? ? ? ? 今天看到一篇關(guān)于條形碼檢測(cè)的文章，還是存在一些問(wèn)題的，昨天我陪朋友去取快遞的時(shí)候，看到了關(guān)于條形碼檢測(cè)在現(xiàn)實(shí)場(chǎng)景中的應(yīng)用，于是，便想著實(shí)現(xiàn)一波，并且對(duì)程序中的一些問(wèn)題做了一些修改。

首先要確定調(diào)用的包/庫(kù)的版本，這是在我電腦上程序的運(yùn)行環(huán)境（在今后的文章中，我會(huì)特別注意版本問(wèn)題，這個(gè)非常重要）：

• python3.6 + win 10
• numpy 1.16.2
• imutils 0.5.2
• opencv 4.1.0

圖片來(lái)源于百度

?

一、導(dǎo)入需要用到的包/庫(kù)

import numpy as np import imutils import cv2

二、轉(zhuǎn)化為灰度圖

一般對(duì)圖像的處理操作都是在灰度圖的基礎(chǔ)上進(jìn)行的。

image = cv2.imread('D:\image.jpg') gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

?

三、使用Scharr算子進(jìn)行邊緣檢測(cè)

? ? ? ? 條形碼一般具有以下特點(diǎn)：矩形形狀，條帶是黑色，背景為白色，而且黑白相間。這就導(dǎo)致條形碼區(qū)域光暗變化明顯，這對(duì)于Scharr算子非常合適，因?yàn)镾charr算子對(duì)于圖像梯度的變化更加敏感，更有利于獲取條形碼的特征。

想要了解更多的邊緣檢測(cè)算法，可以查看我的這篇博客：https://blog.csdn.net/qq_40962368/article/details/81416954

ddepth = cv2.CV_32F if imutils.is_cv2() else cv2.CV_32F gradX = cv2.Sobel(gray, ddepth=ddepth, dx=1, dy=0, ksize=-1) gradY = cv2.Sobel(gray, ddepth=ddepth, dx=0, dy=1, ksize=-1) gradient = cv2.subtract(gradX,gradY) gradient = cv2.convertScaleAbs(gradient)

?

四、去除噪聲

? ? ? ? （1）模糊與閾值化處理

? ? ? ? ? ? 通過(guò)均值濾波對(duì)圖像進(jìn)行模糊處理，通過(guò)閾值化處理將圖像轉(zhuǎn)化為二值圖像。以此來(lái)去除圖像中的絕大部分噪聲。cv2.threshold函數(shù)的第二個(gè)參數(shù)是為閾值化處理所設(shè)置的閾值，為了盡可能的去除噪聲，所以，盡量將此值設(shè)置的大一些，但不能過(guò)大，以免影響條形碼特征本身。

關(guān)于更多的OpenCV中閾值分割的方法，可以查看我的這篇博客：https://blog.csdn.net/qq_40962368/article/details/80917250

blurred = cv2.blur(gradient,(9, 9)) (_, thresh) = cv2.threshold(blurred, 231, 255, cv2.THRESH_BINARY)

?

? ? ? ? ?（2）形態(tài)學(xué)處理

? ? ? ? ? ? 通過(guò)形態(tài)學(xué)處理，去除圖像細(xì)小的噪聲斑點(diǎn)。使用cv2.getStructuringElement函數(shù)定義結(jié)構(gòu)元素，經(jīng)過(guò)一個(gè)開運(yùn)算，再經(jīng)過(guò)四次腐蝕與四次膨脹，更好的去除噪聲。

關(guān)于形態(tài)學(xué)的操作一些方法，可以查看我的這篇博客：https://blog.csdn.net/qq_40962368/article/details/81276820

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (21, 7)) closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) closed = cv2.erode(closed, None, iterations=4) closed = cv2.dilate(closed, None, iterations=4)

?

五、確定檢測(cè)輪廓，畫出檢測(cè)框

? ? ? ? OpenCV中提供了識(shí)別圖像區(qū)域的函數(shù)，非常好用，找相應(yīng)的區(qū)域，根據(jù)區(qū)域大小進(jìn)行排序，保留最大的區(qū)域，該區(qū)域就是我們要找的條形碼區(qū)域。計(jì)算該輪廓的旋轉(zhuǎn)邊界框，確定位置信息，畫出檢測(cè)框。

cnts = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cnts = imutils.grab_contours(cnts) c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]rect = cv2.minAreaRect(c) box = cv2.boxPoints(rect) if imutils.is_cv2() else cv2.boxPoints(rect) box = np.int0(box)cv2.drawContours(image, [box], -1, (0, 255, 0), 3) cv2.imshow("Image", image) cv2.waitKey(0) cv2.destroyAllWindows()

總結(jié)：從檢測(cè)結(jié)果來(lái)看，在特定的應(yīng)用場(chǎng)景下，檢測(cè)效果還是挺好的，但不適合應(yīng)用于所有的應(yīng)用場(chǎng)景，但我們可以從條形碼的檢測(cè)過(guò)程可以看出解決這類問(wèn)題的一般想法，為以后解決類似的問(wèn)題提供一種比較可靠的思路。

?

參考網(wǎng)址：https://www.pyimagesearch.com/2014/11/24detecting-barcodes-images-python-opencv/

總結(jié)

以上是生活随笔為你收集整理的python+OpenCV检测条形码的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。