文章目录
原创声明:如有转载请注明文章来源。码字不易,如对卿有所帮助,欢迎评论、点赞、收藏。
前言
最近项目中用到了条码检测,查阅很多资料,说用Zbar等工具检测的比较多。但是我们会发现,检测是不稳定的,Zbar是解析条码的工具包,运用好它的前提是:能够准确将条码区域提取出来,以及图像质量(分辨率、打光效果等)要把握很好。本文Opencv+Kmeans+Zbar的条码检测以及基于锐化+双边高斯滤波+Zbar的条码检测的条码检测两种方式,大大提升了Zbar读取条码的效果。
1基于Opencv+Kmeans+Zbar的条码检测
1.1条码检测预处理
直接用Zbar出现了检测不全,15个条码检测出的是13个,因此本文从另一个角度出发,先保证检测的完整性,进而保证检测的准确性。
1.1.1模版匹配
模版匹配就是在原图中查找出模版,并绘制出来。opencv自带的模版匹配算子可以依据匹配分数的大小筛选出原图中的条码。但问题在于筛选出的框的多少与匹配分数大小成反比,如果我们要检测全部的条码,那么就需要处理更多的框。下面的匹配到的框大概是3000个左右
- 原图

- 模版

3.代码
import cv2
import numpy as np
from matplotlib import pyplot as plt
# 读取图片 并转成灰度图 减少计算量
img = cv2.imread("image/Pic_2023_04_18_104022_3.jpg", cv2.IMREAD_GRAYSCALE)
templ = cv2.imread("image/template.png", cv2.IMREAD_GRAYSCALE)
# 模版匹配
height, width = templ.shape
results = cv2.matchTemplate(img, templ, cv2.TM_CCOEFF_NORMED)
rect_list = []
# 因为模版匹配采用的是移动窗口的缘故,因此y、x恰好是图像的坐标。
for y in range(len(results)):
for x in range(len(results[y])):
if results[y][x] > 0.7:
rect_list.append((x,y))
cv2.rectangle(img, (x, y), (x + width, y + height), (0, 0, 255), 10)
rect_array = np.array(rect_list,dtype='int32')
import matplotlib.pyplot as plt
X = rect_array[:, 0]
Y = rect_array[:, 1]
plt.figure(figsize=(10, 10), dpi=100)
plt.scatter(X, Y)
plt.show()
图像是每个检测条码框的左上角点(x,y),我们大概看到了很多点,但是由于原图上的条码个数15个,因此下面这些坐标点一定可以分成15类。

1.1.2采用K-mearn算法(聚类算法)处理条码框
这里会想到聚类是因为条码个数是已知的,模版匹配并没有漏检,而仅仅是一个条码被画上了多个条码框。下图可以看出检测的效果
plt.imshow(img,cmap="gray")
plt.show()

# 检测出的矩形框
rect_array
输出结果
array([[2148, 405],
[2149, 405],
[2150, 405],<
1670



被折叠的 条评论
为什么被折叠?



