概述

在日常生活中，經(jīng)常會(huì)看到條形碼的應(yīng)用，比如超市買東西的生活，圖書館借書的時(shí)候。。。

那么這些東西是如何做到準(zhǔn)確檢測(cè)出條形碼的位置呢？

這就是今天要介紹的內(nèi)容了

這篇博文的目標(biāo)是演示使用計(jì)算機(jī)視覺(jué)和圖像處理技術(shù)實(shí)現(xiàn)條形碼的檢測(cè)。

通過(guò)本篇文章的學(xué)習(xí)，我們能學(xué)到的內(nèi)容包括：

1、圖像處理中常用的一些操作流程，包括濾波、閾值化處理、膨脹、腐蝕和輪廓查找等

2、更重要的一點(diǎn)，希望通過(guò)這個(gè)案例，能夠幫助大家建立分析問(wèn)題和處理問(wèn)題的思路

需要注意的是，這個(gè)算法并不適用于所有的條形碼，但是它應(yīng)該能給你一個(gè)基本的直覺(jué)，告訴你應(yīng)該應(yīng)用什么類型的技術(shù)。

條形碼的檢測(cè)

對(duì)于下面這個(gè)例子，我們將檢測(cè)下圖中的條形碼：

目標(biāo)：找到條形碼的位置，而去除掉干擾的因素

思路：

利用條形碼的自身特點(diǎn)，一般都是矩形形狀，而且條碼的條帶是黑色的，矩形區(qū)域是白色的

讓我們繼續(xù)寫一些代碼。打開(kāi)一個(gè)新文件，將其命名為 detect_barcode.py，如何開(kāi)始寫代碼：

#　導(dǎo)入必要的包/庫(kù)import numpy as npimport argparseimport imutilsimport cv2
# 構(gòu)造參數(shù)解析并分析參數(shù)ap = argparse.ArgumentParser()ap.add_argument("-i","--image", required = True, help = "path to the image file")args = vars(ap.parse_args())

我們首先要做的是導(dǎo)入我們需要的包。我們將使用numpy進(jìn)行數(shù)字處理，argparse用于解析命令行參數(shù)，cv2進(jìn)行opencv綁定。

然后我們將設(shè)置命令行參數(shù)。我們這里只需要一個(gè)開(kāi)關(guān)，即 --image，它是我們圖像的路徑，其中包含我們想要檢測(cè)的條形碼。

現(xiàn)在，讓我進(jìn)行實(shí)際的圖像處理吧　導(dǎo)入圖片并轉(zhuǎn)化為灰度圖

image = cv2.imread(args["image"])gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 計(jì)算圖片x和y方向的Scharr梯度大小ddepth = cv2.cv.CV_32F if imutils.is_cv2() else cv2.CV_32FgradX = cv2.Sobel(gray, ddepth=ddepth , dx=1, dy=0, ksize=-1)gradY = cv2.Sobel(gray, ddepth=ddepth , dx=0, dy=1, ksize=-1)
# 用x方向的梯度減去y方向的梯度gradient = cv2.subtract(gradX,gradY)gradient = cv2.convertScaleAbs(gradient)

首先我們先讀入圖片并將其轉(zhuǎn)換為灰度圖；

然后我們使用Scharr操作符（這里制定ksize=1）去構(gòu)造圖片在水平和垂直方向上的梯度幅值表示。

這里，我們用Scharr算子的x方向梯度減去y方向的梯度。通過(guò)這個(gè)相減操作，我們就只剩下了高水平梯度和低垂直梯度的圖像區(qū)域。

我們上述原始圖像的梯度表示如下圖所示

請(qǐng)注意梯度操作是如何檢測(cè)出圖片的條形碼區(qū)域的。接下來(lái)的步驟是如何過(guò)濾掉圖片中的噪聲，重點(diǎn)關(guān)注條形碼區(qū)域。

#　對(duì)圖片進(jìn)行模糊和閾值化操作blurred = cv2.blur(gradient,(9,9))(_,thresh) = cv2.threshold(blurred, 255, 255, cv2.THRESH_BINARY)

我們做的第一件事是使用一個(gè)卷積核大小為9x9的均值濾波作用于梯度圖片。對(duì)圖片進(jìn)行這個(gè)操作將有助于平滑圖片中的高頻噪聲。

然后我將模糊化后的圖片進(jìn)行閾值化，在梯度圖片中，所有的像素點(diǎn)的灰度值低于255的將設(shè)為0（黑色），其余設(shè)為255（白色）。

模糊和閾值化處理后的輸出結(jié)果如下：

然而，正如你所看到的上圖閾值化圖片，在條形碼的垂直方向上存在這間隙。為了縮小這些間隙，并使得我們的算法更加容易的檢測(cè)出條形碼的“斑點(diǎn)”狀區(qū)域，我們需要執(zhí)行一些基礎(chǔ)的形態(tài)學(xué)操作：

#　構(gòu)造一個(gè)閉合核并應(yīng)用于閾值圖片kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (21, 7))closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)

我們通過(guò)使用函數(shù)cv2.getStructuringElement構(gòu)造一個(gè)矩形核。這個(gè)核的寬度大于高度，因此允許我們縮小條形碼垂直條帶之間的間隙。

當(dāng)然，現(xiàn)在圖片中非條形碼的區(qū)域存在著很多斑點(diǎn)，這將會(huì)干擾輪廓的檢測(cè)。

現(xiàn)在，我們繼續(xù)嘗試移除這些小的斑點(diǎn)

＃ 執(zhí)行一系列的腐蝕和膨脹操作closed = cv2.erode(closed, None, iterations = 4)closed = cv2.dilate(closed, None, iterations = 4)

我們現(xiàn)在要做的是進(jìn)行4次腐蝕操作，然后再進(jìn)行4次膨脹操作。腐蝕操作將會(huì)“腐蝕”掉圖片中的白色像素點(diǎn)，因此將會(huì)清除這些小的斑點(diǎn)，而膨脹操作將會(huì)“擴(kuò)張”剩余的白色像素，并使白色區(qū)域變長(zhǎng)。

如果在腐蝕過(guò)程中去除了小的斑點(diǎn)，則在膨脹的過(guò)程中不會(huì)再次出現(xiàn)。

在一系列的腐蝕和膨脹操作之后，這些小斑點(diǎn)已經(jīng)被成功的移除了，只剩下條形碼的區(qū)域。

最后尋找一下圖片中條形碼的區(qū)域的輪廓。

# 找到閾值化后圖片中的輪廓，然后進(jìn)行根據(jù)區(qū)域進(jìn)行排序，僅保留最大區(qū)域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]
# 計(jì)算最大輪廓的旋轉(zhuǎn)邊界框rect = cv2.minAreaRect(c)box = cv2.cv.BoxPoints(rect) if imutils.is_cv2() else cv2.boxPoints(rect)box = np.int0(box)
# 在檢測(cè)到的條形碼周圍繪制邊界框并顯示圖片cv2.drawContours(image, [box], -1, (0,255,0), 3)cv2.imshow("Image", image)cv2.waitKey(0)

幸運(yùn)的是，opencv中提供了相應(yīng)的接口，可以很容易地找到圖像中的最大輪廓，如果我們正確地完成了圖像處理步驟，它應(yīng)該會(huì)對(duì)應(yīng)于條形碼區(qū)域。

然后，我們確定最大輪廓的最小的邊界框，并最后顯示檢測(cè)到的條形碼。

正如我們下圖所示，我們已經(jīng)成功的檢測(cè)到條形碼

詳細(xì)代碼鏈接：https://github.com/DWCTOD/AI_study/tree/master/%E5%90%88%E6%A0%BC%E7%9A%84CV%E5%B7%A5%E7%A8%8B%E5%B8%88/%E5%AE%9E%E6%88%98%E7%AF%87/opencv/%EF%BC%88%E4%BA%94%EF%BC%89%E7%94%A8python%E5%92%8Copencv%E6%A3%80%E6%B5%8B%E5%9B%BE%E5%83%8F%E4%B8%AD%E7%9A%84%E6%9D%A1%E5%BD%A2%E7%A0%81

或點(diǎn)擊“閱讀原文”可跳轉(zhuǎn)

使用方法：python3 detect_barcode.py --image images/barcode_01.jpg

另外還提供了其他的測(cè)試圖片

英文原文鏈接：https://www.pyimagesearch.com/2014/11/24/detecting-barcodes-images-python-opencv/

總結(jié)

值得去思考的點(diǎn)：

1、為啥要轉(zhuǎn)變成灰度圖；

2、如何去除干擾因素，特別是條形碼下面的材料說(shuō)明的區(qū)域是采用什么辦法去除的，小的斑點(diǎn)是如何去除的。