（1）灰度图、二值图转化
template = cv2.imread('C:/Users/bwy/Desktop/number.png')
template_gray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
cv_show('template_gray', template_gray)
# 形成二值图像，因为要做轮廓检测
ret, template_thresh = cv2.threshold(template_gray, 127, 255, cv2.THRESH_BINARY_INV)
cv_show('template_thresh', template_thresh)结果如图所示：
（2）进行轮廓提取接受参数为二值图像，得到数字的信息，RETR_EXTERNAL 就是只是需要外轮廓，cv2.CHAIN_APPROX_SIMPLE只保留终点坐标。
template_contours, hierarchy = cv2.findContours(template_thresh,
cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(template,template_contours,-1,(0,0,255),2)
cv_show('template',template)-1：代表所的轮廓，我们这里画出来10个轮廓。(可以用代码验证一下）
print(np.array(refCnts,-1,(0,0,255),3)
结果：10
结果如图所示：
（3）我们需要将轮廓进行大小排序（我们拿到的数据模板不一定向我们前面所展示的从0-9按顺序的，所以我们需要进行排序、resize。
def contours_sort(contours, method=0):
if method == 0:
contours = sorted(contours, key=lambda x: cv2.boundingRect(x)[0])
else:
contours = sorted(contours, key=lambda x: cv2.boundingRect(x)[0], reverse=True)
return contours我们调用函数#将轮廓排序，位置从小到大就是数字的信息。然后我们遍历模板，使用cv2.boudingRect获得轮廓的位置，提取位置对应的图片，与数字结合构造成模板字典，dsize = (55, 88)，统一大小。
dict_template = {}
for i, contour in enumerate(template_contours):
# 画出其外接矩阵，获得其位置信息
x, y, w, h = cv2.boundingRect(contour)
template_img = template_thresh[y:y + h, x:x + w]
# 使用cv2.resize变化模板的大小
template_img = cv2.resize(template_img, dsize)
cv_show('template_img{}'.format(i), template_img)
dict_template[i] = template_img 结果如图所示：
。。。。。。。。。。
(1)进行灰度值
card_gray = cv2.cvtColor(card, cv2.COLOR_BGR2GRAY)
cv_show('card_gray',card_gray)(2)形成二值图像，因为要做轮廓检测，解释参数：THRESH_OTSU会自动寻找合适的阈值，适合双峰，需要阈值参数设置为零 二值化
card_thresh =cv2.threshold(card_gray,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]
cv_show('card_thresh',card_thresh)结果如图所示：
（3） 我们观察一下图片，我们识别图片上的数字但也会存在黄框和红框中的干扰，这时候我们可以想到前面所学到的形态学操作礼帽，闭运算...
先进行礼帽操作，突出更明亮的区域：
kernel=np.ones((9,3),np.uint8)
card_tophat=cv2.morphologyEx(card_gray,cv2.MORPH_TOPHAT,kernel)
cv_show('card_tophat',card_tophat)结果如图：
（4）我们进行图像的轮廓检测只取外轮廓。在这个图上有不同的区域，我们如何区分呢，我们可以用h的大小进行估计，这个数据根据项目而定
bankcard_contours, hierarchy = cv2.findContours(card_thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
banck_card_cnts = []
draw_img = card.copy()
for i, contour in enumerate(bankcard_contours):
x, y, w, h = cv2.boundingRect(contour)
# 数字的x 坐标在 一定的位置范围
if 0.5 * card_h < y < 0.6 * card_h:
banck_card_cnts.append((x, y, w, h))
draw_img = cv2.rectangle(draw_img, pt1=(x, y), pt2=(x + w, y + h), color=(0, 0, 255),
thickness=2) # 画出这个矩形，会在原图上画
cv_show_image('rectangle_contours_img', draw_img)结果如图：
（5）模板匹配，读出图像。
for i, locs in enumerate(banck_card_cnts):
x, y, w, h = locs[:] # 保留了在原始图像的位置信息
dst_img = card_thresh[y:y + h, x:x + w] # 获得当前图像的位置和区域
dst_img = cv2.resize(dst_img, dsize)
cv_show('rectangle_contours_img', dst_img)
tm_vals = {}
for number, temp_img in dict_template.items():
# 模板匹配，采用计算相关性系数，值越大越相关
res = cv2.matchTemplate(dst_img, temp_img, cv2.TM_CCOEFF_NORMED)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
tm_vals[number] = max_val
number_tm = max(tm_vals, key=tm_vals.get)
# 在图像上画出结果来
draw_img = cv2.rectangle(draw_img, pt1=(x, y), pt2=(x + w, y + h), color=(0, 0, 255),
thickness=2)
cv2.putText(draw_img, str(number_tm), (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.65,
color=(0, 0, 255), thickness=2)
cv_show_image('final_result', draw_img)结果如图所示：
只是展示一部分（倒序输出）
