• iOS 文字识别准备
• 图片灰度化
• 图片二值化
• 根据特征点提取某一区域

声明：思路来源于 iOS身份证号码识别 ,在此我对作者表示感谢，一下内容，是我结合http://www.opencv.org.cn写的一个简单教程，对该工程所用到的方法进行解读，在本文的最后，会附上完整的代码.

正文

iOS 文字识别准备

文字识别重要点在对图片的预处理，预处理做的比较好，识别率就会比较高，本次所介绍的身份证号识别是基于OpenCV、TesseractOCRiOS来实现的
首先使用CocoaPods导入三方库

pod 'OpenCV', '~> 3.0.0'
pod 'TesseractOCRiOS', '~> 4.0.0'

灰度化

灰度化，在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255。
下面说一下如何使用OpenCV进行灰度化处理，使用的OpenCV是一个C++ 的代码，在使用的类中要将.m文件改为.mm

    //将UIImage转换成矩阵
    cv::Mat resultImage;//定义矩阵
    UIImageToMat(image, resultImage);
    //转为灰度图
    cvtColor(resultImage, resultImage, cv::COLOR_BGR2GRAY);

原图.png 灰度化.png

二值化

图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。

固定阈值门限分割

• 方法

double threshold( InputArray src, OutputArray dst,
                               double thresh, double maxval, int type );

• 参数说明

src 输入矩阵
dst 输出矩阵
thresh 阀值
maxval 最大值（这里通常设置为255）
thresholdType 分割类型

• 分割类型说明

//value 矩阵中一个单位的颜色的值
//threshold 阀值
CV_THRESH_BINARY      =0,  /**value > threshold ? max_value : 0       */
    CV_THRESH_BINARY_INV  =1,  /**value > threshold ? 0 : max_value       */
    CV_THRESH_TRUNC       =2,  /** value > threshold ? threshold : value   */
    CV_THRESH_TOZERO      =3,  /**value > threshold ? value : 0           */
    CV_THRESH_TOZERO_INV  =4,  /** value > threshold ? 0 : value */

• 使用

    cv::threshold(resultImage, resultImage, 100, 255, CV_THRESH_BINARY);

阀值为100二值化.png

这里又有一个很重要的点，阀值的确定，我是在某个博客找到个计算阀值的算法，不过不是很理想，现在也贴出来，但是不知道作者是谁了，很抱歉...

int cvThresholdOtsu(IplImage* src)
{
    int height=src->height;
    int width=src->width;
    
    //histogram
    float histogram[256]={0};
    for(int i=0;i<height;i++) {
        unsigned char* p=(unsigned char*)src->imageData+src->widthStep*i;
        for(int j=0;j<width;j++) {
            histogram[*p++]++;
        }
    }
    //normalize histogram
    int size=height*width;
    for(int i=0;i<256;i++) {
        histogram[i]=histogram[i]/size;
    }
    
    //average pixel value
    float avgValue=0;
    for(int i=0;i<256;i++) {
        avgValue+=i*histogram[i];
    }
    
    int threshold = 0;
    float maxVariance=0;
    float w=0,u=0;
    for(int i=0;i<256;i++) {
        w+=histogram[i];
        u+=i*histogram[i];
        
        float t=avgValue*w-u;
        float variance=t*t/(w*(1-w));
        if(variance>maxVariance) {
            maxVariance=variance;
            threshold=i;
        }
    }
    
    return threshold;
}

• 截取卡号区域
  思路，现将黑色的点放大，这样点会连接到一起，变成一块儿黑色，然后我们通过图片的轮廓，宽高比例来寻找复合的一个区域，将其截取下来

腐蚀&膨胀

• 官方解释：
  腐蚀：进行腐蚀操作时，将内核B划过图像,将内核B覆盖区域的最小相素值提取，并代替锚点位置的相素。
  膨胀：进行膨胀操作时，将内核B划过图像,将内核B覆盖区域的最大相素值提取，并代替锚点位置的相素。显然，这一最大化操作将会导致图像中的亮区开始”扩展” (因此有了术语膨胀 dilation )。对上图采用膨胀操作我们得到:
• 个人理解：
  腐蚀：定义一个size，用这个size替换图片每个点（加粗）
  膨胀：与腐蚀相反（变细）
  个人的认识比较low，在这里呢使用腐蚀目的是将相近的黑色点连接到一块，已便后面获取所有数字连接到一块儿的轮廓，对比每个轮廓的宽高比，截取到卡号区域。

cv::Mat erodeElement = getStructuringElement(cv::MORPH_RECT, cv::Size(25,1));
cv::erode(resultImage, resultImage, erodeElement);

腐蚀之后的照片

在图像中寻找轮廓

• 方法

//获取图片轮廓
findContours( InputOutputArray image, OutputArrayOfArrays contours,
                              int mode, int method, Point offset = Point());
//将存放Point的数组转为Rect
Rect boundingRect( InputArray points );

• findContours参数说明

InputOutputArray:输入输出的图片
OutputArrayOfArrays:输出的轮廓点，这是一个三维数
std::vector<std::vector<cv::Point>> contours;

mode:轮廓检索模式,具体参考cv::RetrievalModes
CV_RETR_EXTERNAL：只检索最外面的轮廓；
CV_RETR_LIST：检索所有的轮廓，并将其放入list中；
CV_RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界；
CV_RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次。

method:轮廓近似法,具体参考cv::ContourApproximationModes
CV_CHAIN_CODE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）。
CV_CHAIN_APPROX_NONE：将所有的连码点，转换成点。
CV_CHAIN_APPROX_SIMPLE：压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。
CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS：使用the flavors of Teh-Chin chain近似算法
的一种。
CV_LINK_RUNS：通过连接水平段的1，使用完全不同的边缘提取算法。使用CV_RETR_LIST检索模式能使用此方法。
offset：偏移量，用于移动所有轮廓点。

• 使用

    cv::findContours(resultImage, contours, CV_RETR_TREE, CV_CHAIN_APPROX_SIMPLE, cvPoint(0, 0));

根据轮廓选取目标区域

（未完）