快捷導(dǎo)航

Python+OpenCV實(shí)現(xiàn)定位二維碼

更新時(shí)間：2023年12月29日 08:40:09 作者：VanGoghpeng

這篇文章主要為大家詳細(xì)介紹了如何利用Python和OpenCV實(shí)現(xiàn)定位二維碼功能,文中的示例代碼講解詳細(xì),感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下

相較于BarCode，QRCode有明顯的特征區(qū)域，也就是左上角、右上角、左下角三個(gè)”回“字區(qū)域，得益于hierarchy中，父子關(guān)系的輪廓是連續(xù)的（下標(biāo)），所以這個(gè)時(shí)候我們就可以通過(guò)cv2.findContours()返回的hierarchy來(lái)進(jìn)行定位。

我們直接上代碼

import cv2
import numpy


def qrcode(image):
    # 有些二維碼和邊緣緊貼，無(wú)法識(shí)別出整個(gè)矩形，所以我們先對(duì)圖片大小進(jìn)行擴(kuò)展
    expand_length = 10
    edge = expand_length // 2
    h, w = image.shape[:2]
    image_extend = numpy.zeros((image.shape[0] + expand_length, image.shape[1] + expand_length, 3), numpy.uint8)
    image_extend[:] = 255
    image_extend[edge:edge + h, edge:edge + w] = image

    # 轉(zhuǎn)灰度、二值化、找輪廓
    gray = cv2.cvtColor(image_extend, cv2.COLOR_BGR2GRAY)
    # blur = cv2.GaussianBlur(gray, (5, 5), 0)
    _, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
    contours, hir = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

    '''
    2.4282182798755647
    2.3203121154092337
    2.3487607213520345
    2.318010267306266
    '''

    # 三個(gè)“回”字特征輪廓存儲(chǔ)
    parent_hierarchy_list = []
    parent_contours_list = []

    # 通過(guò)層級(jí)信息去查找三個(gè)“回”字特征區(qū)域
    for index, item in enumerate(hir[0][:-2]):  # 查找最外層（A）輪廓
        if item[2] != -1:
            parent_index = item[2] - 1
            if hir[0][index+1][3] == parent_index:  # 查找次一層（B）輪廓
                child_first = hir[0][index+1][2] - 1
                if hir[0][index+2][3] == child_first:   # 查找最里層（C）輪廓
                    # 計(jì)算A輪廓的周長(zhǎng)和C輪廓周長(zhǎng)的比值
                    error = cv2.arcLength(contours[parent_index], True) / cv2.arcLength(contours[parent_index + 2], True)
                    if 2 < error < 3:
                        parent_hierarchy_list.append(item)
                        parent_contours_list.append(contours[index])
                        # 繪制出三個(gè)“回”字特征區(qū)域的最外層輪廓
                        cv2.drawContours(image_extend, contours, index, (0, 255, 0), 3)

    # 將整個(gè)二維碼區(qū)域繪制出來(lái)
    points_list = []
    for index, box in enumerate(parent_contours_list):
        x, y, w, h = cv2.boundingRect(box)
        if index == 0:
            points_list.append((x, y+h))
        if index == 1:
            points_list.append((x+w, y))
        if index == 2:
            points_list.append((x, y))
    points_list = numpy.array(points_list)
    rect = cv2.minAreaRect(points_list)
    box = cv2.boxPoints(rect)
    box = numpy.int0(box)
    cv2.drawContours(image_extend, [box], 0, (255, 0, 0), 2)

    cv2.imshow('', image_extend)


if __name__ == '__main__':
    img = cv2.imread('../images/QRCode_3.png')
    qrcode(img)
    cv2.waitKey()
    cv2.destroyAllWindows()

通常我們所見(jiàn)的二維碼都是有留白邊緣區(qū)域的，但是在隨便找一些二維碼圖的過(guò)程中，有一些是沒(méi)有留白邊緣區(qū)域的：

上圖是在IDE中打開(kāi)的，原圖是沒(méi)有灰色邊緣的，這個(gè)時(shí)候我們?nèi)绻苯幼x取這張圖片，得到的輪廓信息并不是我們期待的三個(gè)連續(xù)的父子關(guān)系的hierarchy，為了避免這種情況，這里就手動(dòng)向外擴(kuò)展十個(gè)像素，人為制造一個(gè)間隔。

通常來(lái)說(shuō)，我們通過(guò)三層for循環(huán)來(lái)定位特征區(qū)域已經(jīng)是足夠的，但是如果二維碼的其他區(qū)域也出現(xiàn)了三層輪廓，那么我們就需要進(jìn)行篩選，所以代碼通過(guò)計(jì)算最外層輪廓的長(zhǎng)度和最內(nèi)存輪廓長(zhǎng)度的比值來(lái)進(jìn)行篩選，每一個(gè)“回”的黑白框框的比例大概為1：1：3：1：1，也就是說(shuō)他們的邊長(zhǎng)比為7：3，而這個(gè)比值在標(biāo)準(zhǔn)二維碼中，只有三個(gè)特征區(qū)域才符合。

代碼的21到24行中的數(shù)值，便是嘗試過(guò)了四個(gè)不同的二維碼得出的比值，都接近7：3。