車牌識別01__車牌摳圖(CNN深度學習—opencv實現方法)
阿新 • • 發佈:2019-05-06
lib 正常 hold [1] 檢測 otl 代碼 for hiera
一、安裝依賴
1、mac安裝brem
/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"
2、mac安裝opencv
brew install opencv
3、安裝opencv-python
pip3.6 install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python
參考以下地址
https://www.jianshu.com/p/797e5dc4a279
二、步驟解析
opencv解析圖片的大概步驟
1、加載圖片
2、把圖片轉化為灰度3、利用高斯模糊、中值濾波進行消除噪音點(可以理解成tensorflow中的卷積和池化)
4、邊緣檢測
5、二值化:只顯示黑白效果
6、進行膨脹和腐蝕,對邊緣放大效果
7、查找輪廓(計算輪廓面積、找到輪廓的矩陣的坐標計算長寬比例,找到現實中物體合理的比例)
8、找到矩陣坐標,並根據原圖進行剪切
三、代碼呈現
import cv2 import numpy as np import matplotlib.pyplot as plt #1、imread加載圖片 img = cv2.imread(‘0.jpg‘) #2、將圖像轉換為灰度圖 img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # #2、高斯平滑模糊 #GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT ) #Size ksize必須為正奇數 img = cv2.GaussianBlur(img, (3, 3), 0, 0, cv2.BORDER_DEFAULT) #3、中值濾波(池化),消除噪音數據,medianBlur(InputArray src, OutputArray dst, int ksize) ksize必須為奇數 img = cv2.medianBlur(img, 5) #4、利用Sobel方法可以進行sobel邊緣檢測,突出邊緣 img = cv2.Sobel(img, cv2.CV_8U, 1, 0, ksize=3) #圖像的二值化就是將圖像上的像素點的灰度值設置為0或255,這樣將使整個圖像呈現出明顯的黑白效果,<150的全為黑,>150的全為白 ret, binary = cv2.threshold(img, 150, 255, cv2.THRESH_BINARY) #膨脹,讓輪廓突出 element1 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 7)) img = cv2.dilate(binary, element1, iterations=1) #腐蝕 element2 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 1)) img = cv2.erode(img, element2, iterations=1) #膨脹,讓輪廓更明顯 img = cv2.dilate(img, element1, iterations=3) ############################################### # 查找輪廓(img: 原始圖像,contours:矩形坐標點,hierarchy:圖像層次) contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) max_ratio = -1 ratios = [] num = 0 for i in range(len(contours)): cnt = contours[i] #計算輪廓面積 area = cv2.contourArea(cnt) if area < 1000: continue #四邊形的最小外接矩形,得到最小外接矩形的(中心(x,y), (寬,高), 旋轉角度) rect = cv2.minAreaRect(cnt) # 矩形的四個坐標(順序不定,但是一定是一個左下角、左上角、右上角、右下角這種循環順序(開始是哪個點未知)) box = cv2.boxPoints(rect) # 轉換為long類型 box = np.int0(box) # 計算長寬高 height = abs(box[0][1] - box[2][1]) weight = abs(box[0][0] - box[2][0]) ratio = float(weight) / float(height) # 正常的車牌寬高比在2.7~5之間 if ratio > max_ratio: max_box = box if ratio > 5.5 or ratio < 2: continue num +=1 ratios.append((max_box,ratio)) #返回就是車牌的矩陣的四個點的坐標 box = ratios[0][0] print(box) print(box[0,1]) ys = [box[0, 1], box[1, 1], box[2, 1], box[3, 1]] print(ys) xs = [box[0, 0], box[1, 0], box[2, 0], box[3, 0]] ys_sorted_index = np.argsort(ys) print(ys_sorted_index) xs_sorted_index = np.argsort(xs) # 獲取x上的坐標 x1 = box[xs_sorted_index[0], 0] print(x1) x2 = box[xs_sorted_index[3], 0] print(x2) # 獲取y上的坐標 y1 = box[ys_sorted_index[0], 1] print(y1) y2 = box[ys_sorted_index[3], 1] # img2 = cv2.imread(‘0.jpg‘) # # 截取圖像 img_plate = img2[y1:y2, x1:x2] cv2.imwrite(‘test1.jpg‘, img_plate)
車牌識別01__車牌摳圖(CNN深度學習—opencv實現方法)