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 np
import cv2
image = 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_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0～255
maxval：填充色，取值范围0～255
type：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
