[图像处理] Python+OpenCV实现车牌区域识别及Sobel算子丨【拜托了，物联网！】

由于最近太忙，这篇文章只给出相关代码供大家学习，过一段时间会详细的写一些列Python图像处理的文章，包括各种算法原理、图像识别、图像增强、图像分类、深度学习等。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。

本篇文章为基础性文章，希望对你有所帮助，主要提供些思路，也是自己教学的内容。如果文章中存在错误或不足之处，还请海涵。同时，推荐大家阅读我以前的文章了解其他知识。

一、读取图像及灰度转换

代码如下：

#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)

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()

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。

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()

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)

Python实现车牌定位及分割 - 简书

https://blog.csdn.net/sinat_36458870/article/details/78825571

OpenCV图像识别：车牌定位算法源码，Python语言实现_sumkee911‘s coding-CSDN博客_python 车牌定位

感恩能与大家在华为云遇见！

希望能与大家一起在华为云社区共同成长。原文地址：https://blog.csdn.net/Eastmount/article/details/81461679

【拜托了，物联网！】有奖征文火热进行中：https://bbs.huaweicloud.com/blogs/296704

(By:娜璋之家 Eastmount 2021-10-03 夜于武汉)

OpenCV Python 图像处理

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。