lishenglong 2015-08-09
这篇博文的目的是应用计算机视觉和图像处理技术,展示一个条形码检测的基本实现。我所实现的算法本质上基于StackOverflow 上的这个问题,浏览代码之后,我提供了一些对原始算法的更新和改进。
首先需要留意的是,这个算法并不是对所有条形码有效,但会给你基本的关于应用什么类型的技术的直觉。
假设我们要检测下图中的条形码:
图1:包含条形码的示例图片
现在让我们开始写点代码,新建一个文件,命名为detect_barcode.py,打开并编码:
1 # import the necessary packages 2 import numpy as np 3 import argparse 4 import cv2 5 6 # construct the argument parse and parse the arguments 7 ap = argparse.ArgumentParser() 8 ap.add_argument( "-i" , "--image" , required = True , help = "path to the image file" ) 9 args = vars (ap.parse_args()) |
我们首先做的是导入所需的软件包,我们将使用NumPy做数值计算,argparse用来解析命令行参数,cv2是OpenCV的绑定。
然后我们设置命令行参数,我们这里需要一个简单的选择,–image是指包含条形码的待检测图像文件的路径。
现在开始真正的图像处理:
11 # load the image and convert it to grayscale 12 image = cv2.imread(args[ "image" ]) 13 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 14 15 # compute the Scharr gradient magnitude representation of the images 16 # in both the x and y direction 17 gradX = cv2.Sobel(gray, ddepth = cv2.cv.CV_32F, dx = 1 , dy = 0 , ksize = - 1 ) 18 gradY = cv2.Sobel(gray, ddepth = cv2.cv.CV_32F, dx = 0 , dy = 1 , ksize = - 1 ) 19 20 # subtract the y-gradient from the x-gradient 21 gradient = cv2.subtract(gradX, gradY) 22 gradient = cv2.convertScaleAbs(gradient) |
12~13行:从磁盘载入图像并转换为灰度图。
17~18行:使用Scharr操作(指定使用ksize = -1)构造灰度图在水平和竖直方向上的梯度幅值表示。
21~22行:Scharr操作之后,我们从x-gradient中减去y-gradient,通过这一步减法操作,最终得到包含高水平梯度和低竖直梯度的图像区域。
上面的gradient表示的原始图像看起来是这样的:
图:2:条形码图像的梯度表示
注意条形码区域是怎样通过梯度操作检测出来的。下一步将通过去噪仅关注条形码区域。
24 # blur and threshold the image 25 blurred = cv2.blur(gradient, ( 9 , 9 )) 26 (_, thresh) = cv2.threshold(blurred, 225 , 255 , cv2.THRESH_BINARY) |
25行:我们要做的第一件事是使用9*9的内核对梯度图进行平均模糊,这将有助于平滑梯度表征的图形中的高频噪声。
26行:然后我们将模糊化后的图形进行二值化,梯度图中任何小于等于255的像素设为0(黑色),其余设为255(白色)。
模糊并二值化后的输出看起来是这个样子:
图3:二值化梯度图以此获得长方形条形码区域的粗略近似
然而,如你所见,在上面的二值化图像中,条形码的竖杠之间存在缝隙,为了消除这些缝隙,并使我们的算法更容易检测到条形码中的“斑点”状区域,我们需要进行一些基本的形态学操作:
28 # construct a closing kernel and apply it to the thresholded image 29 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, ( 21 , 7 )) 30 closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) |
29行:我们首先使用cv2.getStructuringElement构造一个长方形内核。这个内核的宽度大于长度,因此我们可以消除条形码中垂直条之间的缝隙。
30行:这里进行形态学操作,将上一步得到的内核应用到我们的二值图中,以此来消除竖杠间的缝隙。
现在,你可以看到这些缝隙相比上面的二值化图像基本已经消除:
图4:使用形态学中的闭运算消除条形码竖条之间的缝隙
当然,现在图像中还有一些小斑点,不属于真正条形码的一部分,但是可能影响我们的轮廓检测。
让我们来消除这些小斑点:
32 # perform a series of erosions and dilations 33 closed = cv2.erode(closed, None , iterations = 4 ) 34 closed = cv2.dilate(closed, None , iterations = 4 ) |
我们这里所做的是首先进行4次腐蚀(erosion),然后进行4次膨胀(dilation)。腐蚀操作将会腐蚀图像中白色像素,以此来消除小斑点,而膨胀操作将使剩余的白色像素扩张并重新增长回去。
如果小斑点在腐蚀操作中被移除,那么在膨胀操作中就不会再出现。
经过我们这一系列的腐蚀和膨胀操作,可以看到我们已经成功地移除小斑点并得到条形码区域。
图5:应用一系列的腐蚀和膨胀来移除不相关的小斑点
最后,让我们找到图像中条形码的轮廓:
36 # find the contours in the thresholded image, then sort the contours 37 # by their area, keeping only the largest one 38 (cnts, _) = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, 39 cv2.CHAIN_APPROX_SIMPLE) 40 c = sorted (cnts, key = cv2.contourArea, reverse = True )[ 0 ] 41 42 # compute the rotated bounding box of the largest contour 43 rect = cv2.minAreaRect(c) 44 box = np.int0(cv2.cv.BoxPoints(rect)) 45 46 # draw a bounding box arounded the detected barcode and display the 47 # image 48 cv2.drawContours(image, [box], - 1 , ( 0 , 255 , 0 ), 3 ) 49 cv2.imshow( "image" , image) 50 cv2.waitKey( 0 ) |
38~40行:幸运的是这一部分比较容易,我们简单地找到图像中的最大轮廓,如果我们正确完成了图像处理步骤,这里应该对应于条形码区域。
43~44行:然后我们为最大轮廓确定最小边框
48~50行:最后显示检测到的条形码
正如你在下面的图片中所见,我们已经成功检测到了条形码:
图6:成功检测到示例图像中的条形码
下一部分,我们将尝试更多图像。
成功的条形码检测
要跟随这些结果,请使用文章下面的表单去下载本文的源码以及随带的图片。
一旦有了代码和图像,打开一个终端来执行下面的命令:
$ Python detect_barcode.py
-
-
image images
/
barcode_02.jpg
图7:使用OpenCV检测图像中的一个条形码
检测椰油瓶子上的条形码没有问题。
让我们试下另外一张图片:
$ python detect_barcode.py --image images/barcode_03.jpg
图8:使用计算机视觉检测图像中的一个条形码
我们同样能够在上面的图片中找到条形码。
关于食品的条形码检测已经足够了,书本上的条形码怎么样呢:
图9:使用Python和OpenCV检测书本上的条形码
没问题,再次通过。
那包裹上的跟踪码呢?
$ Python detect_barcode.py
-
-
image images
/
barcode_05.jpg
图10:使用计算机视觉和图像处理检测包裹上的条形码
我们的算法再次成功检测到条形码。
最后,我们再尝试一张图片,这个是我最爱的意大利面酱—饶氏自制伏特加酱(Rao’s Homemade Vodka Sauce):
图11:使用Python和Opencv很容易检测条形码
我们的算法又一次检测到条形码!
总结
这篇博文中,我们回顾了使用计算机视觉技术检测图像中条形码的必要步骤,使用Python编程语言和OpenCV库实现了我们的算法。
算法概要如下:
需要注意的是,该方法做了关于图像梯度表示的假设,因此只对水平条形码有效。
如果你想实现一个更加鲁棒的条形码检测算法,你需要考虑图像的方向,或者更好的,应用机器学习技术如Haar级联或者HOG + Linear SVM去扫描图像条形码区域。
源码下载:
------------------------------------------分割线------------------------------------------
具体下载目录在 /2015年资料/8月/9日/用 Python 和 OpenCV 检测图片上的条形码/
------------------------------------------分割线------------------------------------------