简介
计算机视觉系列第一课opencv语法（一）保姆级教学
计算机视觉系列第一课opencv语法（二）保姆级教学
计算机视觉系列第一课opencv语法（三）保姆级教学
[计算机视觉第一课opencv（四）保姆级教学][opencv 3]
关于计算机视觉的基础内容我们之前已经说完了，今天我们就来用一个小案例来回顾并丰富一下我们的知识。
一、整体流程
- 预处理模板图像，提取数字模板
- 预处理信用卡图像，定位数字区域
- 对每个数字区域进行处理，提取单个数字
- 使用模板匹配识别每个数字
- 输出识别结果
card.png
template.png
这是数字模板，就是把银行卡号与这里面每一个数字对比实现模糊匹配
二、代码分析
1. 导入工具包和参数设置
# 导入工具包importnumpyasnp# 用于数值计算和数组操作importargparse# 用于解析命令行参数importcv2# OpenCV库，用于图像处理importmyutils# 自定义工具函数，包含图像 resize、轮廓排序等功能argparse用于解析命令行参数，允许用户通过命令行指定输入图像和模板图像：
# 设置命令行参数# 创建 ArgumentParser 对象，用于定义和解析命令行参数ap=argparse.ArgumentParser()# 添加输入图像参数ap.add_argument("-i","--image",required=True,help="path to input image")# 输入信用卡图片的路径# 添加模板图像参数ap.add_argument("-t","--template",required=True,help="path to template OCR-A image")# 数字模板图片的路径# 解析参数并转换为字典形式args=vars(ap.parse_args())定义信用卡类型映射表，根据卡号第一位判断：
FIRST_NUMBER={"3":"American Express","4":"Visa","5":"MasterCard","6":"Discover Card"}辅助函数cv_show用于显示图像：
defcv_show(name,img):cv2.imshow(name,img)cv2.waitKey(0)# 等待按键，0表示无限等待myutils.py
importcv2defsort_contours(cnts,method='left-to-right'):reverse=Falsei=0ifmethod=='right-to-left'ormethod=='bottom-to-top':reverse=Trueifmethod=='top-to-bottom'ormethod=='bottom-to-top':i=1boundingBoxes=[cv2.boundingRect(c)forcincnts](cnts,boundingBoxes)=zip(*sorted(zip(cnts,boundingBoxes),key=lambdab:b[1][i],reverse=reverse))# zip(*...) 使用星号操作符解包排序后的元组列表，并将其重新组合成两个列表：一个包含所有轮廓，另一个包含所有边界框。returncnts,boundingBoxesdefresize(image,width=None,height=None,inter=cv2.INTER_AREA):dim=None(h,w)=image.shape[:2]ifwidthisNoneandheightisNone:returnimageifwidthisNone: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)#默认是cv2.INTER_AREA，即面积插值，适用于缩放图像returnresized这里定义了两个函数方法：
sort_contours函数：轮廓排序
这个函数的作用是按照指定的方式对图像中的轮廓进行排序，方便后续的图像处理和分析。
参数说明：
cnts：需要排序的轮廓列表（通常来自cv2.findContours的返回值）method：排序方法，可选值包括：- ‘left-to-right’（默认）：从左到右排序
- ‘right-to-left’：从右到左排序
- ‘top-to-bottom’：从上到下排序
- ‘bottom-to-top’：从下到上排序
工作原理：
首先根据排序方法设置
reverse（是否反转排序结果）和i（排序依据的坐标索引）：- 对于水平方向排序（左右），使用 x 坐标（索引 0）
- 对于垂直方向排序（上下），使用 y 坐标（索引 1）
- 反向排序（如 right-to-left）时设置
reverse=True
boundingBoxes = [cv2.boundingRect(c) for c in cnts]：- 为每个轮廓计算边界框（外接矩形）
cv2.boundingRect(c)返回一个元组(x, y, w, h)，其中 (x,y) 是矩形左上角坐标，w 和 h 是宽和高
排序部分：
zip(cnts, boundingBoxes)将轮廓与其对应的边界框组合成元组sorted(..., key=lambda b: b[1][i], reverse=reverse)根据边界框的指定坐标（x 或 y）进行排序zip(*...)解包排序后的结果，重新组合成轮廓列表和边界框列表
返回排序后的轮廓和对应的边界框
resize函数：图像缩放
这个函数用于按比例调整图像的尺寸，可以指定宽度或高度，保持原图的宽高比。
参数说明：
image：输入图像width：目标宽度（可选）height：目标高度（可选）inter：插值方法，默认为cv2.INTER_AREA（面积插值）
工作原理：
首先获取原图的高度和宽度：
(h, w) = image.shape[:2]处理特殊情况：
- 如果宽度和高度都未指定，直接返回原图
- 如果只指定高度，则计算高度的缩放比例
r = height / float(h)，再计算对应的宽度 - 如果只指定宽度，则计算宽度的缩放比例
r = width / float(w)，再计算对应的高度
执行缩放：
cv2.resize(image, dim, interpolation=inter)使用计算出的目标尺寸dim进行缩放- 默认使用
cv2.INTER_AREA插值方法，这种方法在缩小图像时效果较好，能保持图像质量
返回缩放后的图像
使用场景
sort_contours常用于需要按顺序处理轮廓的场景，如识别数字、字符时按阅读顺序排列resize是预处理的常用步骤，用于统一图像尺寸，方便后续处理或显示
2. 模板图像处理（创建数字模板库）
这部分的目的是从模板图像中提取 0-9 的数字特征，建立模板库：
# 读取模板图像img=cv2.imread(args["template"])cv_show('img',img)# 转换为灰度图ref=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)cv_show('ref',ref)# 转换为二值图像（黑底白字）ref
