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。我所實現的算法本質上基于StackOverflow 上的這個問題，瀏覽代碼之后，我提供了一些對原始算法的更新和改進。

首先需要留意的是，這個算法并不是對所有條形碼有效，但會給你基本的關于應用什么類型的技術的直覺。

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，打開并編碼：

1 2 3 4 5 6 7 8 9

# import the necessary packages importnumpy as np importargparse importcv2 # 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())

我們首先做的是導入所需的軟件包，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。

然后我們設置命令行參數，我們這里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：

1 2 3 4 5 6 7 8 9 10 11 12

# 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)

2~3行：從磁盤載入圖像并轉換為灰度圖。

7~8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。

11~12行：Scharr操作之后，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。

1 2 3

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

2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，這將有助于平滑梯度表征的圖形中的高頻噪聲。

3行：然后我們將模糊化后的圖形進行二值化，梯度圖中任何小于等于255的像素設為0（黑色），其余設為255（白色）。

模糊并二值化后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，并使我們的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：

1 2 3

# 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)

2行：我們首先使用cv2.getStructuringElement構造一個長方形內核。這個內核的寬度大于長度，因此我們可以消除條形碼中垂直條之間的縫隙。

3行：這里進行形態學操作，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，不屬于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：

1 2 3

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

我們這里所做的是首先進行4次腐蝕（erosion），然后進行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，而膨脹操作將使剩余的白色像素擴張并重新增長回去。

如果小斑點在腐蝕操作中被移除，那么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并得到條形碼區域。

圖5：應用一系列的腐蝕和膨脹來移除不相關的小斑點

最后，讓我們找到圖像中條形碼的輪廓：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

# 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)

3~5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，這里應該對應于條形碼區域。

8~9行：然后我們為最大輪廓確定最小邊框

13~15行：最后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：

1	$ 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：

1	$ 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。

關于食品的條形碼檢測已經足夠了，書本上的條形碼怎么樣呢：

1	$ 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？

1	$ 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

我們的算法再次成功檢測到條形碼。

最后，我們再嘗試一張圖片，這個是我最愛的意大利面醬—饒氏自制伏特加醬（Rao’s Homemade Vodka Sauce）:

1	$ 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庫實現了我們的算法。

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

模糊并二值化圖像

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，該方法做了關于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
英文原文：http://www.pyimagesearch.com/2014/11/24/detecting-barcodes-images-python-opencv/
轉載自：http://blog.jobbole.com/80448/

總結

以上是生活随笔為你收集整理的使用Python和OpenCV检测图片上的条形码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。