用 Python 和 OpenCV 檢測圖片上的條形碼
（點擊
上方公眾號
，可快速關注）
編譯：伯樂在線 - Halal，英文：Adrian Rosebrock
http://blog.jobbole.com/80448/
更新：
這篇文章的介紹看起來有點「離題」，某些方面是因為在寫文章之前，我剛看完《南方公園黑色星期五》，所以我肯定在殭屍購物者、黑色星期五的混亂和《權利的遊戲》中得到一些靈感。
黑色星期五要來了。
瘋狂的消費者成群結隊，中西部的中年女性蜂擁而出，露出沒有牙齒的嗜血牙齦，直奔當地沃爾瑪75%折扣的最新一季的《權利的遊戲》。
感恩節之夜，他們將在沃爾瑪門外排起長隊，團結在一起，用他們的雙手和頭部，擊打緊鎖的大門，直到身體鮮血淋淋，就像《驚變28天》中的殭屍一樣，只不過不是為了肉身，他們渴望小小的消費寄託，他們的戰爭吶喊著折扣，銷售額將會上升到極點，他們雷鳴般的腳步造成整個大平原的地震。
當然，媒體也無濟於事，他們將危言聳聽每一個小場景。從凍傷的家庭在寒風中露營整晚，到瞞姍老太在大門打開後被蜂擁而入的低價搶購人群踩踏，就像侏羅紀公園中似雞龍的蹂躪。這所有的一切只是因為她想為9歲的孫女蒂米買到最新的光暈遊戲，而蒂米的父母，在去年的這個時候離世了，就在沃爾瑪，在這黑色星期五。
我不得不問，所有的這些混亂值得么？
見鬼，當然不。
我在這個黑色星期五時的購物都是在網上完成的，就像用一杯咖啡和少量泰諾（Tylenol）護理宿醉一樣。
但是如果你決定外出到現實世界勇敢地低價搶購，
你會想先下載本文附帶的源碼。
想像一下你會覺得多麼愚蠢，排隊，等待結賬，只是為了掃描一下最新一季的《權利的遊戲》上的條形碼，然後查明它便宜了 5 美元。
接下來，我將展示給你怎樣僅僅通過Python和Opencv，來檢測圖片中的條形碼。
用 Python 和 OpenCV 檢測圖片上的的條形碼
這篇博文的目的是應用計算機視覺和圖像處理技術，展示一個條形碼檢測的基本實現。我所實現的演算法本質上基於
StackOverflow 上的這個問題
，瀏覽代碼之後，我提供了一些對原始演算法的更新和改進。
首先需要留意的是，這個演算法並不是對所有條形碼有效，但會給你基本的關於應用什麼類型的技術的直覺。
假設我們要檢測下圖中的條形碼：
圖1：包含條形碼的示例圖片
現在讓我們開始寫點代碼，新建一個文件，命名為detect_barcode.py，打開並編碼：
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
())
我們首先做的是導入所需的軟體包，我們將使用NumPy做數值計算，argparse用來解析命令行參數，cv2是OpenCV的綁定。
然後我們設置命令行參數，我們這裡需要一個簡單的選擇，–image是指包含條形碼的待檢測圖像文件的路徑。
現在開始真正的圖像處理：
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：從磁碟載入圖像並轉換為灰度圖。
17~18行：使用Scharr操作（指定使用ksize = -1）構造灰度圖在水平和豎直方向上的梯度幅值表示。
21~22行：Scharr操作之後，我們從x-gradient中減去y-gradient，通過這一步減法操作，最終得到包含高水平梯度和低豎直梯度的圖像區域。
上面的gradient表示的原始圖像看起來是這樣的：
圖:2：條形碼圖像的梯度表示
注意條形碼區域是怎樣通過梯度操作檢測出來的。
下一步將通過去噪僅關注條形碼區域。
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：我們要做的第一件事是使用9*9的內核對梯度圖進行平均模糊，這將有助於平滑梯度表徵的圖形中的高頻雜訊。
26行：然後我們將模糊化後的圖形進行二值化，梯度圖中任何小於等於255的像素設為0（黑色），其餘設為255（白色）。
模糊並二值化後的輸出看起來是這個樣子：
圖3：二值化梯度圖以此獲得長方形條形碼區域的粗略近似
然而，如你所見，在上面的二值化圖像中，條形碼的豎杠之間存在縫隙，為了消除這些縫隙，並使我們的演算法更容易檢測到條形碼中的「斑點」狀區域，我們需要進行一些基本的形態學操作：
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：我們首先使用cv2.getStructuringElement構造一個長方形內核。這個內核的寬度大於長度，因此我們可以消除條形碼中垂直條之間的縫隙。
30行：這裡進行形態學操作，將上一步得到的內核應用到我們的二值圖中，以此來消除豎杠間的縫隙。
現在，你可以看到這些縫隙相比上面的二值化圖像基本已經消除：
圖4：使用形態學中的閉運算消除條形碼豎條之間的縫隙
當然，現在圖像中還有一些小斑點，不屬於真正條形碼的一部分，但是可能影響我們的輪廓檢測。
讓我們來消除這些小斑點：
32
# perform a series of erosions and dilations
33
closed
=
cv2
.
erode
(
closed
,
None
,
iterations
=
4
)
34
closed
=
cv2
.
dilate
(
closed
,
None
,
iterations
=
4
)
我們這裡所做的是首先進行4次腐蝕（erosion），然後進行4次膨脹（dilation）。腐蝕操作將會腐蝕圖像中白色像素，以此來消除小斑點，而膨脹操作將使剩餘的白色像素擴張並重新增長回去。
如果小斑點在腐蝕操作中被移除，那麼在膨脹操作中就不會再出現。
經過我們這一系列的腐蝕和膨脹操作，可以看到我們已經成功地移除小斑點並得到條形碼區域。
圖5：應用一系列的腐蝕和膨脹來移除不相關的小斑點
最後，讓我們找到圖像中條形碼的輪廓：
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：幸運的是這一部分比較容易，我們簡單地找到圖像中的最大輪廓，如果我們正確完成了圖像處理步驟，這裡應該對應於條形碼區域。
43~44行：然後我們為最大輪廓確定最小邊框
48~50行：最後顯示檢測到的條形碼
正如你在下面的圖片中所見，我們已經成功檢測到了條形碼：
圖6：成功檢測到示例圖像中的條形碼
下一部分，我們將嘗試更多圖像。
成功的條形碼檢測
要跟隨這些結果，請使用文章下面的表單去下載本文的源碼以及隨帶的圖片。
一旦有了代碼和圖像，打開一個終端來執行下面的命令：
$
python
detect_barcode
.
py
--
image
images
/
barcode_02
.
jpg
圖7：使用OpenCV檢測圖像中的一個條形碼
檢測椰油瓶子上的條形碼沒有問題。
讓我們試下另外一張圖片：
$ python detect_barcode.py --image images/barcode_03.jpg
圖8：使用計算機視覺檢測圖像中的一個條形碼
我們同樣能夠在上面的圖片中找到條形碼。
關於食品的條形碼檢測已經足夠了，書本上的條形碼怎麼樣呢：
$
python
detect_barcode
.
py
--
image
images
/
barcode_04
.
jpg
圖9：使用Python和OpenCV檢測書本上的條形碼
沒問題，再次通過。
那包裹上的跟蹤碼呢？
$
python
detect_barcode
.
py
--
image
images
/
barcode_05
.
jpg
圖10：使用計算機視覺和圖像處理檢測包裹上的條形碼
我們的演算法再次成功檢測到條形碼。
最後，我們再嘗試一張圖片，這個是我最愛的義大利面醬—饒氏自制伏特加醬（Rao』s Homemade Vodka Sauce）:
$
python
detect_barcode
.
py
--
image
images
/
barcode_06
.
jpg
圖11：使用Python和Opencv很容易檢測條形碼
我們的演算法又一次檢測到條形碼！
總結
這篇博文中，我們回顧了使用計算機視覺技術檢測圖像中條形碼的必要步驟，使用Python編程語言和OpenCV庫實現了我們的演算法。
演算法概要如下：
計算x方向和y方向上的Scharr梯度幅值表示
將x-gradient減去y-gradient來顯示條形碼區域
模糊並二值化圖像
對二值化圖像應用閉運算內核
進行系列的腐蝕、膨脹
找到圖像中的最大輪廓，大概便是條形碼
需要注意的是，該方法做了關於圖像梯度表示的假設，因此只對水平條形碼有效。
如果你想實現一個更加魯棒的條形碼檢測演算法，你需要考慮圖像的方向，或者更好的，應用機器學習技術如Haar級聯或者HOG + Linear SVM去掃描圖像條形碼區域。
源碼下載：
http://pan.baidu.com/s/1jGMfcBs看完本文有收穫？請轉
發分享給更多人
關注「P
ython開發者」，提升Python技能
TAG:Python開發者 |