李秋键责编
Carol头图
CSDN付费下载自视觉中国随着计算机视觉在我们生活中的应用越来越广泛，大量的字符识别和提取应用逐渐变得越来越受欢迎，同时也便利了我们的生活。像我们生活中的凭借身份码取快递、超市扫码支付的机器等等。字符识别是模式识别的一个重要应用，首先提取待识别字符的特征；然后对提取出来的特征跟字符模板的特征匹配；最后根据准则判定该字符所属的类别。不同的训练方法，不同的特征提取，不同的匹配规则，就相应的有不同的字符识别方法，基本上很多就是在这些地方做改进，或者是采用新的规则。但是万变不离其宗。1、模板匹配字符识别算法。模板匹配字符识别算法是图像识别中的经典算法之一，该算法的核心思想是：通过比较待识别字符图像的字符特征和标准模板的字符特征，计算两者之间的相似性，相似性最大的标准模板的字符即为待识别的字符。2、神经网络字符识别算法主要思想：通过神经网络学习大量字符样本，从而得到字符的样本特征。当对待识别的字符进行识别时，神经网络就会将待识别字符的特征和之前得到的样本特征匹配，从而识别出字符。3、支持向量机主要思想：同上，都是先得到样本特征，进行训练，然后再分类。SVM应该算是用的最多的分类方法，一般大多适合于二分类问题，在这里就需要使用多分类器来构造。今天我们就简单的利用OpenCV处理通过提取轮廓和匹配等方式来实现模式匹配的字符识别。效果图如下：实验前的准备首先我们使用的python版本是3.6.5所用到的库有cv2库用来图像处理；Numpy库用来矩阵运算，这里主要用来对图像像素值相关性处理；imutils库可以轻松实现基本图像处理功能，如平移，旋转，调整大小，骨架化和显示Matplotlib图像。程序的搭建1、参考图像的读取和处理：参考图像如下，因为银行卡号主要只有0~9这几个数字，为了方便识别数字，我们直接利用这张图片里的数值作为匹配样式：所以下面我们要做的事很明显，就是要将其中每个数字隔开方便后面匹配。代码如下：#定义了一个字典FIRST_NUMBER，它将第一个数字映射到相应的信用卡类型。FIRST_NUMBER={3:AmericanExpress,4:Visa,5:MasterCard,6:DiscoverCard}#参考数字图像，用于匹配#灰度化及二值化ref=cv2.imread(1.png)ref=cv2.cvtColor(ref,cv2.COLOR_BGR2GRAY)ref=cv2.threshold(ref,10,,cv2.THRESH_BINARY_INV)[1]#查找轮廓，从左往右排序refCnts=cv2.findContours(ref.copy,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)refCnts=imutils.grab_contours(refCnts)refCnts=contours.sort_contours(refCnts,method=left-to-right)[0]digits={}#对于其中每一个轮廓进行提循环，i为数字名称,c为轮廓，我们将每个数字0-9（字典键）与第30行的每个roi图像（字典值）相关联。for(i,c)inenumerate(refCnts):(x,y,w,h)=cv2.boundingRect(c)roi=ref[y:y+h,x:x+w]roi=cv2.resize(roi,(57,88))digits[i]=roi#初始化几个结构化内核，构造了两个这样的内核-一个矩形和一个正方形。我们将使用矩形的一个用于Top-hat形态运算符，将方形一个用于关闭操作。rectKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(9,3))sqKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))2、获取数字位置分组：这里需要识别的图片为：我们需要进行的处理包括二值化和Top-hat形态操作，最后通过findContours函数框出位置。其中代码如下：#加载信用卡图像image=cv2.imread(3.jpg)image=imutils.resize(image,width=)gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)#执行Top-hat形态操作，将结果存储为tophat,Top-hat操作显示了深色背景下的亮区（即信用卡号）tophat=cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,rectKernel)#计算沿x方向的渐变在计算gradX数组中每个元素的绝对值之后，我们采取一些步骤将值缩放到范围[0-]（因为图像当前是浮点数据类型）。要做到这一点，我们计算MINVAL#和MAXVAL的gradX（线72），然后由我们的缩放方程上显示线73（即，最小/最大归一化）。最后一步是将gradX转换为uint8，其范围为[0-]gradx=cv2.Sobel(tophat,ddepth=cv2.CV_32F,dx=1,dy=0,ksize=-1)gradx=np.absolute(gradx)(minval,maxval)=(np.min(gradx),np.max(gradx))gradx=(*((gradx-minval)/(maxval-minval)))gradx=gradx.astype(uint8)#执行gradX图像的Otsu和二进制阈值，然后是另一个关闭操作,对数字分段gradx=cv2.morphologyEx(gradx,cv2.MORPH_CLOSE,rectKernel)thresh=cv2.threshold(gradx,0,,cv2.THRESH_BINARY
cv2.THRESH_OTSU)[1]thresh=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,sqKernel)#找到轮廓并初始化数字分组位置列表cnts=cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)cnts=imutils.grab_contours(cnts)3、切割字符：接着循环遍历轮廓，同时根据每个的宽高比进行过滤，允许我们从信用卡的其他不相关区域修剪数字组位置，然后从左到右对分组进行排序，并初始化信用卡数字列表。部分代码如下：locs=#循环遍历轮廓，同时根据每个的宽高比进行过滤，允许我们从信用卡的其他不相关区域修剪数字组位置for(i,c)inenumerate(cnts):#