在计算机视觉领域，OpenCV 是一款功能强大的开源库，而结合 Python 的命令行参数解析工具 argparse，能让我们的视觉处理程序更灵活、更通用。本文将从 argparse 基础用法讲起，逐步深入到模板匹配的经典应用——银行卡卡号识别，带你掌握从参数配置到视觉实战的完整流程。

一、argparse：让程序参数配置更灵活

在编写视觉处理程序时，我们经常需要动态调整输入路径、阈值、串口号等参数，如果每次都修改代码内部的常量，效率极低。Python 内置的 argparse 模块可以轻松解决这个问题，它能解析命令行传入的参数，让程序的参数配置脱离代码硬编码。

1. argparse 基础用法

先看一个简单的示例，理解 argparse 的核心流程：

import argparse

# 1. 创建 ArgumentParser 对象，作为参数解析的容器
parser = argparse.ArgumentParser()

# 2. 添加参数：支持不同类型、默认值、帮助信息
# 字符串类型参数，指定报警器串口号，默认值 COM5
parser.add_argument("--SERIAL_PORT1", type=str, default='COM5', help='第一个报警器的串口号')
# 整数类型参数，物体面积阈值，默认值 1600
parser.add_argument("--area_thred", type=int, default=1600, help='物体面积的阈值')
# 浮点数类型参数，识别置信度，默认值 0.8
parser.add_argument("--confid_level", type=float, default=0.8, help='识别的置信度')
# 短参数+长参数结合，整数类型，默认值 10
parser.add_argument('-b', "--bbb", type=int, default=10)

# 3. 解析命令行参数，返回包含所有参数的 Namespace 对象
opt = parser.parse_args()

# 4. 调用参数
a = opt.area_thred
b = opt.bbb
print(f"面积阈值：{a}，参数bbb：{b}，两者之和：{a+b}")

2. 核心知识点

• 参数定义：add_argument 支持指定参数名（短名 -b/长名 --bbb）、类型（int/float/str）、默认值（default）、帮助信息（help）；

• 必选参数：如果不设置 default，且添加 required=True，则该参数为命令行必传项（后续银行卡识别示例会用到）；

• 参数解析：parse_args() 解析命令行输入，返回的对象可通过 .参数名 调用参数值。

二、模板匹配：OpenCV 最基础的视觉匹配技术

模板匹配是 OpenCV 中最简单的匹配算法，核心思想是：用一个小的模板图像，在目标图像上滑动，逐像素计算相似度，找到匹配度最高的区域。

1. 基础模板匹配示例

以“在可乐图片中匹配瓶盖模板”为例，代码如下：

import cv2

# 读取目标图像和模板图像
kele = cv2.imread('kele.png')
template = cv2.imread('template.png')

# 显示原始图像
cv2.imshow('kele', kele)
cv2.imshow('template', template)

# 获取模板的高、宽
h, w = template.shape[:2]

# 执行模板匹配（归一化相关系数匹配，值越大匹配度越高）
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)

# 找到匹配度最高的位置：minMaxLoc返回最小/大值、最小/大值坐标
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

# 绘制匹配框：左上角坐标 + 右下角坐标（模板宽高偏移）
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
kele_template = cv2.rectangle(kele, top_left, bottom_right, (0,255,0), 2)

# 显示匹配结果
cv2.imshow('Kele_template', kele_template)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 关键API解析

• cv2.matchTemplate(src, temp, method)：src 是目标图像，temp 是模板图像，method 是匹配方法（如 TM_CCOEFF_NORMED 归一化相关系数，匹配值范围 [-1,1]，1 为完全匹配）；

• cv2.minMaxLoc(arr)：找到数组中的最小值、最大值，以及对应的坐标，是模板匹配后定位的核心函数。

三、实战：银行卡卡号识别（模板匹配+形态学操作）

结合 argparse 动态传参和模板匹配技术，我们可以实现银行卡卡号的自动识别，核心流程分为「模板处理」和「银行卡图像识别」两部分。

1. 完整代码实现

import numpy as np
import argparse
import cv2

# 自定义工具函数（简化代码，模拟myutils）
def sort_contours(contours, method="left-to-right"):
    reverse = False
    i = 0
    if method == "right-to-left" or method == "bottom-to-top":
        reverse = True
    if method == "top-to-bottom" or method == "bottom-to-top":
        i = 1
    boundingBoxes = [cv2.boundingRect(c) for c in contours]
    (contours, boundingBoxes) = zip(*sorted(zip(contours, boundingBoxes),
                                            key=lambda x: x[1][i], reverse=reverse))
    return (contours, boundingBoxes)

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

def cv_show(name, img):
    cv2.imshow(name, img)

# 步骤1：解析命令行参数（必传图像和模板路径）
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True, help="银行卡图像路径")
ap.add_argument("-t", "--template", required=True, help="数字模板图像路径")
args = vars(ap.parse_args())  # 转为字典，方便调用

# 银行卡类型映射（首数字）
FIRST_NUMBER = {
    "3": "American Express",
    "4": "Visa",
    "5": "MasterCard",
    "6": "Discover Card",
    "9": "JCB/UnionPay/Other"
}

# 步骤2：模板图像处理（提取0-9数字模板）
# 读取模板并转灰度、二值化（黑底白字，便于找轮廓）
ref = cv2.imread(args["template"])
ref_gray = cv2.cvtColor(ref, cv2.COLOR_BGR2GRAY)
ref_thresh = cv2.threshold(ref_gray, 10, 255, cv2.THRESH_BINARY_INV)[1]

# 查找模板轮廓并排序（从左到右）
_, refCnts, _ = cv2.findContours(ref_thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
refCnts = sort_contours(refCnts, method="left-to-right")[0]

# 构建数字模板字典（每个轮廓对应一个数字）
digits = {}
for (i, c) in enumerate(refCnts):
    (x, y, w, h) = cv2.boundingRect(c)
    roi = ref_thresh[y:y+h, x:x+w]
    roi = cv2.resize(roi, (57, 88))  # 统一尺寸，便于匹配
    digits[i] = roi

# 步骤3：银行卡图像预处理
image = cv2.imread(args["image"])
image = resize(image, width=300)  # 统一宽度
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 形态学操作（顶帽变换：突出亮区域，用于定位卡号）
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)

# 闭操作+二值化（连接数字，便于找卡号区域）
closeX = cv2.morphologyEx(tophat, cv2.MORPH_CLOSE, rectKernel)
thresh = cv2.threshold(closeX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)

# 步骤4：定位卡号区域
_, cnts, _ = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
locs = []
for (i, c) in enumerate(cnts):
    (x, y, w, h) = cv2.boundingRect(c)
    ar = w / float(h)
    # 筛选卡号区域：宽高比2.5-4，宽度40-55，高度10-20
    if 2.5 < ar < 4.0 and (40 < w < 55) and (10 < h < 20):
        locs.append((x, y, w, h))

# 卡号区域排序（从左到右）
locs = sorted(locs, key=lambda x: x[0])

# 步骤5：识别每个数字
output = []
for (i, (gX, gY, gW, gH)) in enumerate(locs):
    groupOutput = []
    # 提取卡号区域ROI
    group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
    # 二值化
    group_thresh = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    # 查找数字轮廓并排序
    _, digitCnts, _ = cv2.findContours(group_thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    digitCnts = sort_contours(digitCnts, method="left-to-right")[0]

    # 模板匹配识别每个数字
    for c in digitCnts:
        (x, y, w, h) = cv2.boundingRect(c)
        roi = group_thresh[y:y+h, x:x+w]
        roi = cv2.resize(roi, (57, 88))
        # 计算与每个模板的匹配得分
        scores = []
        for (digit, digitROI) in digits.items():
            result = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)
            (_, score, _, _) = cv2.minMaxLoc(result)
            scores.append(score)
        # 取得分最高的数字
        groupOutput.append(str(np.argmax(scores)))

    # 绘制识别结果
    cv2.rectangle(image, (gX-5, gY-5), (gX+gW+5, gY+gH+5), (0,0,255), 1)
    cv2.putText(image, "".join(groupOutput), (gX, gY-15), 
                cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)
    output.extend(groupOutput)

# 输出结果
print(f"银行卡类型：{FIRST_NUMBER[output[0]]}")
print(f"银行卡卡号：{''.join(output)}")
cv2.imshow("识别结果", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 运行方式（命令行）

python 17.银行卡卡号识别.py -i card1.png -t kahao.png

3. 核心流程解析

1. 模板处理：将数字模板图像转灰度、二值化，查找轮廓并排序，提取每个数字的ROI并保存为模板字典；

2. 银行卡预处理：通过形态学操作（顶帽变换、闭操作）突出卡号区域，筛选出符合宽高比的卡号轮廓；

3. 数字识别：对每个卡号区域提取数字轮廓，逐个与模板匹配，取匹配得分最高的数字作为识别结果；

4. 结果可视化：在原图上绘制卡号区域和识别结果，输出银行卡类型和完整卡号。

四、总结与拓展

1. argparse 价值

让程序从“硬编码参数”变为“动态传参”，适配不同输入场景，是工业级程序的基础；

2. 模板匹配适用场景

适合目标形状固定、光照变化小的场景（如数字、logo识别），缺点是无法应对旋转、缩放；

3. 优化方向

◦ 模板匹配可增加多尺度匹配，应对目标缩放；

◦ 结合机器学习（如CNN）提升复杂场景下的识别准确率；

◦ 增加参数校验，提升程序鲁棒性（如检查图像路径是否存在）。

通过本文的学习，你不仅掌握了 argparse 的参数解析技巧，还理解了模板匹配的核心原理，并能落地到银行卡卡号识别这样的实战场景。OpenCV 的玩法远不止于此，后续可尝试结合更多形态学操作、特征提取算法，解锁更多视觉应用！