Самое важное предположение, которое я сделал, заключается в том, что штрих-коды выровнены по горизонтали.
find_rectangles модифицировано из Пример OpenCv Squares . Мы используем это, чтобы получить контуры наших кандидатов. Затем мы группируем контуры, упорядочивая их по x. Мы можем добавить группу только в том случае, если текущий контур достаточно близок, имеет высоту, подобную центру, и высоту, аналогичную последней добавленной точке в группе.
Наконец, мы проверяем наименьшую площадь контура в каждой группе и оцениваем количество баров в этой области над общей площадью группы. Мы отбрасываем любые группы, которые имеют менее 10 столбцов.
У нас остаются группы, которые должны быть штрих-кодами, остается только нарисовать прямоугольник над исходным изображением.
import cv2
import math
import numpy as np
from google.colab.patches import cv2_imshow
def get_center(contour):
M = cv2.moments(contour)
cX = int(M["m10"] / max(M["m00"], 1e-6))
cY = int(M["m01"] / max(M["m00"], 1e-6))
return cX, cY
def find_rectangles(img):
filtered = np.zeros((img.shape[0], img.shape[1], 1), dtype=np.uint8)
img = cv2.GaussianBlur(img, (5, 5), 0)
for gray in cv2.split(img):
for thrs in range(50, 200, 1):
_retval, bin = cv2.threshold(gray, thrs, 255, cv2.THRESH_BINARY)
contours, h = cv2.findContours(~bin, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_SIMPLE)
contours = [contours[i] for i in range(len(contours)) if h[0][i][3] == -1]
for cnt in contours:
cnt_len = cv2.arcLength(cnt, True)
poly = cv2.approxPolyDP(cnt, 0.02*cnt_len, True)
w, h = cv2.minAreaRect(cnt)[1]
if len(poly) <= 8 and cv2.contourArea(cnt) > 10 and cv2.contourArea(poly) < 1000 and (h / w) > 5:
cv2.drawContours(filtered, [cnt], -1, 255, -1)
return filtered
def dist(p1, p2):
return math.sqrt((p1[0] - p2[0]) **2 + (p1[1] - p2[1]) ** 2)
def findBarCodes(image):
thresh = find_rectangles(image)
contours, h = cv2.findContours(thresh, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_SIMPLE)
contours = sorted([contours[i] for i in range(len(contours)) if h[0][i][3] == -1], key = lambda x: cv2.boundingRect(x)[0])
groups = []
for cnt in contours:
x, y, w, h = cv2.boundingRect(cnt)
center_1 = get_center(cnt)
found = False
if w * h > 50 and w * h < thresh.shape[0] * thresh.shape[1] / 2:
for group in groups:
x2, y2, w2, h2 = cv2.boundingRect(group[-1])
center_2 = get_center(group[-1])
if abs(center_1[1] - center_2[1]) < 20 and (abs(h - h2) / max(h, h2)) < 0.3 and any(map(lambda p: dist((x, y), p) < 20, [(x2, y2), (x2 + w2, y2), (x2, y2 + h2), (x2 + w2, y2 + h2)])):
group.append(cnt)
found = True
break
if not found:
groups.append([cnt])
for group in groups[:]:
mn = 1000000
total = 0
for c in group:
x, y, w, h = cv2.boundingRect(c)
total += w * h
mn = min(mn, w * h)
estimatedBars = total / mn
if estimatedBars < 10:
groups.remove(group)
for idx, group in enumerate(groups):
boxes = []
for c in group:
x, y, w, h = cv2.boundingRect(c)
boxes.append([x,y, x+w,y+h])
cv2.rectangle(thresh, (x,y), (x+w,y+h), 255, 2)
cv2.putText(thresh, str(idx), (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, 255, 2)
cv2.drawContours(thresh, [c], -1, 128, -1)
boxes = np.asarray(boxes)
left = np.min(boxes[:,0])
top = np.min(boxes[:,1])
right = np.max(boxes[:,2])
bottom = np.max(boxes[:,3])
cv2.rectangle(image, (left,top), (right,bottom), 255, 2)
cv2_imshow(image)
cv2_imshow(thresh)
findBarCodes(cv2.imread('tQp93.jpg'))
Результаты: 
