用 Python 和 OpenCV 检测图片上的条形码（转载）

原文地址：http://python.jobbole.com/80448/

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：

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：

12~13行：从磁盘载入图像并转换为灰度图。

17~18行：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。

21~22行：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。

25行：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。

26行：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：

29行：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。

30行：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：

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：

38~40行：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。

43~44行：然后我们为最大轮廓确定最小边框

48~50行：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：

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：

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：

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？

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）:

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：

1. 计算x方向和y方向上的Scharr梯度幅值表示
2. 将x-gradient减去y-gradient来显示条形码区域
3. 模糊并二值化图像
4. 对二值化图像应用闭运算内核
5. 进行系列的腐蚀、膨胀
6. 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。