济南市网站建设_网站建设公司_Banner设计_seo优化

一、流程概述

采用经典的图像处理流程，主要分为两个核心阶段：

1. 模板预处理阶段：预先处理标准OCR-A字体模板，提取并存储每个数字的特征模板
2. 卡号识别阶段：对输入的银行卡图像进行多步处理，定位卡号区域，分割单个数字，通过模板匹配实现识别
   
   

整个系统基于OpenCV库实现。

二、环境配置与参数设置

importnumpyasnpimportargparseimportcv2importmyutilsfromimutilsimportcontours

模块作用分析：

• numpy：提供高效的数值计算和数组操作
• argparse：Python内置库，用于解析命令行参数
• cv2：OpenCV库，核心图像处理功能
• myutils：自定义工具模块，包含轮廓排序等辅助函数
• imutils.contours：提供轮廓处理的便捷函数

三、命令行参数配置

# 设置参数ap=argparse.ArgumentParser()# 创建ArgumentParser对象，用于定义和解析命令行参数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())# 将参数转换为字典格式，便于访问# 使用示例：# python demo47.py -i card1.png -t kahao.png

参数说明：

• -i/--image：必需参数，指定待识别的银行卡图像路径
• -t/--template：必需参数，指定OCR-A模板图像路径

四、银行卡类型定义

# 根据卡号首位数字判断银行卡类型FIRST_NUMBER={"3":"American Express",# 美国运通卡"4":"Visa",# Visa卡"5":"MasterCard",# 万事达卡"6":"Discover Card"# 发现卡}

这个字典基于银行卡号的行业标准：首位数字3代表美国运通，4代表Visa，5代表万事达，6代表发现卡。

五、辅助函数定义

defcv_show(name,img):# 图像显示函数"""显示图像并等待按键响应"""cv2.imshow(name,img)cv2.waitKey(0)

这是一个简单的图像显示封装函数，便于在开发过程中可视化各个处理阶段的结果。

六、模板图像预处理

6.1 模板加载与初步处理

# 读取并显示模板图像img=cv2.imread(args["template"])cv_show('img',img)# 转换为灰度图像ref=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)cv_show('ref',ref)# 二值化处理：黑底白字，便于轮廓检测ref=cv2.threshold(ref,10,255,cv2.THRESH_BINARY_INV)[1]cv_show('ref',ref)

关键步骤解析：

1. 灰度转换：将彩色图像转换为单通道灰度图，减少计算复杂度
2. 二值化：使用阈值处理，将图像转换为纯黑白两色，便于轮廓提取
3. THRESH_BINARY_INV：反向二值化，生成黑底白字效果

6.2 轮廓提取与数字模板建立

# 检测轮廓（只检测外轮廓）_,refCnts,hierarchy=cv2.findContours(ref.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)# 在原始图像上绘制轮廓（红色）cv2.drawContours(img,refCnts,-1,(0,0,255),3)cv_show('refCnts',img)# 对轮廓从左到右排序refCnts=myutils.sort_contours(refCnts,method="left-to-right")[0]digits={}# 存储数字模板的字典# 提取每个数字作为模板for(i,c)inenumerate(refCnts):# 遍历每个数字轮廓# 计算轮廓的外接矩形(x,y,w,h)=cv2.boundingRect(c)# 提取数字区域并缩放到统一尺寸roi=ref[y:y+h,x:x+w]roi=cv2.resize(roi,(57,88))# 标准化尺寸cv_show('roi',roi)digits[i]=roi# 存储模板：键为数字，值为模板图像

技术细节：

• cv2.findContours()：在二值图像中查找轮廓
• RETR_EXTERNAL：仅检测最外层轮廓
• CHAIN_APPROX_SIMPLE：压缩轮廓点，减少内存使用
• 模板标准化：将所有数字缩放到57×88像素，确保后续匹配的准确性

七、银行卡图像处理流程

7.1 图像加载与初步调整

# 读取待识别图像image=cv2.imread(args["image"])cv_show('image',image)# 调整图像尺寸，保持宽高比image=myutils.resize(image,width=300)# 转换为灰度图像gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)cv_show('gray',gray)

宽度统一调整为300像素，既保证处理速度，又维持足够的分辨率。

7.2 形态学处理突出数字区域

# 定义形态学操作的卷积核rectKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(9,3))sqKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))# 顶帽操作：突出亮色细节，抑制背景tophat=cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,rectKernel)open_img=cv2.morphologyEx(gray,cv2.MORPH_OPEN,rectKernel)cv_show('open',open_img)cv_show('tophat',tophat)

形态学操作原理：

• 顶帽操作：原始图像减去开运算结果，突出比背景亮的细小区域
• 开运算：先腐蚀后膨胀，消除小物体，平滑边界
• 银行卡数字通常比背景亮，顶帽操作能有效突出这些数字

7.3 数字区域定位与提取

# 第一次闭操作：连接相近的数字closeX=cv2.morphologyEx(tophat,cv2.MORPH_CLOSE,rectKernel)cv_show('close1',closeX)# 自适应阈值二值化thresh=cv2.threshold(closeX,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]cv_show('thresh',thresh)# 第二次闭操作：进一步连接数字区域thresh=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,sqKernel)cv_show('close2',thresh)

闭操作的作用：通过先膨胀后腐蚀，连接相邻的白色区域（数字），将分散的数字点连接成完整的数字组。

7.4 数字组轮廓检测与筛选

# 检测轮廓_,cnts,_=cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)# 可视化所有轮廓cnts_img=image.copy()cv2.drawContours(cnts_img,cnts,-1,(0,0,255),3)cv_show('cnts_img',cnts_img)# 筛选符合条件的轮廓（银行卡号区域）locs=[]forcincnts:(x,y,w,h)=cv2.boundingRect(c)# 获取外接矩形ar=w/float(h)# 宽高比# 筛选条件：宽高比和尺寸范围if2.5<ar<4.0:# 银行卡号区域的典型宽高比if(40<w<55)and(10<h<20):# 尺寸范围locs.append((x,y,w,h))# 按x坐标排序（从左到右）locs=sorted(locs,key=lambdax:x[0])

筛选逻辑：

• 宽高比2.5-4.0：匹配银行卡号区域的长条形特征
• 宽度40-55像素，高度10-20像素：匹配标准尺寸

八、数字识别核心算法

8.1 单个数字组处理

output=[]# 存储最终识别结果# 遍历每个数字组（通常一组4个数字）for(gx,gy,gw,gh)inlocs:groupOutput=[]# 存储当前组的识别结果# 提取数字组区域，添加5像素边界group=gray[gy-5:gy+gh+5,gx-5:gx+gw+5]cv_show('group',group)# 对数字组进行二值化group=cv2.threshold(group,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]cv_show('group',group)# 检测组内每个数字的轮廓_,digitCnts,_=cv2.findContours(group.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)digitCnts=myutils.sort_contours(digitCnts,method="left-to-right")[0]

8.2 模板匹配识别数字

# 识别组内每个数字forcindigitCnts:# 提取单个数字区域(x,y,w,h)=cv2.boundingRect(c)roi=group[y:y+h,x:x+w]roi=cv2.resize(roi,(57,88))# 缩放到模板相同尺寸cv_show('roi',roi)# 模板匹配：计算与每个模板的相似度scores=[]for(digit,digitROI)indigits.items():# 使用相关系数匹配法result=cv2.matchTemplate(roi,digitROI,cv2.TM_CCOEFF)(_,score,_,_)=cv2.minMaxLoc(result)scores.append(score)# 选择最高得分的数字groupOutput.append(str(np.argmax(scores)))

模板匹配原理：

• cv2.matchTemplate()：在输入图像中搜索与模板匹配的区域
• TM_CCOEFF：相关系数匹配方法，对光照变化鲁棒
• np.argmax(scores)：返回最高得分的索引，即识别出的数字

8.3 结果可视化

# 绘制数字组矩形框（红色）cv2.rectangle(image,(gx-5,gy-5),(gx+gw+5,gy+gh+5),(0,0,255),1)# 在矩形上方显示识别结果（红色）cv2.putText(image,"".join(groupOutput),(gx,gy-15),cv2.FONT_HERSHEY_SIMPLEX,0.65,(0,0,255),2)# 添加到总结果output.extend(groupOutput)

九、最终结果输出

# 输出银行卡类型和完整卡号print("Credit Card Type: {}".format(FIRST_NUMBER.get(output[0],"Unknown")))print("Credit Card #: {}".format("".join(output)))# 显示最终处理结果cv2.imshow("Image",image)cv2.waitKey(0)cv2.destroyAllWindows()