【Python】【OpenCV】定位二維碼

　　相較於BarCode，QRCode有明顯的特征區域，也就是左上角、右上角、左下角三個”回“字區域，得益於hierarchy中，父子關係的輪廓是連續的（下標），所以這個時候我們就可以通過cv2.findContours()返回的hierarchy來進行定位。

　　我們直接上代碼

 1 import cv2
 2 import numpy
 3 
 4 
 5 def qrcode(image):
 6     # 有些二維碼和邊緣緊貼，無法識別出整個矩形，所以我們先對圖片大小進行擴展
 7     expand_length = 10
 8     edge = expand_length // 2
 9     h, w = image.shape[:2]
10     image_extend = numpy.zeros((image.shape[0] + expand_length, image.shape[1] + expand_length, 3), numpy.uint8)
11     image_extend[:] = 255
12     image_extend[edge:edge + h, edge:edge + w] = image
13 
14     # 轉灰度、二值化、找輪廓
15     gray = cv2.cvtColor(image_extend, cv2.COLOR_BGR2GRAY)
16     # blur = cv2.GaussianBlur(gray, (5, 5), 0)
17     _, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
18     contours, hir = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
19 
20     '''
21     2.4282182798755647
22     2.3203121154092337
23     2.3487607213520345
24     2.318010267306266
25     '''
26 
27     # 三個“回”字特征輪廓存儲
28     parent_hierarchy_list = []
29     parent_contours_list = []
30 
31     # 通過層級信息去查找三個“回”字特征區域
32     for index, item in enumerate(hir[0][:-2]):  # 查找最外層（A）輪廓
33         if item[2] != -1:
34             parent_index = item[2] - 1
35             if hir[0][index+1][3] == parent_index:  # 查找次一層（B）輪廓
36                 child_first = hir[0][index+1][2] - 1
37                 if hir[0][index+2][3] == child_first:   # 查找最裡層（C）輪廓
38                     # 計算A輪廓的周長和C輪廓周長的比值
39                     error = cv2.arcLength(contours[parent_index], True) / cv2.arcLength(contours[parent_index + 2], True)
40                     if 2 < error < 3:
41                         parent_hierarchy_list.append(item)
42                         parent_contours_list.append(contours[index])
43                         # 繪製出三個“回”字特征區域的最外層輪廓
44                         cv2.drawContours(image_extend, contours, index, (0, 255, 0), 3)
45 
46     # 將整個二維碼區域繪製出來
47     points_list = []
48     for index, box in enumerate(parent_contours_list):
49         x, y, w, h = cv2.boundingRect(box)
50         if index == 0:
51             points_list.append((x, y+h))
52         if index == 1:
53             points_list.append((x+w, y))
54         if index == 2:
55             points_list.append((x, y))
56     points_list = numpy.array(points_list)
57     rect = cv2.minAreaRect(points_list)
58     box = cv2.boxPoints(rect)
59     box = numpy.int0(box)
60     cv2.drawContours(image_extend, [box], 0, (255, 0, 0), 2)
61 
62     cv2.imshow('', image_extend)
63 
64 
65 if __name__ == '__main__':
66     img = cv2.imread('../images/QRCode_3.png')
67     qrcode(img)
68     cv2.waitKey()
69     cv2.destroyAllWindows()

通常我們所見的二維碼都是有留白邊緣區域的，但是在隨便找一些二維碼圖的過程中，有一些是沒有留白邊緣區域的：

 　　上圖是在IDE中打開的，原圖是沒有灰色邊緣的，這個時候我們如果直接讀取這張圖片，得到的輪廓信息並不是我們期待的三個連續的父子關係的hierarchy，為了避免這種情況，這裡就手動向外擴展十個像素，人為製造一個間隔。

　　通常來說，我們通過三層for迴圈來定位特征區域已經是足夠的，但是如果二維碼的其他區域也出現了三層輪廓，那麼我們就需要進行篩選，所以代碼通過計算最外層輪廓的長度和最記憶體輪廓長度的比值來進行篩選，每一個“回”的黑白框框的比例大概為1：1：3：1：1，也就是說他們的邊長比為7：3，而這個比值在標準二維碼中，只有三個特征區域才符合。

　　代碼的21到24行中的數值，便是嘗試過了四個不同的二維碼得出的比值，都接近7：3。

 最後我們繪製出四個邊框，完成二維碼的定位：

參考博客：opencv實現二維碼檢測_opencv識別二維碼-CSDN博客