用 Python 和 OpenCV 检测图片上的条形码

问题导读
1、什么是OpenCV ？
2、如何用 Python 和 OpenCV 检测图片上的条形码？
3、实现一个更加鲁棒的条形码检测算法，需要考虑哪些？





更新：
这篇文章的介绍看起来有点“离题”，某些方面是因为在写文章之前，我刚看完《南方公园黑色星期五》，所以我肯定在僵尸购物者、黑色星期五的混乱和《权利的游戏》中得到一些灵感。

黑色星期五要来了。

疯狂的消费者成群结队，中西部的中年女性蜂拥而出，露出没有牙齿的嗜血牙龈，直奔当地沃尔玛75%折扣的最新一季的《权利的游戏》。

感恩节之夜，他们将在沃尔玛门外排起长队，团结在一起，用他们的双手和头部，击打紧锁的大门，直到身体鲜血淋淋，就像《惊变28天》中的僵尸一样，只不过不是为了肉身，他们渴望小小的消费寄托，他们的战争呐喊着折扣，销售额将会上升到极点，他们雷鸣般的脚步造成整个大平原的地震。

当然，媒体也无济于事，他们将危言耸听每一个小场景。从冻伤的家庭在寒风中露营整晚，到瞒姗老太在大门打开后被蜂拥而入的低价抢购人群踩踏，就像侏罗纪公园中似鸡龙的蹂躏。这所有的一切只是因为她想为9岁的孙女蒂米买到最新的光晕游戏，而蒂米的父母，在去年的这个时候离世了，就在沃尔玛，在这黑色星期五。



我不得不问，所有的这些混乱值得么？
见鬼，当然不。
我在这个黑色星期五时的购物都是在网上完成的，就像用一杯咖啡和少量泰诺（Tylenol）护理宿醉一样。
但是如果你决定外出到现实世界勇敢地低价抢购，你会想先下载本文附带的源码。
想象一下你会觉得多么愚蠢，排队，等待结账，只是为了扫描一下最新一季的《权利的游戏》上的条形码，然后查明它便宜了5美元。
接下来，我将展示给你怎样仅仅通过Python和Opencv，来检测图片中的条形码。

用 Python 和 OpenCV 检测图片上的的条形码

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：

 # import the necessary packages
 import numpy as np
 import argparse
 import cv2

 # construct the argument parse and parse the arguments
 ap = argparse.ArgumentParser()
 ap.add_argument("-i", "--image", required = True, help = "path to the image file")
 args = vars(ap.parse_args())
复制代码

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：

 # load the image and convert it to grayscale
 image = cv2.imread(args["image"])
 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

 # compute the Scharr gradient magnitude representation of the images
 # in both the x and y direction
 gradX = cv2.Sobel(gray, ddepth = cv2.cv.CV_32F, dx = 1, dy = 0, ksize = -1)
 gradY = cv2.Sobel(gray, ddepth = cv2.cv.CV_32F, dx = 0, dy = 1, ksize = -1)

 # subtract the y-gradient from the x-gradient
 gradient = cv2.subtract(gradX, gradY)
 gradient = cv2.convertScaleAbs(gradient)
复制代码

从磁盘载入图像并转换为灰度图。
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。
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。

# blur and threshold the image
blurred = cv2.blur(gradient, (9, 9))
(_, thresh) = cv2.threshold(blurred, 225, 255, cv2.THRESH_BINARY)
复制代码

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。
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：

 # construct a closing kernel and apply it to the thresholded image
 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (21, 7))
 closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)
复制代码

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。
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：

# perform a series of erosions and dilations
closed = cv2.erode(closed, None, iterations = 4)
closed = cv2.dilate(closed, None, iterations = 4)
复制代码

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：

 # find the contours in the thresholded image, then sort the contours
 # by their area, keeping only the largest one
 (cnts, _) = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL,
  cv2.CHAIN_APPROX_SIMPLE)
 c = sorted(cnts, key = cv2.contourArea, reverse = True)[0]

 # compute the rotated bounding box of the largest contour
 rect = cv2.minAreaRect(c)
 box = np.int0(cv2.cv.BoxPoints(rect))

 # draw a bounding box arounded the detected barcode and display the
 # image
 cv2.drawContours(image, [box], -1, (0, 255, 0), 3)
 cv2.imshow("Image", image)
 cv2.waitKey(0)
复制代码

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。
然后我们为最大轮廓确定最小边框
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
复制代码

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
复制代码

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：

$ python detect_barcode.py --image images/barcode_04.jpg
复制代码

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
复制代码

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）:

$ python detect_barcode.py --image images/barcode_06.jpg
复制代码

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：
计算x方向和y方向上的Scharr梯度幅值表示
将x-gradient减去y-gradient来显示条形码区域
模糊并二值化图像
对二值化图像应用闭运算内核
进行系列的腐蚀、膨胀
找到图像中的最大轮廓，大概便是条形码
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：about云