大家好，今天咱们用 Python+OpenCV 做一个超实用的小项目 —— 自动提取信用卡上的数字！全程避开复杂术语，用大白话讲清楚每一步，哪怕是刚接触 OpenCV 的小白也能跟着跑通。

先看效果

原始信用卡图片 → 经过图像处理 → 精准定位并提取数字区域，最终能识别出信用卡号（今天先做「定位数字区域」，识别数字下期讲）。

准备工作

1. 安装必备库

打开终端 / 命令行，输入以下命令安装 OpenCV（图像处理核心库）：

bash

运行

pip install opencv-python
pip install numpy  # OpenCV依赖的数值计算库

2. 核心思路（大白话版）

要提取信用卡数字，本质是「让数字从背景中凸显出来」，步骤拆解：

1. 预处理：把图片调小、转成灰度图（减少颜色干扰）；
2. 增强对比：用「顶帽操作」让数字更清晰；
3. 合并数字：用「闭操作」把分散的数字笔画连在一起；
4. 二值化：把图片变成黑白（数字黑、背景白）；
5. 找轮廓：让程序识别出数字的边框位置；
6. 筛选：只保留符合数字比例的区域（排除无效轮廓）。

完整可运行代码（复制即用）

先把代码完整复制下来，保存为credit_card_digit.py，后面逐行解释：

python

运行

import cv2
import numpy as np

# 自定义工具函数：显示图像（小白友好，避免重复写代码）
def cv_show(name, img):
    cv2.imshow(name, img)  # 显示图像窗口
    cv2.waitKey(0)         # 按任意键关闭窗口
    cv2.destroyAllWindows()# 释放窗口资源

# 自定义工具函数：等比例调整图片大小（避免拉伸变形）
def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
    dim = None
    (h, w) = image.shape[:2]
    if width is None and height is None:
        return image
    if width is None:
        r = height / float(h)
        dim = (int(w * r), height)
    else:
        r = width / float(w)
        dim = (width, int(h * r))
    resized = cv2.resize(image, dim, interpolation=inter)
    return resized

# ----------------------核心代码开始----------------------
# 1. 读取并预处理图片（替换成你的信用卡图片路径）
image_path = "credit_card.jpg"  # 改成你的图片路径！！！
image = cv2.imread(image_path)
if image is None:
    print("❌ 错误：没找到图片，请检查路径是否正确！")
    exit()
image = resize(image, width=300)  # 统一调整图片宽度为300（方便后续处理）
cv_show("原始图片", image)        # 显示原始图片

# 2. 转灰度图（去掉颜色，只保留明暗）
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show("灰度图", gray)

# 3. 顶帽操作：突出亮的细节（数字），压暗背景
# 初始化卷积核（可以理解为「处理图片的小刷子」）
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))  # 长方形刷子（适合数字的形状）
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show("顶帽操作后（数字更清晰）", tophat)

# 4. 闭操作：把数字的分散笔画连在一起（先膨胀再腐蚀）
closeX = cv2.morphologyEx(tophat, cv2.MORPH_CLOSE, rectKernel)
cv_show("闭操作后（数字连成块）", closeX)

# 5. 二值化：把图片变成纯黑纯白（数字黑，背景白）
# THRESH_OTSU：让程序自动找最佳阈值（不用手动调）
thresh = cv2.threshold(closeX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show("二值化后（黑白对比）", thresh)

# 6. 再做一次闭操作：加固数字区域（避免小缝隙）
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))  # 正方形刷子
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
cv_show("二次闭操作后", thresh)

# 7. 找轮廓：识别数字的边框
# cv2.RETR_EXTERNAL：只找最外层轮廓（避免数字内部的小轮廓）
cnts, _ = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts_img = image.copy()  # 复制原始图片，用来画轮廓
cv2.drawContours(cnts_img, cnts, -1, (0, 0, 255), 2)  # 红色画出所有轮廓
cv_show("所有轮廓", cnts_img)

# 8. 筛选：只保留符合数字比例的轮廓
locs = []  # 存储数字区域的坐标
for c in cnts:
    # 计算轮廓的外接矩形（x=横坐标，y=纵坐标，w=宽度，h=高度）
    x, y, w, h = cv2.boundingRect(c)
    ar = w / float(h)  # 计算宽高比（数字的宽通常是高的2.5~4倍）
    
    # 筛选条件：宽高比2.5~4，宽度40~55，高度10~20（根据你的图片调整）
    if 2.5 < ar < 4.0 and (40 < w < 55) and (10 < h < 20):
        locs.append((x, y, w, h))  # 符合条件的区域存起来

# 9. 按从左到右排序（信用卡数字是从左到右的）
locs = sorted(locs, key=lambda x: x[0])
print("✅ 找到的数字区域坐标：", locs)

# 10. 画出最终筛选后的数字区域（绿色框）
result_img = image.copy()
for (x, y, w, h) in locs:
    cv2.rectangle(result_img, (x-2, y-2), (x+w+2, y+h+2), (0, 255, 0), 2)
cv_show("最终数字区域（绿色框）", result_img)

关键步骤解释（小白版）

1. 为什么要转灰度图？

彩色图片有 RGB 三个通道，处理起来复杂；灰度图只有「明暗」一个维度，程序更容易聚焦数字。

2. 顶帽操作是啥？

想象一下：信用卡背景是浅灰色，数字是白色。顶帽操作就像「把白色数字提起来，把灰色背景压下去」，让数字和背景的对比更强烈。

3. 闭操作有啥用？

信用卡数字的笔画可能有小缝隙（比如数字 8 中间的缝），闭操作先「膨胀」（把笔画变粗）再「腐蚀」（恢复原来的大小），刚好能把缝隙补上，让数字变成一个完整的块。

4. 筛选轮廓的条件怎么来的？

信用卡数字的宽通常是高的 2.5~4 倍，宽度大概 40~55 像素，高度 10~20 像素（如果你的图片大小不同，稍微调整这个数值就行）。

运行注意事项

1. 替换图片路径：把代码里的image_path = "credit_card.jpg"改成你自己的信用卡图片路径（建议用正面、清晰的图片）；
2. 标红问题解决：如果代码标红，大概率是没装 OpenCV，重新运行pip install opencv-python即可；
3. 图片找不到：如果提示「没找到图片」，检查路径是否正确（比如 Windows 路径要用\\，比如C:\\images\\credit_card.jpg）。