[图像处理] Python+OpenCV实现车牌区域识别

本篇文章主要调用OpenCV库(cv2)进行车牌区域识别,具体步骤包括: 1.灰度转换:将彩色图片转换为灰度图像,常见的R=G=B=像素平均值。 2.高斯平滑和中值滤波:去除噪声。 3.Sobel算子:提取图像边缘轮廓,X方向和Y方向平方和开跟。 4.二值化处理:图像转换为黑白两色,通常像素大于127设置为255,小于设置为0。 5.膨胀和细化:放大图像轮廓,转换为一个个区域,这些区域内包含车牌。 6.通过算法选择合适的车牌位置,通常将较小的区域过滤掉或寻找蓝色底的区域。 7.标注车牌位置,如果是花儿、人脸、牛角,可能需要特征提取和训练。

▽▽▽

一、读取图像及灰度转换

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
#读取图片
imagePath = '10.jpg'
img = cv2.imread(imagePath)
#opencv默认的imread是以BGR的方式进行存储的
#而matplotlib的imshow默认则是以RGB格式展示
#所以此处我们必须对图片的通道进行转换
lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#灰度图像处理
GrayImage = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
print(u"读入lenna图的shape为", GrayImage.shape)
#显示图形
titles = ['Source Image','Gray Image']  
images = [lenna_img, GrayImage]  
for i in xrange(2):  
   plt.subplot(1,2,i+1),plt.imshow(images[i],'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()  
cv2.imshow('Gray.bmp', GrayImage)
cv2.waitKey(0)

输出结果如下图所示:

二、高斯平滑和中值滤波去噪

这里原理推荐我以前C++图像处理的文章,如下:https://blog.csdn.net/column/details/eastmount-mfc.html

完整代码如下所示:

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
#读取图片
imagePath = '10.jpg'
img = cv2.imread(imagePath)
#opencv默认的imread是以BGR的方式进行存储的
#而matplotlib的imshow默认则是以RGB格式展示
#所以此处我们必须对图片的通道进行转换
lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#灰度图像处理
GrayImage = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
print(u"读入lenna图的shape为", GrayImage.shape)
#直方图均衡化
#equ = cv2.equalizeHist(gray)
#高斯平滑
Gaussian = cv2.GaussianBlur(GrayImage, (3, 3), 0, 0, cv2.BORDER_DEFAULT)
#Gaussian = cv2.GaussianBlur(GrayImage, (9, 9),0)
#中值滤波
Median = cv2.medianBlur(Gaussian, 5)
#显示图形
titles = ['Source Image','Gray Image', 'Gaussian Image', 'Median Image']  
images = [lenna_img, GrayImage, Gaussian, Median]  
for i in xrange(4):  
   plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()  

输出结果如下图所示,分别是原图、灰度图像、高斯处理和中值滤波处理。

三、Sobel算子提取轮廓和二值化处理

有时还需要加强图像中景物的边缘和轮廓,边缘和轮廓通常位于图像中灰度突出的地方,因而可以直观的想到用灰度的差分对边缘和轮廓进行提取,通常可以通过梯度算子进行提取。图像锐化的目的是提高图像的对比度,从而使图像更清晰,通过提高邻域内像素的灰度差来提高图像的对比度。本文采用Sobel算子提取边缘轮廓。

阈值又称为临界值,它的目的是确定出一个范围,然后这个范围内的部分使用同一种方法处理,而阈值之外的部分则使用另一种处理方法或保持原样。常用的包括产生二值图:当x<T时y=0,当x>=T时y=255(其中T是阈值)。阈值变换在生物学上的应用比较广泛,常用语细胞图像分割等。本文采用二值化处理将大于等于170像素的转换为255,而下于的转换为0,使得图像更加清晰。

完整代码如下所示:

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
#读取图片
imagePath = '10.jpg'
img = cv2.imread(imagePath)
#opencv默认的imread是以BGR的方式进行存储的
lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#灰度图像处理
GrayImage = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
print(u"读入lenna图的shape为", GrayImage.shape)
#直方图均衡化
#equ = cv2.equalizeHist(gray)
# 高斯平滑
Gaussian = cv2.GaussianBlur(GrayImage, (3, 3), 0, 0, cv2.BORDER_DEFAULT)
# 中值滤波
Median = cv2.medianBlur(Gaussian, 5)
# Sobel算子 XY方向求梯度
x = cv2.Sobel(Median, cv2.CV_8U, 1, 0, ksize = 3) #X方向
y = cv2.Sobel(Median, cv2.CV_8U, 0, 1, ksize = 3) #Y方向
absX = cv2.convertScaleAbs(x)   # 转回uint8    
absY = cv2.convertScaleAbs(y)    
Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5,0)
cv2.imshow('dilation2', Sobel)
cv2.waitKey(0)
# 二值化处理 周围像素影响
ret, Binary = cv2.threshold(Sobel, 170, 255, cv2.THRESH_BINARY)
cv2.imshow('dilation2',Binary)
cv2.waitKey(0)
#显示图形
titles = ['Source Image','Gray Image', 'Gaussian Image', 'Median Image',
          'Sobel Image', 'Binary Image']  
images = [lenna_img, GrayImage, Gaussian, Median, Sobel, Binary]  
for i in xrange(6):  
   plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()  

输出结果如下所示:

四、膨胀和腐蚀处理

接下来进行膨胀和腐蚀处理,其中膨胀让轮廓突出,腐蚀去掉细节。

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
#读取图片
imagePath = '10.jpg'
img = cv2.imread(imagePath)
#opencv默认的imread是以BGR的方式进行存储的
lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#灰度图像处理
GrayImage = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
print(u"读入lenna图的shape为", GrayImage.shape)
#直方图均衡化
#equ = cv2.equalizeHist(gray)
#高斯平滑 去噪
Gaussian = cv2.GaussianBlur(GrayImage, (3, 3), 0, 0, cv2.BORDER_DEFAULT)
#Gaussian = cv2.GaussianBlur(GrayImage, (9, 9),0)
#中值滤波
Median = cv2.medianBlur(Gaussian, 5)
#Sobel算子 XY方向求梯度 cv2.CV_8U
x = cv2.Sobel(Median, cv2.CV_32F, 1, 0, ksize = 3) #X方向
y = cv2.Sobel(Median, cv2.CV_32F, 0, 1, ksize = 3) #Y方向
#absX = cv2.convertScaleAbs(x)   # 转回uint8    
#absY = cv2.convertScaleAbs(y)
#Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
gradient = cv2.subtract(x, y)
Sobel = cv2.convertScaleAbs(gradient)
cv2.imshow('dilation2', Sobel)
cv2.waitKey(0)
#二值化处理 周围像素影响
blurred = cv2.GaussianBlur(Sobel, (9, 9),0) #再进行高斯去噪
#注意170可以替换的
ret, Binary = cv2.threshold(blurred , 90, 255, cv2.THRESH_BINARY)
cv2.imshow('dilation2', Binary)
cv2.waitKey(0)
#膨胀和腐蚀操作的核函数
element1 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 1))
element2 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 7))
# 膨胀让轮廓突出
Dilation = cv2.dilate(Binary, element2, iterations = 1)
# 腐蚀去掉细节
Erosion = cv2.erode(Dilation, element1, iterations = 1)
# 再次膨胀
Dilation2 = cv2.dilate(Erosion, element2,iterations = 3)
cv2.imshow('Dilation2 ', Dilation2)
cv2.waitKey(0)
#显示图形
titles = ['Source Image','Gray Image', 'Gaussian Image', 'Median Image',
          'Sobel Image', 'Binary Image', 'Dilation Image', 'Erosion Image', 'Dilation2 Image']  
images = [lenna_img, GrayImage, Gaussian,
          Median, Sobel, Binary,
          Dilation, Erosion, Dilation2]  
for i in xrange(9):  
   plt.subplot(3,3,i+1),plt.imshow(images[i],'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()  

输出结果如下图所示,可以看到轮廓区域已经被提取出来,接下来开始有选择的进行获取。

五、指定算法选择车牌区域

该部分代码膨胀和腐蚀略有区别,采用closed变量实现。同时获取最理想的区域,完整代码如下所示:

#encoding:utf-8
#BY:Eastmount CSDN 2018-08-06
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
#读取图片
imagePath = '10.jpg'
img = cv2.imread(imagePath)
#opencv默认的imread是以BGR的方式进行存储的
lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#灰度图像处理
GrayImage = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
print(u"读入lenna图的shape为", GrayImage.shape)
#直方图均衡化
#equ = cv2.equalizeHist(gray)
#高斯平滑 去噪
Gaussian = cv2.GaussianBlur(GrayImage, (3, 3), 0, 0, cv2.BORDER_DEFAULT)
#Gaussian = cv2.GaussianBlur(GrayImage, (9, 9),0)
#中值滤波
Median = cv2.medianBlur(Gaussian, 5)
#Sobel算子 XY方向求梯度 cv2.CV_8U
x = cv2.Sobel(Median, cv2.CV_32F, 1, 0, ksize = 3) #X方向
y = cv2.Sobel(Median, cv2.CV_32F, 0, 1, ksize = 3) #Y方向
#absX = cv2.convertScaleAbs(x)   # 转回uint8    
#absY = cv2.convertScaleAbs(y)
#Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
gradient = cv2.subtract(x, y)
Sobel = cv2.convertScaleAbs(gradient)
cv2.imshow('dilation2', Sobel)
cv2.waitKey(0)
#二值化处理 周围像素影响
blurred = cv2.GaussianBlur(Sobel, (9, 9),0) #再进行一次高斯去噪
#注意170可以替换的
ret, Binary = cv2.threshold(blurred , 170, 255, cv2.THRESH_BINARY)
cv2.imshow('dilation2', Binary)
cv2.waitKey(0)
# 膨胀和腐蚀操作的核函数
element1 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 1))
element2 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 7))
# 膨胀一次,让轮廓突出
Dilation = cv2.dilate(Binary, element2, iterations = 1)
# 腐蚀一次,去掉细节
Erosion = cv2.erode(Dilation, element1, iterations = 1)
# 再次膨胀,让轮廓明显一些
Dilation2 = cv2.dilate(Erosion, element2,iterations = 3)
cv2.imshow('Dilation2 ', Dilation2)
cv2.waitKey(0)
##########################################
#建立一个椭圆核函数
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (25, 25))
#执行图像形态学, 细节直接查文档,很简单
closed = cv2.morphologyEx(Binary, cv2.MORPH_CLOSE, kernel)
closed = cv2.erode(closed, None, iterations=4)
closed = cv2.dilate(closed, None, iterations=4)
cv2.imshow('erode dilate', closed)
cv2.waitKey(0)
##########################################
#显示图形
titles = ['Source Image','Gray Image', 'Gaussian Image', 'Median Image',
          'Sobel Image', 'Binary Image', 'Dilation Image', 'Erosion Image', 'Dilation2 Image']  
images = [lenna_img, GrayImage, Gaussian,
          Median, Sobel, Binary,
          Dilation, Erosion, closed]  
for i in xrange(9):  
   plt.subplot(3,3,i+1),plt.imshow(images[i],'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()  
cv2.imshow('Gray', GrayImage)
cv2.waitKey(0)
"""
接下来使用Dilation2图片确定车牌的轮廓
这里opencv3返回的是三个参数
  参数一:二值化图像
  参数二:轮廓类型 检测的轮廓不建立等级关系
  参数三:处理近似方法  例如一个矩形轮廓只需4个点来保存轮廓信息
"""
(_, cnts, _) = cv2.findContours(closed.copy(), 
                                cv2.RETR_LIST,               #RETR_TREE
                                cv2.CHAIN_APPROX_SIMPLE)
#画出轮廓
c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]
print c
#compute the rotated bounding box of the largest contour
rect = cv2.minAreaRect(c)
print 'rectt', rect
Box = np.int0(cv2.boxPoints(rect))
print 'Box', Box
#draw a bounding box arounded the detected barcode and display the image
Final_img = cv2.drawContours(img.copy(), [Box], -1, (0, 0, 255), 3)
cv2.imshow('Final_img', Final_img)
cv2.waitKey(0)

输出结果如下图所示,可以看到车牌被选中了。

END

原文:

https://blog.csdn.net/Eastmount/article/details/81461679

参考:

https://www.jianshu.com/p/fcfbd3131b84 https://blog.csdn.net/sinat_36458870/article/details/78825571 https://blog.csdn.net/sumkee911/article/details/79435983

本文分享自微信公众号 - 机器学习与统计学(tjxj666)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-08-19

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券