計算機視覺，我們前期文章分享了很多關于類似這方面的文章，包括人臉識别三部曲，目标檢測，目标追蹤等，本期文章，我們介紹一下如何使用opencv來進行條形碼的檢測，畢竟超市裡面的物品都是有價格條形碼，如何進行opencv條形碼的檢測，便成了無人超市需要重點關注并需要解決的問題
opencv條形碼的檢測
opencv條形碼的檢測
import numpy as npimport cv2image = cv2.imread("11.jpg")gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
首先我們導入需要進行檢測的圖檔，并把RGB顔色空間的圖檔轉換成灰階照片
代碼截圖
ddepth = 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)gradient = cv2.subtract(gradX, gradY)gradient = cv2.convertScaleAbs(gradient)blurred = cv2.blur(gradient, (9, 9))(_, thresh) = cv2.threshold(blurred, 225, 255, cv2.THRESH_BINARY)
然後，我們使用cv.sobel算子進行圖檔的X Y 軸的邊緣檢測，并使用cv2.subtract(gradX, gradY)計算圖檔的梯度，以Sobel算子計算x，y方向上的梯度，之後在x方向上減去y方向上的梯度，通過這個減法，我們留下具有高水準梯度和低垂直梯度的圖像區域，然後cv2.convertScaleAbs傳回圖檔的unit8格式，參考圖檔如下。
高水準梯度和低垂直梯度的圖像區域
函數原型：dst = cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
函數參數：
1. src - 需要處理的圖像
2. ddepth - 圖像的深度，-1表示采用的是與原圖像相同的深度。目标圖像的深度必須大于等于原圖像的深度
3. dx - 對x軸方向求導的階數，一般為0、1、2，其中0表示這個方向上沒有求導
4. dy - 對y軸方向求導的階數，一般為0、1、2，其中0表示這個方向上沒有求導
5. dst - 目标圖像
6. ksize - Sobel算子的大小，必須為1、3、5、7
7. scale - 縮放導數的比例常數，預設情況下沒有伸縮系數
8. delta - 可選增量， 将會加到最終的dst中，同樣，預設情況下沒有額外的值加到dst中
9. borderType - 圖像邊界的模式。這個參數預設值為cv2.BORDER_DEFAUL
在經過處理後，需要用convertScaleAbs()函數将其轉回原來的uint8形式，否則将無法顯示圖像，而隻是一副灰色的視窗。
函數原型：dst = cv2.convertScaleAbs(src[, dst[, alpha[, beta]]]) 其中可選參數alpha是伸縮系數，beta是加到結果上的一個值，結果傳回uint8類型的圖檔# absX=cv2.convertScaleAbs(x) # 轉回uint8# absY=cv2.convertScaleAbs(y)
代碼截圖
在圖像的讀取中，會存在一些噪噪聲點，如一些白噪聲，是以我們需要進行去噪操作
opencv4種去噪操作
1. cv2.blur(均值濾波) 2.cv2.boxfilter(方框濾波)3. cv2.Guassiannblur(進行高斯濾波)4. cv2.medianBlur(進行中值濾波)
1.cv2.blur(img, (3, 3)) 進行均值濾波參數說明：img表示輸入的圖檔， (3, 3) 表示進行均值濾波的方框大小
2. cv2.boxfilter(img, -1, (3, 3), normalize=True) 表示進行方框濾波，參數說明當normalize=True時，與均值濾波結果相同， normalize=False，表示對加和後的結果不進行平均操作，大于255的使用255表示
3. cv2.Guassianblur(img, (3, 3), 1) 表示進行高斯濾波， 參數說明: 1表示σ， x表示與目前值得距離，計算出的G(x)表示權重值
4. cv2.medianBlur(img, 3) #中值濾波，相當于将9個值進行排序，取中值作為目前值參數說明：img表示目前的圖檔，3表示目前的方框尺寸
門檻值處理(cv2.threshold) 後圖檔
opencv: 門檻值處理(cv2.threshold)
cv2.threshold (src, thresh, maxval, type)src：源圖檔，必須是單通道thresh：門檻值，取值範圍0～255maxval：填充色，取值範圍0～255type：門檻值類型，具體見下表
門檻值類型
圖檔形态學
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)
代碼截圖
通過以上操作，我們已經檢測到了條形碼的大緻位置，然後使用核心函數擷取圖檔外形的形态學，并分别執行4次形态學腐蝕與膨脹，擷取更精确的圖檔形狀位置
kernel = cv2.getStructuringElement這個函數的第一個參數表示核心的形狀，有三種形狀可以選擇矩形：MORPH_RECT;交叉形：MORPH_CROSS;橢圓形：MORPH_ELLIPSE;
第二和第三個參數分别是核心的尺寸以及錨點的位置。一般在調用erode以及dilate函數之前，先定義一個Mat類型的變量來獲得
getStructuringElement函數的傳回值: 對于錨點的位置，有預設值Point(-1,-1)，表示錨點位于中心點。element形狀唯一依賴錨點位置，其他情況下，錨點隻是影響了形态學運算結果的偏移。
cv2.morphologyEx(src, op, kernel) 進行各類形态學的變化參數說明:src傳入的圖檔op進行變化的方式kernel表示方框的大小2.op = cv2.MORPH_OPEN 進行開運算，指的是先進行腐蝕操作，再進行膨脹操作3. op = cv2.MORPH_CLOSE 進行閉運算， 指的是先進行膨脹操作，再進行腐蝕操作開運算：表示的是先進行腐蝕，再進行膨脹操作閉運算：表示先進行膨脹操作，再進行腐蝕操作
cv2.morphologyEx後圖檔
形态學圖檔轉換完成後，進行圖檔的腐蝕與膨脹，這裡主要是擷取更精确的外形。
腐蝕與膨脹屬于形态學操作，所謂的形态學，就是改變物體的形狀，形象了解一些：腐蝕=變瘦 膨脹=變胖，主要是采用 cv2.erode() 和 cv2.dilate()，需要注意一點的是，腐蝕和膨脹主要針對二值化圖像的白色部分
腐蝕與膨脹後圖檔
圖檔外輪廓的繪制
cnts = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)cnts = cnts[0]c = sorted(cnts, key = cv2.contourArea, reverse = True)[0]rect = cv2.minAreaRect(c)box = cv2.boxPoints(rect)box = np.int0(box)cv2.drawContours(image, [box], -1, (0, 255, 0), 3)cv2.imshow("Image", image)cv2.waitKey(0)
代碼截圖
我們通過以上的步驟，已經成功鎖定圖檔條形碼的位置，然後使用cv2.findContours函數找到圖檔的外形，并畫出圖檔的外形。
(_, cnts, _) = cv2.findContours( 參數一： 二值化圖像 closed.copy(), 參數二：輪廓類型 # cv2.RETR_EXTERNAL, #表示隻檢測外輪廓 # cv2.RETR_CCOMP, #建立兩個等級的輪廓,上一層是邊界 # cv2.RETR_LIST, #檢測的輪廓不建立等級關系 # cv2.RETR_TREE, #建立一個等級樹結構的輪廓 # cv2.CHAIN_APPROX_NONE, #存儲所有的輪廓點，相鄰的兩個點的像素位置差不超過1 參數三：處理近似方法 # cv2.CHAIN_APPROX_SIMPLE, #例如一個矩形輪廓隻需4個點來儲存輪廓資訊 # cv2.CHAIN_APPROX_TC89_L1, # cv2.CHAIN_APPROX_TC89_KCOS )
然後對找到的所有輪廓點進行重新排序
sorted(iterable, key=None, reverse=False) 參數說明：iterable -- 可疊代對象。key -- 主要是用來進行比較的元素，隻有一個參數，具體的函數的參數就是取自于可疊代對象中，指定可疊代對象中的一個元素來進行排序。reverse -- 排序規則，reverse = True 降序 ， reverse = False 升序(預設)。傳回值傳回重新排序的清單。
排序完成後的list傳遞給cv2.minAreaRect(Points)函數
其中points是點集，資料類型為ndarray，array((x1,y1),(x2,y2),....,(xn,yn))
而minAreaRect就是求出在上述點集下的最小面積矩形
rect[0]傳回矩形的中心點，(x,y)，實際上為y行x列的像素點
利用cv2.boxPoints(rect)可以傳回矩形四個點的值，其中cv2.boxPoints(rect)[0]為point[0]，cv2.boxPoints(rect)[1]為point[1]. rect[1]傳回矩形的長和寬rect[2]傳回矩形的旋轉角度
有了box的外形4個圖形點，便可以使用cv2.drawContours函數把4個點連接配接起來，形成一個矩形輪廓，最後顯示圖檔
opencv條形碼的檢測