先看效果：
代码资料看本人博客资源。
首先模板是
需要预测的图像是
任务是：使用模板匹配，一定要是数字特别接近的模板，然后匹配银行卡上面的数字。
1.1 模板处理
灰度处理——> 二值处理——> 轮廓处理
# 灰度图 ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值图像 ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]RETR_EXTERNAL表示计算外轮廓，计算外接矩形
# 计算轮廓 #cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图）,cv2.RETR_EXTERNAL只检测外轮廓，cv2.CHAIN_APPROX_SIMPLE只保留终点坐标 #返回的list中每个元素都是图像中的一个轮廓 ref_, refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE) # -1 表示画出所有的轮廓 cv2.drawContours(img,refCnts,-1,(0,0,255),3) refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] #排序，从左到右，从上到下上面调用了sort_contours方法，下面是计算并排序的方法，boundingBoxes 是一个元组，总共包含4个值x,y,h,w，直接按照横坐标x来判断数字在模板中的位置。
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] #用一个最小的矩形，把找到的形状包起来x,y,h,w (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes), key=lambda b: b[1][i], reverse=reverse))在得到10个轮廓之后，进行逐个遍历，c代表每一个轮廓
# 遍历每一个轮廓 for (i, c) in enumerate(refCnts): # 计算外接矩形并且resize成合适大小 (x, y, w, h) = cv2.boundingRect(c) roi = ref[y:y + h, x:x + w] # 得到外接矩形之后，把这个位置抠出来 roi = cv2.resize(roi, (57, 88)) # 每一个数字对应每一个模板 digits[i] = roi1.2 对输入图像进行处理
总体流程：
对图片的处理——灰度处理——> 二值处理——>图像闭操作——>分组提取数字 ——> 切分成每个小的区域—— > 对于每个小区域都进行模板匹配。
信用卡的背景中有很多的干扰项，需要做一些额外的预处理操作
# 初始化卷积核 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) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) cv_show('gray',gray)#礼帽操作，突出更明亮的区域 tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) cv_show('tophat',tophat) # gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, #ksize=-1相当于用3*3的 ksize=-1)对梯度数据（gradX）进行归一化处理，将其数值范围映射到 0-255 的图像像素范围，并转换为可显示的整数格式
gradX = np.absolute(gradX) # 对梯度数组gradX的每一个元素取绝对值。 (minVal, maxVal) = (np.min(gradX), np.max(gradX)) # 计算取绝对值后梯度数组的最小值（minVal）和最大值（maxVal） gradX = (255 * ((gradX - minVal) / (maxVal - minVal))) # 将梯度值从原来的任意范围（比如[5.2, 189.7]）映射到0-255的范围 gradX = gradX.astype("uint8") # 将归一化后的浮点型数组转换为uint8类型（8 位无符号整数，取值范围 0-255）。 print (np.array(gradX).shape) # 打印处理后数组的形状（维度）。 cv_show('gradX',gradX)接下来就是如何让上面的数字更像一个块，opencv中可以使用闭操作来完成
#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)#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] cv_show('thresh',thresh)再把细碎的小白空填充好就可以了
#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)我们需要过滤掉数字以外的轮廓
# 遍历轮廓 for (i, c) in enumerate(cnts): # 计算矩形 (x, y, w, h) = cv2.boundingRect(c) 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: # 自己自定义比例就好 if (w > 40 and w < 55) and (h > 10 and h < 20): #符合的留下来 locs.append((x, y, w, h)) # 将符合的轮廓从左到右排序 locs = sorted(locs, key=lambda x:x[0]) 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 group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5] cv_show('group',group) # 见下图 # 预处理 group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] cv_show('group',group) # 二值化了，更明亮，见下图 # 计算每一组的轮廓 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 groupOutput.append(str(np.argmax(scores)))然后程序就可以输出预测啦。
