緣起

需要檢測發票中二維碼的位置，以確定圖像該怎么旋轉，同時也可以為提取二維碼信息創造先覺條件！（萬惡的需求！）

失敗的嘗試--opencv訓練大法

不感興趣的可跳過不看！

解釋：原文作者是訓練檢測舌頭。。（蜜汁尷尬），先通過opencv自帶的人臉檢測cascade分類器進行人臉檢測然后疊加訓練的舌頭分類器完成舌頭的檢測任務。不多說。

我的實踐：按照原作者的方法，換個數據集我來嘗試一下。

正樣本：一波處理操作后得到以下樣本

image.png

負樣本：一波騷操作后得到以下樣本

image.png

訓練文件夾結構

image.png

測試效果

image.png

解釋：我解釋為訓練樣本太少，正樣本少，負樣本也少，原作者說負樣本的數量要多于正樣本很大一部分，然而我的負樣本確實比較少，但我按照模式識別的思想去思考一波，感覺這非常勉強。。。

成功的嘗試！

第一步：靈感的來源

第二步：消化以上實現效果的方法

經過一番瀏覽以后，作者自己就給出了總體的實現思路，如下：

計算x方向和y方向上的Scharr梯度幅值表示

將x-gradient減去y-gradient來顯示條形碼區域

模糊并二值化圖像

對二值化圖像應用閉運算內核

進行系列的腐蝕、膨脹

找到圖像中的最大輪廓，大概便是條形碼

作者最后的實現效果：

image.png

image.png

可以看出，思路異常清晰！效果也不錯，適合自己的需求。

第三步：觀察自己的圖片

簡單處理后是這樣的

image.png

分析：要識別二維碼，這個圖片當中顏色區分很明顯，所以首先需要把藍色以外的其他色調給去掉！

第四步：寫個小腳本僅顯示藍色調

直接上代碼：OnlyBlue.py

import numpy as np

import cv2

import argparse

# 藍色的范圍，不同光照條件下不一樣，可靈活調整

lower_blue = np.array([90, 90, 90])

upper_blue = np.array([130, 255, 255])

ap=argparse.ArgumentParser()

ap.add_argument("-i", "--image", required = True, help = "path to the image file")

args = vars(ap.parse_args())

image = cv2.imread(args["image"])

hsv=cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# 3.inRange()：介于lower/upper之間的為白色，其余黑色

mask = cv2.inRange(hsv, lower_blue, upper_blue)

# 4.只保留原圖中的藍色部分

res = cv2.bitwise_and(image, image, mask=mask)

cv2.imshow('image', image)

cv2.imshow('mask', mask)

cv2.imshow('res', res)

cv2.imwrite('blue.jpg',res)

cv2.waitKey(0)

以上代碼參考自：傳送門

也是很好的一篇博客，感興趣的可以看看

解釋：由于我這里是比較淺的藍色調，因此更改了原來代碼當中的上下閾值定義部分，如下：

# 藍色的范圍，不同光照條件下不一樣，可靈活調整

lower_blue = np.array([90, 90, 90])

upper_blue = np.array([130, 255, 255])

效果

image.png

這效果我感覺后面已經可以處理了，遂沒有再去調閾值參數。

第五步：寫檢測二維碼的程序腳本

直接上代碼：

import numpy as np

import argparse

import cv2

ap=argparse.ArgumentParser()

ap.add_argument("-i", "--image", required = True, help = "path to the image file")

args = vars(ap.parse_args())

image = cv2.imread(args["image"])

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

gradX = cv2.Sobel(gray, ddepth = cv2.CV_32F, dx = 1, dy = 0, ksize = -1)

gradY = cv2.Sobel(gray, ddepth = cv2.CV_32F, dx = 0, dy = 1, ksize = -1)

gradient = cv2.subtract(gradX, gradY)

gradient = cv2.convertScaleAbs(gradient)

cv2.imshow("gradient",gradient)

#原本沒有過濾顏色通道的時候，這個高斯模糊有效，但是如果進行了顏色過濾，不用高斯模糊效果更好

#blurred = cv2.blur(gradient, (9, 9))

(_, thresh) = cv2.threshold(gradient, 225, 255, cv2.THRESH_BINARY)

cv2.imshow("thresh",thresh)

cv2.imwrite('thresh.jpg',thresh)

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (21, 21))

closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)

cv2.imshow("closed",closed)

cv2.imwrite('closed.jpg',closed)

closed = cv2.erode(closed, None, iterations = 4)

closed = cv2.dilate(closed, None, iterations = 4)

cv2.imwrite('closed1.jpg',closed)

img,cnts, _ = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

c = sorted(cnts, key = cv2.contourArea, reverse = True)[0]

rect = cv2.minAreaRect(c)

box = np.int0(cv2.boxPoints(rect))

cv2.drawContours(image, [box], -1, (0, 255, 0), 3)

cv2.imwrite("final.jpg",image)

cv2.imshow("Image", image)

cv2.waitKey(0)

關鍵錯誤bug解決

原作者文中的代碼運行起來有些問題，主要以下兩個

關于 Python opencv 使用中的 ValueError: too many values to unpack

Why can't use cv2.cv.BoxPoints in OpenCV (Python)?

解決鏈接：傳送門

關鍵部分

image.png

第六步：測試效果

image.png

效果很成功！

總結

以上是生活随笔為你收集整理的python二维码识别读取_python+opencv检测图片中二维码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。