引言在图像处理中模板匹配是一项基础且重要的技术。通过模板匹配我们可以在目标图像中寻找与给定模板最相似的区域。银行卡号识别是计算机视觉中一个经典的应用场景常用于自动化信息录入、金融身份验证等系统。由于银行卡号区域具有固定的字体、大小和排列方式我们可以通过图像处理技术定位该区域并利用模板匹配方法识别每个数字字符。本文将基于OpenCV实现一个完整的银行卡号识别系统主要包含以下模块数字模板的构建从包含0-9数字的模板图片kahao.png中提取数字信用卡图像的预处理与卡号区域定位数字分组与单个字符的分割模板匹配识别数字结果输出与可视化代码将逐步解释每个环节并重点剖析轮廓排序、顶帽操作和模板匹配这几个关键用法。同时我们也会借鉴参考文章中对max(contours, keycv2.contourArea)的解析思路深入理解Python高阶函数在OpenCV中的应用。环境与依赖Python 3.xOpenCVcv2NumPynpargparse用于命令行参数解析任务描述给定一张信用卡图片例如card1.png和一张包含0-9数字的模板图片kahao.png要求自动识别信用卡上的卡号并输出信用卡类型根据首数字判断如4开头为Visa完整的卡号在图像上绘制出卡号区域及识别结果模板图片 (kahao.png) 示意信用卡图片 (card1.png) 示例最终效果示意实现步骤详解1. 工具函数准备我们首先定义两个辅助函数放在myutils.py中用于轮廓排序和图像缩放。这些函数将在后续步骤中反复使用。1.1 轮廓排序函数sort_contoursimport cv2 def sort_contours(cnts, methodleft-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] (cnts, boundingBoxes) zip(*sorted(zip(cnts, boundingBoxes), keylambda b: b[1][i], reversereverse)) return cnts, boundingBoxes代码解析cv2.boundingRect(c)计算轮廓c的最小外接矩形返回(x, y, w, h)。zip(cnts, boundingBoxes)将轮廓列表和对应的边界框列表打包成元组列表每个元组为(轮廓, 边界框)。sorted(..., keylambda b: b[1][i])根据边界框的xi0或yi1坐标排序。zip(*...)将排序后的元组列表解包重新得到两个列表排序后的轮廓和排序后的边界框。该函数根据指定方向如从左到右对轮廓列表排序返回排序后的轮廓和对应的边界框。在识别卡号时我们需要保证数字顺序正确。1.2 图像缩放函数resizedef resize(image, widthNone, heightNone, intercv2.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, interpolationinter) return resized代码解析image.shape[:2]获取图像的高度和宽度。r width / float(w)计算缩放比例。cv2.resize(image, dim, interpolationinter)执行缩放inter默认为cv2.INTER_AREA适用于图像缩小。该函数按指定宽度或高度等比例缩放图像方便统一处理。2. 数字模板构建从kahao.png提取模板图片kahao.png包含0-9十个数字我们需要从中提取每个数字的ROI并缩放到统一尺寸57×88作为后续匹配的模板库。2.1 读取模板图像并预处理import cv2 import numpy as np import argparse import myutils # 设置命令行参数 ap argparse.ArgumentParser() ap.add_argument(-i, --image, requiredTrue, helppath to input image) # 信用卡图片 ap.add_argument(-t, --template, requiredTrue, helppath to template image) # 模板图片 args vars(ap.parse_args()) def cv_show(name, img): cv2.imshow(name, img) cv2.waitKey(0) # 读取模板图像 img cv2.imread(args[template]) cv_show(img, img) # 灰度化 ref cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cv_show(ref, ref) # 二值化黑底白字方便找轮廓 ref cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1] cv_show(ref, ref)代码解析argparse用于解析命令行参数使程序可以通过-i指定信用卡图片-t指定模板图片增加灵活性。cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)将BGR彩色图像转换为灰度图简化后续处理。cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)阈值10是一个较小的值因为模板图片通常是黑白分明的。THRESH_BINARY_INV表示反色二值化将原本的黑色数字变为白色255背景变为黑色0便于轮廓检测。结果展示2.2 轮廓检测与排序# 检测轮廓只检测外轮廓 _, refCnts, hierarchy cv2.findContours(ref, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 在原图上绘制轮廓检查效果 cv2.drawContours(img, refCnts, -1, (0, 0, 255), 3) cv_show(refcnts, img)代码解析cv2.findContours(ref, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)cv2.RETR_EXTERNAL只检测最外层轮廓忽略内部空洞。cv2.CHAIN_APPROX_SIMPLE压缩轮廓点只保留端点例如矩形只保留四个角点。OpenCV版本差异cv2.findContours在不同版本中返回值个数不同。使用_, refCnts, hierarchy可以兼容新版本返回3个值旧版本可能只返回2个值。参考文章中使用[-2:]来兼容这里我们明确新版本写法如果遇到旧版本可调整。cv2.drawContours(img, refCnts, -1, (0, 0, 255), 3)在图像上绘制所有轮廓-1表示绘制所有轮廓颜色红色线宽3。结果展示# 对轮廓从左到右排序 refCnts myutils.sort_contours(refCnts, methodleft-to-right)[0] # 遍历每个轮廓提取数字并保存 dig {} # 字典键为数字0-9值为对应的模板图像 for (i, c) in enumerate(refCnts): (x, y, w, h) cv2.boundingRect(c) roi ref[y:yh, x:xw] roi cv2.resize(roi, (57, 88)) # 统一缩放到57x88 cv_show(roi, roi) # 可选显示每个模板 dig[i] roi # i从0开始正好对应数字0-9代码解析enumerate(refCnts)同时获取索引i和轮廓ci正好对应数字0-9。cv2.boundingRect(c)获取轮廓的外接矩形坐标。ref[y:yh, x:xw]从灰度图ref中截取该矩形区域即数字图像。cv2.resize(roi, (57, 88))将截取的数字缩放到固定尺寸保证与待识别字符尺寸一致。为什么不用max(contours, keycv2.contourArea)在参考文章的花朵轮廓提取中使用该方法获取最大轮廓。但这里我们需要所有数字轮廓因此遍历全部。如果模板图片中有噪声轮廓可以先用面积筛选但本例假设模板干净。部分roi展示3. 信用卡图像预处理对输入的信用卡图片进行预处理突出数字区域。# 读取信用卡图像 image cv2.imread(args[image]) # 缩放至合适大小宽度300像素 image myutils.resize(image, width300) gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) cv_show(gray, gray) # 初始化卷积核 rectKernel cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3)) # 矩形核用于连接数字 sqKernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 方形核用于后续操作 # 顶帽运算突出图像中的亮细节即数字部分 tophat cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) cv_show(tophat, tophat)代码解析cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))创建一个9x3的矩形结构元素用于形态学操作。矩形形状适合连接横向排列的数字。顶帽运算MORPH_TOPHAT定义为src - open(src, kernel)。开运算先腐蚀后膨胀会消除图像中的亮细节。因此顶帽能提取出原图中较亮的部分非常适合增强银行卡号这种较亮的区域同时抑制背景。结果展示4. 定位数字区域通过闭运算将相邻的数字连接成一个整体然后二值化、筛选轮廓找到四组数字区域。# 闭操作将数字连接成一块 closeX cv2.morphologyEx(tophat, cv2.MORPH_CLOSE, rectKernel) cv_show(closeX, closeX)代码解析闭运算MORPH_CLOSE先膨胀后腐蚀可以填充物体内部的小空洞连接邻近的物体。这里用9x3的矩形核目的是将同一组内横向排列的4个数字连接成一个连通的区域。结果展示# 二值化使用OTSU自动阈值 thresh cv2.threshold(closeX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] cv_show(thresh, thresh)代码解析cv2.THRESH_OTSU大津法自动寻找最优阈值适合图像直方图呈双峰分布的情况。这里将阈值参数设为0实际由OTSU自动确定。cv2.THRESH_BINARY二值化类型大于阈值的设为255否则为0。结果展示# 再执行一次闭操作填补空洞 thresh cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) cv_show(close2, thresh) # 查找轮廓 _, cnts, h cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 绘制所有轮廓查看效果 cnts_img image.copy() cv2.drawContours(cnts_img, cnts, -1, (0, 0, 255), 3) cv_show(cnts_img, cnts_img)结果展示# 筛选轮廓根据宽高比和尺寸保留数字组区域 locs [] for c in cnts: (x, y, w, h) cv2.boundingRect(c) ar w / float(h) if 2.5 ar 4: # 宽高比范围银行卡号组通常较宽扁 if (40 w 55) and (10 h 20): # 根据实际图像调整的尺寸范围 locs.append((x, y, w, h)) # 按x坐标从左到右排序 locs sorted(locs, keylambda x: x[0]) print(locs)代码解析宽高比筛选银行卡号一般由4组数字组成每组4个数字。在预处理后的图像中每组数字形成一个较宽的矩形宽高比大致在2.5~4之间。尺寸筛选宽度约40~55像素高度10~20像素取决于图像缩放比例。这些参数可根据实际图像微调。sorted(locs, keylambda x: x[0])按边界框的x坐标排序确保四组数字从左到右排列。5. 数字分割与识别对每组数字区域进一步分割出单个数字并与模板进行匹配。output [] # 存储所有识别出的数字 for (gx, gy, gw, gh) in locs: groupOutput [] # 提取当前组区域并适当扩大边界 group gray[gy-5:gygh5, gx-5:gxgw5] cv_show(group, group) # 对该区域进行二值化 group cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] cv_show(group, group) # 查找轮廓每个数字 _, digitCnts, hierarchy cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 对数字轮廓从左到右排序 digitCnts myutils.sort_contours(digitCnts, methodleft-to-right)[0]代码解析group gray[gy-5:gygh5, gx-5:gxgw5]在原灰度图上截取当前组区域并向外扩展5个像素避免因轮廓检测不精确而切掉数字边缘。cv2.threshold(..., cv2.THRESH_OTSU)对组内区域再次二值化确保数字清晰。cv2.findContours查找组内每个数字的轮廓。myutils.sort_contours对组内数字轮廓从左到右排序。# 遍历每个数字轮廓 for c in digitCnts: (x, y, w, h) cv2.boundingRect(c) roi group[y:yh, x:xw] roi cv2.resize(roi, (57, 88)) # 缩放到与模板相同尺寸 cv_show(roi, roi) # 模板匹配计算得分 scores [] for (digit, digitROI) in dig.items(): result cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF) (_, score, _, _) cv2.minMaxLoc(result) scores.append(score) # 取最高得分对应的数字 groupOutput.append(str(np.argmax(scores)))代码解析cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)使用相关系数法进行模板匹配返回值越大表示匹配度越高。cv2.minMaxLoc(result)返回匹配结果矩阵的最小值、最大值及其位置。这里我们只关心最大值score。np.argmax(scores)从10个得分中找出最大值的索引该索引正好对应数字0-9。部分结果展示# 在原图上绘制矩形框并标注数字 cv2.rectangle(image, (gx-5, gy-5), (gxgw5, gygh5), (0, 255, 0), 1) cv2.putText(image, .join(groupOutput), (gx, gy-15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 255, 0), 1) output.extend(groupOutput) # 根据卡号首数字判断类型 FIRST_NUMBER { 3: American Express, 4: Visa, 5: MasterCard, 6: Discover } print(Credit Card Type: {}.format(FIRST_NUMBER[output[0]])) print(Credit Card #: {}.format(.join(output))) # 显示最终结果 cv2.imshow(Image, image) cv2.waitKey(0) cv2.destroyAllWindows()代码解析cv2.rectangle(image, (gx-5, gy-5), (gxgw5, gygh5), (0, 255, 0), 1)在原图上绘制绿色矩形框标注卡号组区域。cv2.putText(...)在矩形框上方标注识别出的四个数字。FIRST_NUMBER[output[0]]根据卡号第一位数字判断发卡行类型。结果展示关键点解析1. 轮廓排序函数sort_contours的设计该函数的设计思想是通过cv2.boundingRect获取每个轮廓的外接矩形然后利用Python内置的sorted函数配合key参数指定按矩形的x或y坐标排序。代码中的zip和*操作符用于打包和解包非常巧妙。等价实现如果不使用这个函数我们可以手动排序boundingBoxes [cv2.boundingRect(c) for c in cnts] # 按x坐标排序 sorted_indices sorted(range(len(cnts)), keylambda i: boundingBoxes[i][0]) sorted_cnts [cnts[i] for i in sorted_indices]但使用sort_contours更加简洁通用且同时返回排序后的边界框。2.max(contours, keycv2.contourArea)的用法参考文章亮点在参考文章的花朵轮廓提取中使用了max(contours, keycv2.contourArea)来获取面积最大的轮廓。这一用法同样适用于本项目的数字模板提取——如果我们只想保留最大的数字轮廓虽然本例中所有轮廓都要保留。理解key参数是关键contours是一个列表每个元素是一个轮廓NumPy数组。max()是Python内置函数用于返回可迭代对象中的最大值。keycv2.contourArea指定了一个“键函数”在比较每个轮廓时先用cv2.contourArea计算该轮廓的面积然后根据面积大小决定哪个轮廓最大。等价代码max_area 0 max_contour None for c in contours: area cv2.contourArea(c) if area max_area: max_area area max_contour c这种写法体现了Python函数式编程的简洁性也是OpenCV与Python结合的精髓之一。3. 顶帽操作MORPH_TOPHAT的原理与应用顶帽运算定义为src - open(src, kernel)。其中open是开运算先腐蚀后膨胀可以消除亮细节。因此顶帽能提取出原图中较亮的部分非常适合增强银行卡号这种较亮的区域同时抑制背景。在代码中我们对灰度图进行顶帽运算tophat cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)这里使用9x3的矩形核因为数字是横向排列的矩形核有助于增强横向特征。4. 闭操作连接数字闭运算先膨胀后腐蚀可以填充物体内部的小空洞连接邻近的物体。我们两次使用闭操作第一次用rectKernel连接同一组内的数字使其形成连通的块。第二次用sqKernel填补二值化后可能出现的空洞使轮廓更完整。5. 模板匹配方法选择cv2.matchTemplate支持多种方法如TM_CCOEFF、TM_CCORR、TM_SQDIFF等。我们选择TM_CCOEFF相关系数法因为它对线性光照变化有一定鲁棒性。结果值越大表示匹配越好便于取最大值。与TM_CCOEFF_NORMED相比非归一化版本计算更快且在本场景下效果足够。6. 窗口显示管理cv2.waitKey(0)等待用户按键cv2.destroyAllWindows()关闭所有窗口。注意不要在显示前调用destroyAllWindows否则窗口会立即关闭。运行结果与讨论运行上述代码假设card1.png和kahao.png已准备将依次弹出多个窗口显示中间处理步骤最终输出类似textCredit Card Type: Visa Credit Card #: 4000123456789010并在图像上绿色框出卡号区域上方标注数字。可能遇到的问题及改进光照不均如果信用卡照片光照过暗或不均顶帽操作可能效果不佳。可尝试使用自适应直方图均衡化CLAHE预处理。数字粘连如果数字之间间隙过小闭操作后可能无法分开单个数字。可调整卷积核大小或使用形态学梯度辅助分割。模板泛化能力模板图片的字体应与目标卡号字体一致否则匹配效果会下降。可以制作多种字体的模板库或使用深度学习OCR方法。阈值参数代码中的阈值如10、宽高比范围是经验值实际应用中需要根据具体图像调整。建议增加滑动条调试或使用机器学习自动确定。总结本文通过一个完整的银行卡号识别示例展示了OpenCV在图像处理中的典型应用流程模板构建从模板图像中提取数字轮廓排序并统一尺寸。图像预处理灰度化、顶帽运算突出数字区域。区域定位闭操作连接数字、二值化、轮廓筛选找到四组数字。数字分割与识别对每组数字进一步分割与模板匹配获取数字序列。结果输出绘制矩形框、标注数字输出卡号和类型。重点剖析了轮廓排序、顶帽操作和模板匹配的实现细节并借鉴参考文章对max(contours, keycv2.contourArea)的解析帮助读者理解Python高阶函数在OpenCV中的应用。该方案简单高效适合作为入门级项目实践。读者可根据实际场景优化预处理参数提升识别鲁棒性。希望这篇文章对你在图像处理和字符识别方面有所帮助如果有任何问题或建议欢迎留言讨论。注意实际运行代码时请确保kahao.png和信用卡图片存在并根据图像调整阈值和尺寸范围。
OpenCV 实战：银行卡号识别系统（基于模板匹配）
引言在图像处理中模板匹配是一项基础且重要的技术。通过模板匹配我们可以在目标图像中寻找与给定模板最相似的区域。银行卡号识别是计算机视觉中一个经典的应用场景常用于自动化信息录入、金融身份验证等系统。由于银行卡号区域具有固定的字体、大小和排列方式我们可以通过图像处理技术定位该区域并利用模板匹配方法识别每个数字字符。本文将基于OpenCV实现一个完整的银行卡号识别系统主要包含以下模块数字模板的构建从包含0-9数字的模板图片kahao.png中提取数字信用卡图像的预处理与卡号区域定位数字分组与单个字符的分割模板匹配识别数字结果输出与可视化代码将逐步解释每个环节并重点剖析轮廓排序、顶帽操作和模板匹配这几个关键用法。同时我们也会借鉴参考文章中对max(contours, keycv2.contourArea)的解析思路深入理解Python高阶函数在OpenCV中的应用。环境与依赖Python 3.xOpenCVcv2NumPynpargparse用于命令行参数解析任务描述给定一张信用卡图片例如card1.png和一张包含0-9数字的模板图片kahao.png要求自动识别信用卡上的卡号并输出信用卡类型根据首数字判断如4开头为Visa完整的卡号在图像上绘制出卡号区域及识别结果模板图片 (kahao.png) 示意信用卡图片 (card1.png) 示例最终效果示意实现步骤详解1. 工具函数准备我们首先定义两个辅助函数放在myutils.py中用于轮廓排序和图像缩放。这些函数将在后续步骤中反复使用。1.1 轮廓排序函数sort_contoursimport cv2 def sort_contours(cnts, methodleft-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] (cnts, boundingBoxes) zip(*sorted(zip(cnts, boundingBoxes), keylambda b: b[1][i], reversereverse)) return cnts, boundingBoxes代码解析cv2.boundingRect(c)计算轮廓c的最小外接矩形返回(x, y, w, h)。zip(cnts, boundingBoxes)将轮廓列表和对应的边界框列表打包成元组列表每个元组为(轮廓, 边界框)。sorted(..., keylambda b: b[1][i])根据边界框的xi0或yi1坐标排序。zip(*...)将排序后的元组列表解包重新得到两个列表排序后的轮廓和排序后的边界框。该函数根据指定方向如从左到右对轮廓列表排序返回排序后的轮廓和对应的边界框。在识别卡号时我们需要保证数字顺序正确。1.2 图像缩放函数resizedef resize(image, widthNone, heightNone, intercv2.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, interpolationinter) return resized代码解析image.shape[:2]获取图像的高度和宽度。r width / float(w)计算缩放比例。cv2.resize(image, dim, interpolationinter)执行缩放inter默认为cv2.INTER_AREA适用于图像缩小。该函数按指定宽度或高度等比例缩放图像方便统一处理。2. 数字模板构建从kahao.png提取模板图片kahao.png包含0-9十个数字我们需要从中提取每个数字的ROI并缩放到统一尺寸57×88作为后续匹配的模板库。2.1 读取模板图像并预处理import cv2 import numpy as np import argparse import myutils # 设置命令行参数 ap argparse.ArgumentParser() ap.add_argument(-i, --image, requiredTrue, helppath to input image) # 信用卡图片 ap.add_argument(-t, --template, requiredTrue, helppath to template image) # 模板图片 args vars(ap.parse_args()) def cv_show(name, img): cv2.imshow(name, img) cv2.waitKey(0) # 读取模板图像 img cv2.imread(args[template]) cv_show(img, img) # 灰度化 ref cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cv_show(ref, ref) # 二值化黑底白字方便找轮廓 ref cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1] cv_show(ref, ref)代码解析argparse用于解析命令行参数使程序可以通过-i指定信用卡图片-t指定模板图片增加灵活性。cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)将BGR彩色图像转换为灰度图简化后续处理。cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)阈值10是一个较小的值因为模板图片通常是黑白分明的。THRESH_BINARY_INV表示反色二值化将原本的黑色数字变为白色255背景变为黑色0便于轮廓检测。结果展示2.2 轮廓检测与排序# 检测轮廓只检测外轮廓 _, refCnts, hierarchy cv2.findContours(ref, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 在原图上绘制轮廓检查效果 cv2.drawContours(img, refCnts, -1, (0, 0, 255), 3) cv_show(refcnts, img)代码解析cv2.findContours(ref, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)cv2.RETR_EXTERNAL只检测最外层轮廓忽略内部空洞。cv2.CHAIN_APPROX_SIMPLE压缩轮廓点只保留端点例如矩形只保留四个角点。OpenCV版本差异cv2.findContours在不同版本中返回值个数不同。使用_, refCnts, hierarchy可以兼容新版本返回3个值旧版本可能只返回2个值。参考文章中使用[-2:]来兼容这里我们明确新版本写法如果遇到旧版本可调整。cv2.drawContours(img, refCnts, -1, (0, 0, 255), 3)在图像上绘制所有轮廓-1表示绘制所有轮廓颜色红色线宽3。结果展示# 对轮廓从左到右排序 refCnts myutils.sort_contours(refCnts, methodleft-to-right)[0] # 遍历每个轮廓提取数字并保存 dig {} # 字典键为数字0-9值为对应的模板图像 for (i, c) in enumerate(refCnts): (x, y, w, h) cv2.boundingRect(c) roi ref[y:yh, x:xw] roi cv2.resize(roi, (57, 88)) # 统一缩放到57x88 cv_show(roi, roi) # 可选显示每个模板 dig[i] roi # i从0开始正好对应数字0-9代码解析enumerate(refCnts)同时获取索引i和轮廓ci正好对应数字0-9。cv2.boundingRect(c)获取轮廓的外接矩形坐标。ref[y:yh, x:xw]从灰度图ref中截取该矩形区域即数字图像。cv2.resize(roi, (57, 88))将截取的数字缩放到固定尺寸保证与待识别字符尺寸一致。为什么不用max(contours, keycv2.contourArea)在参考文章的花朵轮廓提取中使用该方法获取最大轮廓。但这里我们需要所有数字轮廓因此遍历全部。如果模板图片中有噪声轮廓可以先用面积筛选但本例假设模板干净。部分roi展示3. 信用卡图像预处理对输入的信用卡图片进行预处理突出数字区域。# 读取信用卡图像 image cv2.imread(args[image]) # 缩放至合适大小宽度300像素 image myutils.resize(image, width300) gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) cv_show(gray, gray) # 初始化卷积核 rectKernel cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3)) # 矩形核用于连接数字 sqKernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 方形核用于后续操作 # 顶帽运算突出图像中的亮细节即数字部分 tophat cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) cv_show(tophat, tophat)代码解析cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))创建一个9x3的矩形结构元素用于形态学操作。矩形形状适合连接横向排列的数字。顶帽运算MORPH_TOPHAT定义为src - open(src, kernel)。开运算先腐蚀后膨胀会消除图像中的亮细节。因此顶帽能提取出原图中较亮的部分非常适合增强银行卡号这种较亮的区域同时抑制背景。结果展示4. 定位数字区域通过闭运算将相邻的数字连接成一个整体然后二值化、筛选轮廓找到四组数字区域。# 闭操作将数字连接成一块 closeX cv2.morphologyEx(tophat, cv2.MORPH_CLOSE, rectKernel) cv_show(closeX, closeX)代码解析闭运算MORPH_CLOSE先膨胀后腐蚀可以填充物体内部的小空洞连接邻近的物体。这里用9x3的矩形核目的是将同一组内横向排列的4个数字连接成一个连通的区域。结果展示# 二值化使用OTSU自动阈值 thresh cv2.threshold(closeX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] cv_show(thresh, thresh)代码解析cv2.THRESH_OTSU大津法自动寻找最优阈值适合图像直方图呈双峰分布的情况。这里将阈值参数设为0实际由OTSU自动确定。cv2.THRESH_BINARY二值化类型大于阈值的设为255否则为0。结果展示# 再执行一次闭操作填补空洞 thresh cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) cv_show(close2, thresh) # 查找轮廓 _, cnts, h cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 绘制所有轮廓查看效果 cnts_img image.copy() cv2.drawContours(cnts_img, cnts, -1, (0, 0, 255), 3) cv_show(cnts_img, cnts_img)结果展示# 筛选轮廓根据宽高比和尺寸保留数字组区域 locs [] for c in cnts: (x, y, w, h) cv2.boundingRect(c) ar w / float(h) if 2.5 ar 4: # 宽高比范围银行卡号组通常较宽扁 if (40 w 55) and (10 h 20): # 根据实际图像调整的尺寸范围 locs.append((x, y, w, h)) # 按x坐标从左到右排序 locs sorted(locs, keylambda x: x[0]) print(locs)代码解析宽高比筛选银行卡号一般由4组数字组成每组4个数字。在预处理后的图像中每组数字形成一个较宽的矩形宽高比大致在2.5~4之间。尺寸筛选宽度约40~55像素高度10~20像素取决于图像缩放比例。这些参数可根据实际图像微调。sorted(locs, keylambda x: x[0])按边界框的x坐标排序确保四组数字从左到右排列。5. 数字分割与识别对每组数字区域进一步分割出单个数字并与模板进行匹配。output [] # 存储所有识别出的数字 for (gx, gy, gw, gh) in locs: groupOutput [] # 提取当前组区域并适当扩大边界 group gray[gy-5:gygh5, gx-5:gxgw5] cv_show(group, group) # 对该区域进行二值化 group cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] cv_show(group, group) # 查找轮廓每个数字 _, digitCnts, hierarchy cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 对数字轮廓从左到右排序 digitCnts myutils.sort_contours(digitCnts, methodleft-to-right)[0]代码解析group gray[gy-5:gygh5, gx-5:gxgw5]在原灰度图上截取当前组区域并向外扩展5个像素避免因轮廓检测不精确而切掉数字边缘。cv2.threshold(..., cv2.THRESH_OTSU)对组内区域再次二值化确保数字清晰。cv2.findContours查找组内每个数字的轮廓。myutils.sort_contours对组内数字轮廓从左到右排序。# 遍历每个数字轮廓 for c in digitCnts: (x, y, w, h) cv2.boundingRect(c) roi group[y:yh, x:xw] roi cv2.resize(roi, (57, 88)) # 缩放到与模板相同尺寸 cv_show(roi, roi) # 模板匹配计算得分 scores [] for (digit, digitROI) in dig.items(): result cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF) (_, score, _, _) cv2.minMaxLoc(result) scores.append(score) # 取最高得分对应的数字 groupOutput.append(str(np.argmax(scores)))代码解析cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)使用相关系数法进行模板匹配返回值越大表示匹配度越高。cv2.minMaxLoc(result)返回匹配结果矩阵的最小值、最大值及其位置。这里我们只关心最大值score。np.argmax(scores)从10个得分中找出最大值的索引该索引正好对应数字0-9。部分结果展示# 在原图上绘制矩形框并标注数字 cv2.rectangle(image, (gx-5, gy-5), (gxgw5, gygh5), (0, 255, 0), 1) cv2.putText(image, .join(groupOutput), (gx, gy-15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 255, 0), 1) output.extend(groupOutput) # 根据卡号首数字判断类型 FIRST_NUMBER { 3: American Express, 4: Visa, 5: MasterCard, 6: Discover } print(Credit Card Type: {}.format(FIRST_NUMBER[output[0]])) print(Credit Card #: {}.format(.join(output))) # 显示最终结果 cv2.imshow(Image, image) cv2.waitKey(0) cv2.destroyAllWindows()代码解析cv2.rectangle(image, (gx-5, gy-5), (gxgw5, gygh5), (0, 255, 0), 1)在原图上绘制绿色矩形框标注卡号组区域。cv2.putText(...)在矩形框上方标注识别出的四个数字。FIRST_NUMBER[output[0]]根据卡号第一位数字判断发卡行类型。结果展示关键点解析1. 轮廓排序函数sort_contours的设计该函数的设计思想是通过cv2.boundingRect获取每个轮廓的外接矩形然后利用Python内置的sorted函数配合key参数指定按矩形的x或y坐标排序。代码中的zip和*操作符用于打包和解包非常巧妙。等价实现如果不使用这个函数我们可以手动排序boundingBoxes [cv2.boundingRect(c) for c in cnts] # 按x坐标排序 sorted_indices sorted(range(len(cnts)), keylambda i: boundingBoxes[i][0]) sorted_cnts [cnts[i] for i in sorted_indices]但使用sort_contours更加简洁通用且同时返回排序后的边界框。2.max(contours, keycv2.contourArea)的用法参考文章亮点在参考文章的花朵轮廓提取中使用了max(contours, keycv2.contourArea)来获取面积最大的轮廓。这一用法同样适用于本项目的数字模板提取——如果我们只想保留最大的数字轮廓虽然本例中所有轮廓都要保留。理解key参数是关键contours是一个列表每个元素是一个轮廓NumPy数组。max()是Python内置函数用于返回可迭代对象中的最大值。keycv2.contourArea指定了一个“键函数”在比较每个轮廓时先用cv2.contourArea计算该轮廓的面积然后根据面积大小决定哪个轮廓最大。等价代码max_area 0 max_contour None for c in contours: area cv2.contourArea(c) if area max_area: max_area area max_contour c这种写法体现了Python函数式编程的简洁性也是OpenCV与Python结合的精髓之一。3. 顶帽操作MORPH_TOPHAT的原理与应用顶帽运算定义为src - open(src, kernel)。其中open是开运算先腐蚀后膨胀可以消除亮细节。因此顶帽能提取出原图中较亮的部分非常适合增强银行卡号这种较亮的区域同时抑制背景。在代码中我们对灰度图进行顶帽运算tophat cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)这里使用9x3的矩形核因为数字是横向排列的矩形核有助于增强横向特征。4. 闭操作连接数字闭运算先膨胀后腐蚀可以填充物体内部的小空洞连接邻近的物体。我们两次使用闭操作第一次用rectKernel连接同一组内的数字使其形成连通的块。第二次用sqKernel填补二值化后可能出现的空洞使轮廓更完整。5. 模板匹配方法选择cv2.matchTemplate支持多种方法如TM_CCOEFF、TM_CCORR、TM_SQDIFF等。我们选择TM_CCOEFF相关系数法因为它对线性光照变化有一定鲁棒性。结果值越大表示匹配越好便于取最大值。与TM_CCOEFF_NORMED相比非归一化版本计算更快且在本场景下效果足够。6. 窗口显示管理cv2.waitKey(0)等待用户按键cv2.destroyAllWindows()关闭所有窗口。注意不要在显示前调用destroyAllWindows否则窗口会立即关闭。运行结果与讨论运行上述代码假设card1.png和kahao.png已准备将依次弹出多个窗口显示中间处理步骤最终输出类似textCredit Card Type: Visa Credit Card #: 4000123456789010并在图像上绿色框出卡号区域上方标注数字。可能遇到的问题及改进光照不均如果信用卡照片光照过暗或不均顶帽操作可能效果不佳。可尝试使用自适应直方图均衡化CLAHE预处理。数字粘连如果数字之间间隙过小闭操作后可能无法分开单个数字。可调整卷积核大小或使用形态学梯度辅助分割。模板泛化能力模板图片的字体应与目标卡号字体一致否则匹配效果会下降。可以制作多种字体的模板库或使用深度学习OCR方法。阈值参数代码中的阈值如10、宽高比范围是经验值实际应用中需要根据具体图像调整。建议增加滑动条调试或使用机器学习自动确定。总结本文通过一个完整的银行卡号识别示例展示了OpenCV在图像处理中的典型应用流程模板构建从模板图像中提取数字轮廓排序并统一尺寸。图像预处理灰度化、顶帽运算突出数字区域。区域定位闭操作连接数字、二值化、轮廓筛选找到四组数字。数字分割与识别对每组数字进一步分割与模板匹配获取数字序列。结果输出绘制矩形框、标注数字输出卡号和类型。重点剖析了轮廓排序、顶帽操作和模板匹配的实现细节并借鉴参考文章对max(contours, keycv2.contourArea)的解析帮助读者理解Python高阶函数在OpenCV中的应用。该方案简单高效适合作为入门级项目实践。读者可根据实际场景优化预处理参数提升识别鲁棒性。希望这篇文章对你在图像处理和字符识别方面有所帮助如果有任何问题或建议欢迎留言讨论。注意实际运行代码时请确保kahao.png和信用卡图片存在并根据图像调整阈值和尺寸范围。
