計算機視覺，我們前期文章分享了很多關於類似這方面的文章，包括人臉識別三部曲，目標檢測，目標追蹤等，本期文章，我們介紹一下如何使用opencv來進行條形碼的檢測，畢竟超市裏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並需要解決的問題

opencv條形碼的檢測

opencv條形碼的檢測

import numpy as np
import cv2
image = 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片，並把RGB顏色空間的圖片轉換成灰度照片

代碼截圖

ddepth =  cv2.CV_32F
gradX = 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算子進行圖片的X Y 軸的邊緣檢測，並使用cv2.subtract(gradX, gradY)計算圖片的梯度，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，我們留下具有高水平梯度和低垂直梯度的圖像區域，然後cv2.convertScaleAbs返回圖片的unit8格式，參考圖片如下。

高水平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表示採用的是與原圖像相同的深度。目標圖像的深度必須大於等於原圖像的深度

　　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 – 目標圖像

　　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，默認情況下沒有伸縮係數

　　8. delta – 可選增量， 將會加到最終的dst中，同樣，默認情況下沒有額外的值加到dst中

　　9. borderType – 圖像邊界的模式。這個參數默認值為cv2.BORDER_DEFAUL

在經過處理後，需要用convertScaleAbs()函數將其轉回原來的uint8形式，否則將無法顯示圖像，而只是一副灰色的窗口。

函數原型：dst = cv2.convertScaleAbs(src[, dst[, alpha[, beta]]])   
其中可選參數alpha是伸縮係數，beta是加到結果上的一個值，結果返回uint8類型的圖片
# 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，因此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表示輸入的圖片， (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，大於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表示與當前值得距離，計算出的G(x)表示權重值

4. cv2.medianBlur(img, 3) #中值濾波，相當於將9個值進行排序，取中值作為當前值
參數說明：img表示當前的圖片，3表示當前的方框尺寸

閾值處理(cv2.threshold) 後圖片

opencv: 閾值處理(cv2.threshold)

cv2.threshold (src, thresh, maxval, type)
src：源圖片，必須是單通道
thresh：閾值，取值範圍0～255
maxval：填充色，取值範圍0～255
type：閾值類型，具體見下表

閾值類型

圖片形態學

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致位置，然後使用內核函數獲取圖片外形的形態學，並分別執行4次形態學腐蝕與膨脹，獲取更精確的圖片形狀位置

kernel = cv2.getStructuringElement這個函數的第一個參數表示內核的形狀，
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別是內核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函數的返回值: 對於錨點的位置，有默認值Point（-1,-1），表示錨點位於中心點。element形狀唯一依賴錨點位置，其他情況下，錨點只是影響了形態學運算結果的偏移。

cv2.morphologyEx(src, op, kernel) 進行各類形態學的變化
參數說明:
src傳入的圖片
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後圖片

形態學圖片轉換完成後，進行圖片的腐蝕與膨脹，這裡主要是獲取更精確的外形。

腐蝕與膨脹屬於形態學操作，所謂的形態學，就是改變物體的形狀，形象理解一些：腐蝕=變瘦 膨脹=變胖，主要是採用 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

腐蝕與膨脹後圖片

圖片外輪廓的繪製

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，已經成功鎖定圖片條形碼的位置，然後使用cv2.findContours函數找到圖片的外形，並畫出圖片的外形。

(_, cnts, _) = cv2.findContours(
    參數一： 二值化圖像
    closed.copy(),
    參數二：輪廓類型
    # cv2.RETR_EXTERNAL,             #表示只檢測外輪廓
    # 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係
    # 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,         #例如一個矩形輪廓只需4個點來保存輪廓信息
    # 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 -- 可迭代對象。
key -- 主要是用來進行比較的元素，只有一個參數，具體的函數的參數就是取自於可迭代對象中，
指定可迭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（默認）。
返回值
返回重新排序的列表。

排序完成後的list傳遞給cv2.minAreaRect(Points)函數

其中points是點集，數據類型為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]返回矩形的中心點，（x,y），實際上為y行x列的像素點

利用cv2.boxPoints(rect)可以返回矩形四個點的值，
其中cv2.boxPoints(rect)[0]為point[0]，
cv2.boxPoints(rect)[1]為point[1].
 rect[1]返回矩形的長和寬
rect[2]返回矩形的旋轉角度

有了box的外形4個圖形點，便可以使用cv2.drawContours函數把4個點連接起來，形成一個矩形輪廓，最後顯示圖片

opencv條形碼的檢測