计算机视觉，我们前期文章分享了很多关于类似这方面的文章，包括人脸识别三部曲，目标检测，目标追踪等，本期文章，我们介绍一下如何使用opencv来进行条形码的检测，毕竟超市里面的物品都是有价格条形码，如何进行opencv条形码的检测，便成了无人超市需要重点关注并需要解决的问题

opencv条形码的检测

opencv条形码的检测

import numpy as npimport cv2image = cv2.imread("11.jpg")gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

首先我们导入需要进行检测的图片，并把RGB颜色空间的图片转换成灰度照片

代码截图

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)

然后，我们使用cv.sobel算子进行图片的X Y 轴的边缘检测，并使用cv2.subtract(gradX, gradY)计算图片的梯度，以Sobel算子计算x，y方向上的梯度，之后在x方向上减去y方向上的梯度，通过这个减法，我们留下具有高水平梯度和低垂直梯度的图像区域，然后cv2.convertScaleAbs返回图片的unit8格式，参考图片如下。

高水平梯度和低垂直梯度的图像区域

函数原型：dst=cv2.Sobel(src,ddepth,dx,dy&[,dst&[,ksize&[,scale&[,delta&[,borderType]]]]])

函数参数：

　　1. src &– 需要处理的图像

　　2. ddepth &– 图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度

　　3. dx &– 对x轴方向求导的阶数，一般为0、1、2，其中0表示这个方向上没有求导

　　4. dy &– 对y轴方向求导的阶数，一般为0、1、2，其中0表示这个方向上没有求导

　　5. dst &– 目标图像

　　6. ksize &– Sobel算子的大小，必须为1、3、5、7

　　7. scale &– 缩放导数的比例常数，默认情况下没有伸缩系数

　　8. delta &– 可选增量， 将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中

　　9. borderType &– 图像边界的模式。这个参数默认值为cv2.BORDER_DEFAUL

在经过处理后，需要用convertScaleAbs()函数将其转回原来的uint8形式，否则将无法显示图像，而只是一副灰色的窗口。

函数原型：dst=cv2.convertScaleAbs(src&[,dst&[,alpha&[,beta]]]) 其中可选参数alpha是伸缩系数，beta是加到结果上的一个值，结果返回uint8类型的图片#absX=cv2.convertScaleAbs(x)#转回uint8#absY=cv2.convertScaleAbs(y)

代码截图

在图像的读取中，会存在一些噪噪声点，如一些白噪声，因此我们需要进行去噪操作

opencv4种去噪操作

1. cv2.blur(均值滤波) 2.cv2.boxfilter(方框滤波)3. cv2.Guassiannblur(进行高斯滤波)4. cv2.medianBlur(进行中值滤波)

1.cv2.blur(img, (3, 3)) 进行均值滤波参数说明：img表示输入的图片， (3, 3) 表示进行均值滤波的方框大小

2. cv2.boxfilter(img, -1, (3, 3), normalize=True) 表示进行方框滤波，参数说明当normalize=True时，与均值滤波结果相同， normalize=False，表示对加和后的结果不进行平均操作，大于255的使用255表示

3. cv2.Guassianblur(img, (3, 3), 1) 表示进行高斯滤波，参数说明: 1表示σ， x表示与当前值得距离，计算出的G(x)表示权重值

4. cv2.medianBlur(img, 3) #中值滤波，相当于将9个值进行排序，取中值作为当前值参数说明：img表示当前的图片，3表示当前的方框尺寸

阈值处理(cv2.threshold) 后图片

opencv: 阈值处理(cv2.threshold)

cv2.threshold (src, thresh, maxval, type)src：源图片，必须是单通道thresh：阈值，取值范围0～255maxval：填充色，取值范围0～255type：阈值类型，具体见下表

阈值类型

图片形态学

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)

代码截图

通过以上操作，我们已经检测到了条形码的大致位置，然后使用内核函数获取图片外形的形态学，并分别执行4次形态学腐蚀与膨胀，获取更精确的图片形状位置

kernel = cv2.getStructuringElement这个函数的第一个参数表示内核的形状，有三种形状可以选择矩形：MORPH_RECT;交叉形：MORPH_CROSS;椭圆形：MORPH_ELLIPSE;

第二和第三个参数分别是内核的尺寸以及锚点的位置。一般在调用erode以及dilate函数之前，先定义一个Mat类型的变量来获得

getStructuringElement函数的返回值: 对于锚点的位置，有默认值Point（-1,-1），表示锚点位于中心点。element形状唯一依赖锚点位置，其他情况下，锚点只是影响了形态学运算结果的偏移。

cv2.morphologyEx(src, op, kernel) 进行各类形态学的变化参数说明:src传入的图片op进行变化的方式kernel表示方框的大小2.op = cv2.MORPH_OPEN 进行开运算，指的是先进行腐蚀操作，再进行膨胀操作3. op = cv2.MORPH_CLOSE 进行闭运算， 指的是先进行膨胀操作，再进行腐蚀操作开运算：表示的是先进行腐蚀，再进行膨胀操作闭运算：表示先进行膨胀操作，再进行腐蚀操作

cv2.morphologyEx后图片

形态学图片转换完成后，进行图片的腐蚀与膨胀，这里主要是获取更精确的外形。

腐蚀与膨胀属于形态学操作，所谓的形态学，就是改变物体的形状，形象理解一些：腐蚀=变瘦 膨胀=变胖，主要是采用 cv2.erode() 和 cv2.dilate()，需要注意一点的是，腐蚀和膨胀主要针对二值化图像的白色部分

腐蚀与膨胀后图片

图片外轮廓的绘制

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)

代码截图

我们通过以上的步骤，已经成功锁定图片条形码的位置，然后使用cv2.findContours函数找到图片的外形，并画出图片的外形。

(_, cnts, _) = cv2.findContours(    参数一： 二值化图像    closed.copy(),    参数二：轮廓类型    # cv2.RETR_EXTERNAL,             #表示只检测外轮廓    # cv2.RETR_CCOMP,                #建立两个等级的轮廓,上一层是边界    # cv2.RETR_LIST,                 #检测的轮廓不建立等级关系    # cv2.RETR_TREE,                 #建立一个等级树结构的轮廓    # cv2.CHAIN_APPROX_NONE,         #存储所有的轮廓点，相邻的两个点的像素位置差不超过1    参数三：处理近似方法    # cv2.CHAIN_APPROX_SIMPLE,         #例如一个矩形轮廓只需4个点来保存轮廓信息    # cv2.CHAIN_APPROX_TC89_L1,    # cv2.CHAIN_APPROX_TC89_KCOS    )

然后对找到的所有轮廓点进行重新排序

sorted(iterable, key=None, reverse=False)  参数说明：iterable -- 可迭代对象。key -- 主要是用来进行比较的元素，只有一个参数，具体的函数的参数就是取自于可迭代对象中，指定可迭代对象中的一个元素来进行排序。reverse -- 排序规则，reverse = True 降序 ， reverse = False 升序（默认）。返回值返回重新排序的列表。

排序完成后的list传递给cv2.minAreaRect(Points)函数

其中points是点集，数据类型为ndarray，array((x1,y1),(x2,y2),&….,(xn,yn))

而minAreaRect就是求出在上述点集下的最小面积矩形

rect[0]返回矩形的中心点，（x,y），实际上为y行x列的像素点

利用cv2.boxPoints(rect)可以返回矩形四个点的值，其中cv2.boxPoints(rect)&[0]为point&[0]，cv2.boxPoints(rect)&[1]为point&[1].rect&[1]返回矩形的长和宽rect&[2]返回矩形的旋转角度

有了box的外形4个图形点，便可以使用cv2.drawContours函数把4个点连接起来，形成一个矩形轮廓，最后显示图片

opencv条形码的检测