲，重點關(guān)注條形碼區(qū)域。

#　對圖片進行模糊和閾值化操作blurred = cv2.blur(gradient,(9,9))(_,thresh) = cv2.threshold(blurred, 255, 255, cv2.THRESH_BINARY)

我們做的第一件事是使用一個卷積核大小為9x9的均值濾波作用于梯度圖片。對圖片進行這個操作將有助于平滑圖片中的高頻噪聲。

然后我將模糊化后的圖片進行閾值化，在梯度圖片中，所有的像素點的灰度值低于255的將設(shè)為0（黑色），其余設(shè)為255（白色）。

模糊和閾值化處理后的輸出結(jié)果如下：

然而，正如你所看到的上圖閾值化圖片，在條形碼的垂直方向上存在這間隙。為了縮小這些間隙，并使得我們的算法更加容易的檢測出條形碼的“斑點”狀區(qū)域，我們需要執(zhí)行一些基礎(chǔ)的形態(tài)學操作：

#　構(gòu)造一個閉合核并應(yīng)用于閾值圖片kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (21, 7))closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)

我們通過使用函數(shù)cv2.getStructuringElement構(gòu)造一個矩形核。這個核的寬度大于高度，因此允許我們縮小條形碼垂直條帶之間的間隙。

當然，現(xiàn)在圖片中非條形碼的區(qū)域存在著很多斑點，這將會干擾輪廓的檢測。

現(xiàn)在，我們繼續(xù)嘗試移除這些小的斑點

＃ 執(zhí)行一系列的腐蝕和膨脹操作closed = cv2.erode(closed, None, iterations = 4)closed = cv2.dilate(closed, None, iterations = 4)

我們現(xiàn)在要做的是進行4次腐蝕操作，然后再進行4次膨脹操作。腐蝕操作將會“腐蝕”掉圖片中的白色像素點，因此將會清除這些小的斑點，而膨脹操作將會“擴張”剩余的白色像素，并使白色區(qū)域變長。

如果在腐蝕過程中去除了小的斑點，則在膨脹的過程中不會再次出現(xiàn)。

在一系列的腐蝕和膨脹操作之后，這些小斑點已經(jīng)被成功的移除了，只剩下條形碼的區(qū)域。

最后尋找一下圖片中條形碼的區(qū)域的輪廓。

# 找到閾值化后圖片中的輪廓，然后進行根據(jù)區(qū)域進行排序，僅保留最大區(qū)域cnts = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)cnts = imutils.grab_contours(cnts)c = sorted(cnts, key = cv2.contourArea, reverse = True)[0]
# 計算最大輪廓的旋轉(zhuǎn)邊界框rect = cv2.minAreaRect(c)box = cv2.cv.BoxPoints(rect) if imutils.is_cv2() else cv2.boxPoints(rect)box = np.int0(box)
# 在檢測到的條形碼周圍繪制邊界框并顯示圖片cv2.drawContours(image, [box], -1, (0,255,0), 3)cv2.imshow("Image", image)cv2.waitKey(0)

幸運的是，opencv中提供了相應(yīng)的接口，可以很容易地找到圖像中的最大輪廓，如果我們正確地完成了圖像處理步驟，它應(yīng)該會對應(yīng)于條形碼區(qū)域。

然后，我們確定最大輪廓的最小的邊界框，并最后顯示檢測到的條形碼。

正如我們下圖所示，我們已經(jīng)成功的檢測到條形碼

詳細代碼鏈接：https://github.com/DWCTOD/AI_study/tree/master/%E5%90%88%E6%A0%BC%E7%9A%84CV%E5%B7%A5%E7%A8%8B%E5%B8%88/%E5%AE%9E%E6%88%98%E7%AF%87/opencv/%EF%BC%88%E4%BA%94%EF%BC%89%E7%94%A8python%E5%92%8Copencv%E6%A3%80%E6%B5%8B%E5%9B%BE%E5%83%8F%E4%B8%AD%E7%9A%84%E6%9D%A1%E5%BD%A2%E7%A0%81

或點擊“閱讀原文”可跳轉(zhuǎn)

使用方法：python3 detect_barcode.py --image images/barcode_01.jpg

另外還提供了其他的測試圖片

英文原文鏈接：https://www.pyimagesearch.com/2014/11/24/detecting-barcodes-images-python-opencv/

總結(jié)

值得去思考的點：

1、為啥要轉(zhuǎn)變成灰度圖；

2、如何去除干擾因素，特別是條形碼下面的材料說明的區(qū)域是采用什么辦法去除的，小的斑點是如何去除的。