在线永久看片免费的视频,无码人妻精,日本成人中文字幕在线,青青草黄色免费视频,五月777,国产精品高潮视频,夜色视频在线免费观看,日韩无码第三页

機器視覺是人工智能正在快速發(fā)展的一個分支。簡單說來，機器視覺就是用機器代替人眼來做測量和判斷。

機器視覺系統(tǒng)是通過機器視覺產(chǎn)品（即圖像攝取裝置，分CMOS和CCD兩種）將被攝取目標轉換成圖像信號，傳送給專用的圖像處理系統(tǒng)，得到被攝目標的形態(tài)信息，根據(jù)像素分布和亮度、顏色等信息，轉變成數(shù)字化信號;圖像系統(tǒng)對這些信號進行各種運算來抽取目標的特征，進而根據(jù)判別的結果來控制現(xiàn)場的設備動作。

模板匹配是一種最原始、最基本的模式識別方法，研究某一特定對象物的圖案位于圖像的什么地方，進而識別對象物，這就是一個匹配問題。它是圖像處理中最基本、最常用的匹配方法。模板匹配具有自身的局限性，主要表現(xiàn)在它只能進行平行移動，若原圖像中的匹配目標發(fā)生旋轉或大小變化，該算法無效。

簡單來說，模板匹配就是在整個圖像區(qū)域發(fā)現(xiàn)與給定子圖像匹配的小塊區(qū)域。

工作原理：在帶檢測圖像上，從左到右，從上向下計算模板圖像與重疊子圖像的匹配度，匹配程度越大，兩者相同的可能性越大。

目標圖.jpg

模板圖.jpg

模板匹配.jpg

上一篇文章講了圖像糾偏：

基于opencv的OCR文檔掃描識別糾偏算法（透視變換）

糾偏之后如果在沒有OCR的條件下，就可以使用模板匹配進行自動識別。

下面我們用模板識別的方法來自動提取信用卡的卡號。

credit_card_01.png（目標圖）

ocr_a_reference.png（模板圖）

No BB，show code：

# 導入工具包from imutils import contoursimport numpy as npimport argparseimport cv2import myutils

其中 myutils 是自己寫的工具包：

myutils?.py

import cv2
def sort_contours(cnts, method="left-to-right"):    reverse = False    i = 0
    if method == "right-to-left" or method == "bottom-to-top":        reverse = True
    if method == "top-to-bottom" or method == "bottom-to-top":        i = 1    boundingBoxes = [cv2.boundingRect(c) for c in cnts] #用一個最小的矩形，把找到的形狀包起來x,y,h,w    (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),                                        key=lambda b: b[1][i], reverse=reverse))
    return cnts, boundingBoxes
def resize(image, width=None, height=None, inter=cv2.INTER_AREA):    dim = None    (h, w) = image.shape[:2]    if width is None and height is None:        return image    if width is None:        r = height / float(h)        dim = (int(w * r), height)    else:        r = width / float(w)        dim = (width, int(h * r))    resized = cv2.resize(image, dim, interpolation=inter)    return resized

# 設置參數(shù)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())

在運行時需要配置輸入的目標圖像和模板圖像，在pycharm中的Edit Configurations中進行配置。

配置代碼為：

--image

images/credit_card_01.png

--template

images/ocr_a_reference.png

#?利用信用卡第一的數(shù)字來指定信用卡類型FIRST_NUMBER = {  "3": "American Express",  "4": "Visa",  "5": "MasterCard",  "6": "Discover Card"}

# 繪圖展示def cv_show(name,img):  cv2.imshow(name, img)  cv2.waitKey(0)  cv2.destroyAllWindows()

在做好所有配置，寫好所有函數(shù)之后，開始我們模板匹配的操作：

首先處理模板，把每個數(shù)字的最小矩形框找到：

# 讀取一個模板圖像img = cv2.imread(args["template"])# 展示模板cv_show('img',img)

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

# 二值圖像ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]cv_show('ref',ref)

# 計算輪廓#cv2.findContours()函數(shù)接受的參數(shù)為二值圖，即黑白的（不是灰度圖）,cv2.RETR_EXTERNAL只檢測外輪廓，cv2.CHAIN_APPROX_SIMPLE只保留終點坐標#返回的list中每個元素都是圖像中的一個輪廓
# ref_, refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,refCnts,-1,(0,0,255),3) cv_show('img',img)

# 打印有多少個輪廓print (np.array(refCnts).shape)
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] #排序，從左到右，從上到下

對找到的每個矩形框按順序匹配上0-9的數(shù)字：

digits = {}
# 遍歷每一個輪廓for (i, c) in enumerate(refCnts):  # 計算外接矩形并且resize成合適大小  (x, y, w, h) = cv2.boundingRect(c)  roi = ref[y:y + h, x:x + w]  roi = cv2.resize(roi, (57, 88))
  # 每一個數(shù)字對應每一個模板??digits[i]?=?roi

下面開始處理目標圖像，通過對目標圖片進行濾波、灰度、Sobel算子邊緣檢測、自適應閾值處理、閉運算、膨脹、腐蝕、輪廓檢測等一系列形態(tài)學操作。利用信用卡號的特定長寬比鎖定卡號位置并截取出來：

# 初始化卷積核rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
#讀取輸入圖像，預處理image = cv2.imread(args["image"])cv_show('image',image)

image = myutils.resize(image, width=300)
#灰度圖gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)cv_show('gray',gray)

#禮帽操作，突出更明亮的區(qū)域tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) cv_show('tophat',tophat)

#sobel算子邊緣檢測gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, #ksize=-1相當于用3*3的  ksize=-1)

gradX = np.absolute(gradX)(minVal, maxVal) = (np.min(gradX), np.max(gradX))
#歸一化gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))gradX = gradX.astype("uint8")
print (np.array(gradX).shape)cv_show('gradX',gradX)

#通過閉操作（先膨脹，再腐蝕）將數(shù)字連在一起gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel) cv_show('gradX',gradX)#THRESH_OTSU會自動尋找合適的閾值，適合雙峰，需把閾值參數(shù)設置為0thresh = cv2.threshold(gradX, 0, 255,  cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] cv_show('thresh',thresh)

#再來一個閉操作thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) #再來一個閉操作cv_show('thresh',thresh)

# 計算輪廓
threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,  cv2.CHAIN_APPROX_SIMPLE)
cnts = threshCntscur_img = image.copy()cv2.drawContours(cur_img,cnts,-1,(0,0,255),3) cv_show('img',cur_img)

最后一步，遍歷所有輪廓，以數(shù)字塊特有的長寬比鎖定數(shù)據(jù)區(qū)域，再跟模板做匹配，得到每一個數(shù)字塊的值，并在信用卡上顯示出來：

#最終想要的區(qū)域locs = []
# 遍歷輪廓for (i, c) in enumerate(cnts):  # 計算矩形  (x, y, w, h) = cv2.boundingRect(c)  ar = w / float(h)
  # 選擇合適的區(qū)域，根據(jù)實際任務來，這里的基本都是四個數(shù)字一組  if ar > 2.5 and ar < 4.0:
    if (w > 40 and w < 55) and (h > 10 and h < 20):      #符合的留下來      locs.append((x, y, w, h))
# 將符合的輪廓從左到右排序locs = sorted(locs, key=lambda x:x[0])output = []
# 遍歷每一個輪廓中的數(shù)字for (i, (gX, gY, gW, gH)) in enumerate(locs):  # initialize the list of group digits  groupOutput = []
  # 根據(jù)坐標提取每一個組，+-5稍微外擴一點兒  group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]  cv_show('group',group)  # 預處理  group = cv2.threshold(group, 0, 255,    cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]  cv_show('group',group)  # 計算每一組的輪廓  digitCnts,hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,    cv2.CHAIN_APPROX_SIMPLE)  digitCnts = contours.sort_contours(digitCnts,    method="left-to-right")[0]
  # 計算每一組中的每一個數(shù)值  for c in digitCnts:    # 找到當前數(shù)值的輪廓，resize成合適的的大小    (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)
    # 計算匹配得分    scores = []
    # 在模板中計算每一個得分    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)
    # 得到最合適的數(shù)字    groupOutput.append(str(np.argmax(scores)))
  # 畫出來  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)
  # 得到結果  output.extend(groupOutput)

最后把匹配出來的數(shù)字進行輸出，提交給用戶。

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

本文為大家分享了機器視覺檢測與識別信用卡卡號的一種思路，首先如果照片拍得有噪聲，可以先對目標圖像進行常規(guī)的預處理像高斯濾波、中值濾波去除噪聲。接著利用需要識別目標本身特定的長寬比鎖定目標具體位置。而獲取圖像輪廓邊緣進而求得長寬比的方法多種多樣，本次分享利用Sobel算子進行邊緣檢測然后通過膨脹、腐蝕等形態(tài)學操作去除多余輪廓和毛刺。最后進行輪廓檢測，獲取每個輪廓的坐標信息。此時，我們可以利用坐標信息轉換為輪廓的長寬比信息。如此，從目標圖片截取需要識別圖片的問題就迎刃而解了。

成功截取圖片后我們的思路是：將每一個數(shù)字分割，單獨存放，為后續(xù)進行的模板匹配識別提供方便。可以仿照上面截取目標圖片的大致思路，經(jīng)過預處理和進一步形態(tài)學處理后檢測輪廓。同樣利用長寬比和檢測出來的坐標信息分割出單個字符并保存。

經(jīng)過上面兩步，我們已經(jīng)獲得了單個數(shù)字的圖片，此時我們利用已經(jīng)準備好的模板庫，與之進行特征值運算比較。與數(shù)字圖片相似度最高的模板標簽即為模板識別的輸出結果。按照相同的方法識別余下字符，并將他們打印出來，這就是本次項目所實現(xiàn)的效果，將目標圖片的信用卡號識別并打印出來。

這個思路同樣可以用于車牌的自動識別，電表讀數(shù)的自動識別。

完美。


往期精彩回顧




適合初學者入門人工智能的路線及資料下載
(圖文+視頻)機器學習入門系列下載
中國大學慕課《機器學習》（黃海廣主講）
機器學習及深度學習筆記等資料打印
《統(tǒng)計學習方法》的代碼復現(xiàn)專輯
機器學習交流qq群955171419，加入微信群請掃碼：

【CV】Python+OpenCV模板匹配實現(xiàn)機器視覺