Python-Opencv 识别滑块验证码缺口位置（三）

Python-Opencv 识别滑块验证码缺口位置

本篇主要围绕opencv中的两个部分：模板匹配

之前的两篇文章讲过利用边缘检测来提取滑块的轮廓，当遇到提取的轮廓有多条时，在去筛选，到最后的效果也不一定很好，所以可以使用另一种方法来检测却缺口，有的滑块，是包含一个小图，和一个大图的，小图是从大图中的一部分抠出来的，这个时候，就可以用到opencv中的模板匹配功能，模板匹配，可以将小图，匹配到大图中缺口的那个区域，这样，也能达到检测滑块缺口的效果，下面来看实战

首先是数据集

上述的数据集可能需要注意一下，在你把下图拿下来之后，可以看到，我的小图，上下两边还会有白色的填充区域存在，那么在进行模板匹配之后的效果可能不会很好，所以先要对小图进行一些处理，把小图周围的空白填充区域去掉

# -*- coding: utf-8 -*-
import cv2
import numpy as np
import os

def cv_show(img): # 展示图片
    cv2.imshow("img", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 转换颜色通道，保持颜色准确
# image = cv2.imread(r"1_1.jpg")
gap = cv2.imread(r"1_2.jpg")

# image_gray = cv2.cvtColor(image.copy(), cv2.COLOR_BGR2GRAY)
gap_gray = cv2.cvtColor(gap.copy(), cv2.COLOR_BGR2GRAY)

h, w = gap_gray.shape

w_start_index, h_start_index = 0, 0
w_end_index, h_end_index = w, h
# 缺口图去除背景
for i in range(h):
    if not any(gap_gray[i, :]):
        h_start_index = i
    else:
        break

for i in range(h - 1, 0, -1):
    if not any(gap_gray[i, :]):
        h_end_index = i
    else:
        break

for i in range(w):
    if not any(gap_gray[:, i]):
        w_start_index = i
    else:
        break

for i in range(w - 1, 0, -1):
    if not any(gap_gray[:, i]):
        w_end_index = i
    else:
        break
        
# 取出完整的缺口图
gap_gray = gap_gray[h_start_index:h_end_index+1, w_start_index:w_end_index+1]
cv_show(gap_gray)

上述的代码其实意图很明显，循环四次，分别是从上到下，从下到上，从左到右，从右到左，依次循环，当循环到，一行或者一列区域不相同的话，那么就视为已经接近缺口滑块，然后再根据索引进行分割，下面是展示灰度效果图

取出小滑块后，就可以直接使用opencv中的模板匹配功能了，先看完整代码
我的步骤大致是这样，先转为灰度图，然后在对小图进行处理，然后添加自适应阈值化，然后使用边缘检测寻找几乎所有的边缘，在通过用边缘进行模板匹配，找到匹配值可能性最大的缺口即可

# -*- coding: utf-8 -*-
import cv2
import numpy as np
import os

def cv_show(img): # 展示图片
    cv2.imshow("img", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 转换颜色通道，保持颜色准确
image = cv2.imread(r"1_1.jpg")
gap = cv2.imread(r"1_2.jpg")

image_gray = cv2.cvtColor(image.copy(), cv2.COLOR_BGR2GRAY)
gap_gray = cv2.cvtColor(gap.copy(), cv2.COLOR_BGR2GRAY)

h, w = gap_gray.shape

w_start_index, h_start_index = 0, 0
w_end_index, h_end_index = w, h
# 缺口图去除背景
for i in range(h):
    if not any(gap_gray[i, :]):
        h_start_index = i
    else:
        break

for i in range(h - 1, 0, -1):
    if not any(gap_gray[i, :]):
        h_end_index = i
    else:
        break

for i in range(w):
    if not any(gap_gray[:, i]):
        w_start_index = i
    else:
        break

for i in range(w - 1, 0, -1):
    if not any(gap_gray[:, i]):
        w_end_index = i
    else:
        break

# 取出完整的缺口图
gap_gray = gap_gray[h_start_index:h_end_index+1, w_start_index:w_end_index+1]

image_gray = cv2.adaptiveThreshold(image_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 5, 0)
gap_gray = cv2.adaptiveThreshold(gap_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 5, 0)

image_v1 = cv2.Canny(image_gray, 0, 500)
gray_v1 = cv2.Canny(gap_gray, 0, 500)

# cv_show(gray_v1)


result = cv2.matchTemplate(image_v1, gray_v1, cv2.TM_CCOEFF_NORMED)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)

x, y = max_loc
h, w = gap_gray.shape

result = np.array(image.copy())
color = (0, 0, 255)
# print(check_box)
cv2.rectangle(result, (x, y), (x + w, y + h), color, 2)

# res = np.hstack([image_gray,gray_v1, image_v1, result])
cv_show(result)

效果非常的准确