一、形態學車牌提取（簡單：單情景）

1、讀取圖片，轉灰度圖

2、提取輪廓（Sobel算子提取y方向邊緣）

3、自適應二值化

4、閉運算處理，把影像閉合、揉團，使影像區域化

5、腐蝕/膨脹去噪得到車牌區域

5-1、橫向腐蝕、膨脹

5-2、縱向腐蝕、膨脹

6、獲取外輪廓

6-1、得到輪廓

6-2、畫出輪廓并顯示

7、截取得到車牌

二、形態學車牌提取（優化：多情景）

1、轉灰度圖

2、頂帽運算

3、Sobel算子提取Y方向邊緣

4、二值化影像

5、開運算分割（縱向分割）

6、閉運算合并

7、橫/縱方向腐蝕/膨脹

7-1、縱方向：腐蝕+膨脹

7-2、橫方向：膨脹+腐蝕

8、腐蝕膨脹：去噪

9、獲取外輪廓

10、根據車牌特征找到車牌輪廓

代碼

參考資料

一、形態學車牌提取（簡單：單情景）

（單圖片還不錯，但多圖片不準確）

1、讀取圖片，轉灰度圖

# 1、讀取圖片，轉灰度圖
    img = cv.imread('Resource/car.jpg')
    gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
    cv.imshow('gray', gray)

2、提取輪廓（Sobel算子提取y方向邊緣）

為什么對Y方向取邊緣：讓影像變“瘦”，便于把車牌揉成一團，

# 2、提取輪廓（Sobel算子提取y方向）
    y = cv.Sobel(gray, cv.CV_16S, 1,     0)
    # 注：對x/y微分和得到x/y方向影像相反  要得到x/y方向邊緣，就要求y/x方向的微分，
    absY = cv.convertScaleAbs(y)
    cv.imshow('Y', absY)

3、自適應二值化

注：threshold函式回傳兩個引數，第二個引數才是二進制影像！！！

# 3、自適應二值化
    ret, binary = cv.threshold(absY, 0, 255, cv.THRESH_OTSU)
    cv.imshow('binary', binary)

4、閉運算處理，把影像閉合、揉團，使影像區域化

閉運算處理，影像區域化，便于找到車牌區域，進而得到輪廓

測驗多組圖片，發現（17, 5）的卷積核比較好，能達到目的，

# 4、閉運算處理，把影像閉合、揉團，使影像區域化，便于找到車牌區域，進而得到輪廓
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (17,5))
    print('kernel= \n', kernel)
    close = cv.morphologyEx(binary, cv.MORPH_CLOSE, kernel)
    cv.imshow('close', close)

（這里采用矩形卷積核處理，）

5、腐蝕/膨脹去噪得到車牌區域

上面雖然得到了二進制影像，且得到了大致區域，但是噪聲（雜質）仍然太多，下面通過腐蝕、膨脹去噪，

5-1、橫向腐蝕、膨脹

# 5-1、水平方向腐蝕/膨脹
    erode = cv.morphologyEx(close, cv.MORPH_ERODE, kernel_x)
    cv.imshow('erode_x', erode)
    dilate = cv.morphologyEx(erode, cv.MORPH_DILATE, kernel_x)
    cv.imshow('dilate_x', dilate)

橫向處理完之后，繼續對縱向進行處理，

5-2、縱向腐蝕、膨脹

# 5-2、豎直方向腐蝕/膨脹
    erode = cv.morphologyEx(dilate, cv.MORPH_ERODE, kernel_y)
    cv.imshow('erode_y', erode)
    dilate = cv.morphologyEx(erode, cv.MORPH_DILATE, kernel_y)
    cv.imshow('dilate_y', dilate)

如上圖，得到了想要的結果，基本只剩下幾個輪廓了，且車牌區域保留完好，不影響車牌的定位，

6、獲取外輪廓

這里想先把包括車牌輪廓的外輪廓一起顯示，

6-1、得到輪廓

# 6-1、得到輪廓
    contours, hierarchy = cv.findContours(dilate_y, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)

6-2、畫出輪廓并顯示

# 6-2、畫出輪廓
    cv.drawContours(img_copy, contours, -1, (255,0,255), 2)
    cv.imshow('Contours', img_copy)

獲取輪廓代碼及效果：

# 6、獲取外輪廓
    img_copy = img.copy()
    # 6-1、得到輪廓
    contours, hierarchy = cv.findContours(dilate_y, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
    # 6-2、畫出輪廓并顯示
    cv.drawContours(img_copy, contours, -1, (255,0,255), 2)
    cv.imshow('Contours', img_copy)

7、截取得到車牌

首先判斷車牌的特征（比如寬：高一般在3~4），然后根據這個特征進行判斷，只保留符合特征的圖片（車牌），

 # 7、遍歷所有輪廓，找到車牌輪廓
    for contour in contours:
        # 7-1、得到矩形區域：左頂點坐標、寬和高
        rect = cv.boundingRect(contour)
        # 7-2、判斷寬高比例是否符合車牌標準，截取符合圖片
        if rect[2]>rect[3]*3 and rect[2]<rect[3]*5:
            # 截取車牌并顯示
            img = img[rect[1]:(rect[1]+rect[3]), rect[0]:(rect[0]+rect[2])]
            cv.imshow('license plate', img)

二、形態學車牌提取（優化：多情景）

1、轉灰度圖

gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
    cv.imshow('gray', gray)

2、頂帽運算

把較亮部分提取出來，使得車牌區域更加明顯，

# 2、頂帽運算
    # gray = cv.equalizeHist(gray)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (17,17))
    tophat = cv.morphologyEx(gray, cv.MORPH_TOPHAT, kernel)
    cv.imshow('tophat', tophat)

3、Sobel算子提取Y方向邊緣

縱向化車牌區域，使車牌更加明顯，

# 3、Sobel算子提取y方向邊緣（揉成一坨）
    y = cv.Sobel(tophat, cv.CV_16S, 1,     0)
    absY = cv.convertScaleAbs(y)
    cv.imshow('absY', absY)

4、二值化影像

根據自己的實際情況選取閾值，閾值越大，變成白色(255)的門檻越多，則白色部分越少，（這里閾值比較小，但閾值大也有不少利弊）

# 4、自適應二值化（閾值自己可調）
    ret, binary = cv.threshold(absY, 75, 255, cv.THRESH_BINARY)
    cv.imshow('binary', binary)

5、開運算分割（縱向分割）

為了防止后面的閉運算錯誤連接外部的雜質，需要先用開運算把它們分隔開，

# 5、開運算處理（縱向去噪，分隔）
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (1, 15))
    Open = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel)
    cv.imshow('Open', Open)

分割前：

可以看出來，這寫雜質已經完全融入車牌中了，后續想要分離它們就十分困難了，

分割后：

雖然也有少部分的連接，但不是之前的那種大塊連接，相對比較好去除，

6、閉運算合并

# 6、閉運算合并，把影像閉合、揉團，使影像區域化，便于找到車牌區域，進而得到輪廓
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (41, 15))
    close = cv.morphologyEx(Open, cv.MORPH_CLOSE, kernel)
    cv.imshow('close', close)

效果上面有，

7、橫/縱方向腐蝕/膨脹

# 7、膨脹/腐蝕（去噪得到車牌區域）
    # 中遠距離車牌識別
    kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (25, 7))
    kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 11))
    # 近距離車牌識別
    # kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (91, 31))
    # kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 31))
    # 7-1、腐蝕、膨脹（去噪）
    erode_y = cv.morphologyEx(close, cv.MORPH_ERODE, kernel_y)
    cv.imshow('erode_y', erode_y)
    dilate_y = cv.morphologyEx(erode_y, cv.MORPH_DILATE, kernel_y)
    cv.imshow('dilate_y', dilate_y)
    # 7-1、膨脹、腐蝕（連接）（二次縫合）
    dilate_x = cv.morphologyEx(dilate_y, cv.MORPH_DILATE, kernel_x)
    cv.imshow('dilate_x', dilate_x)
    erode_x = cv.morphologyEx(dilate_x, cv.MORPH_ERODE, kernel_x)
    cv.imshow('erode_x', erode_x)

7-1、縱方向：腐蝕+膨脹

分割上下距離比較近的物體，

7-2、橫方向：膨脹+腐蝕

進一步連接橫向的物體（繼上面的閉運算，再次連接車牌的內容）

8、腐蝕膨脹：去噪

# 8、腐蝕、膨脹：去噪
    kernel_e = cv.getStructuringElement(cv.MORPH_RECT, (25, 11))
    erode = cv.morphologyEx(erode_x, cv.MORPH_ERODE, kernel_e)
    cv.imshow('erode', erode)
    kernel_d = cv.getStructuringElement(cv.MORPH_RECT, (25, 13))
    dilate = cv.morphologyEx(erode, cv.MORPH_DILATE, kernel_d)
    cv.imshow('dilate', dilate)

9、獲取外輪廓

# 9、獲取外輪廓
    img_copy = img.copy()
    # 9-1、得到輪廓
    contours, hierarchy = cv.findContours(dilate, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
    # 9-2、畫出輪廓并顯示
    cv.drawContours(img_copy, contours, -1, (255, 0, 255), 2)
    cv.imshow('Contours', img_copy)

10、根據車牌特征找到車牌輪廓

車牌寬高比一般為3~4之間，但我這里首先是圖比較多，有些圖附帶的雜質沒有清除干凈，所以就設定在3~6.5之間，

# 10、遍歷所有輪廓，找到車牌輪廓
    i = 0
    for contour in contours:
        # 10-1、得到矩形區域：左頂點坐標、寬和高
        rect = cv.boundingRect(contour)
        # 10-2、判斷寬高比例是否符合車牌標準，截取符合圖片
        if rect[2]>rect[3]*3 and rect[2]<rect[3]*6.5:
            # 截取車牌并顯示
            print(rect)
            img = img[(rect[1]-5):(rect[1]+rect[3]+5), (rect[0]-5):(rect[0]+rect[2]+5)] #高，寬
            try:
                cv.imshow('license plate%d-%d' % (count, i), img)
                # cv.imwrite('img%d-%d.jpg'%(count, i), img)
                i += 1
            except:
                pass
    cv.waitKey(0)

中遠距離：

正常車牌成功率：100%（測驗了11例，均成功）

傾斜車牌成功率：67%（測驗2例,，3車牌，最小的車牌識別失敗）（但是處理不是很好）

近距離車牌成功率：0%（測驗2例，均失敗）

近距離：

（近距離成功率50%，因為只做了2個）

代碼

# 車牌識別
import cv2 as cv
import numpy as np
import os

# 提取車牌（形態學）
def Morph_Distinguish(img):
    # 1、轉灰度圖
    gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
    cv.imshow('gray', gray)

    # 2、頂帽運算
    # gray = cv.equalizeHist(gray)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (17,17))
    tophat = cv.morphologyEx(gray, cv.MORPH_TOPHAT, kernel)
    cv.imshow('tophat', tophat)

    # 3、Sobel算子提取y方向邊緣（揉成一坨）
    y = cv.Sobel(tophat, cv.CV_16S, 1,     0)
    absY = cv.convertScaleAbs(y)
    cv.imshow('absY', absY)

    # 4、自適應二值化（閾值自己可調）
    ret, binary = cv.threshold(absY, 75, 255, cv.THRESH_BINARY)
    cv.imshow('binary', binary)

    # 5、開運算分割（縱向去噪，分隔）
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (1, 15))
    Open = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel)
    cv.imshow('Open', Open)

    # 6、閉運算合并，把影像閉合、揉團，使影像區域化，便于找到車牌區域，進而得到輪廓
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (41, 15))
    close = cv.morphologyEx(Open, cv.MORPH_CLOSE, kernel)
    cv.imshow('close', close)

    # 7、膨脹/腐蝕（去噪得到車牌區域）
    # 中遠距離車牌識別
    kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (25, 7))
    kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 11))
    # 近距離車牌識別
    # kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (79, 15))
    # kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 31))
    # 7-1、腐蝕、膨脹（去噪）
    erode_y = cv.morphologyEx(close, cv.MORPH_ERODE, kernel_y)
    cv.imshow('erode_y', erode_y)
    dilate_y = cv.morphologyEx(erode_y, cv.MORPH_DILATE, kernel_y)
    cv.imshow('dilate_y', dilate_y)
    # 7-1、膨脹、腐蝕（連接）（二次縫合）
    dilate_x = cv.morphologyEx(dilate_y, cv.MORPH_DILATE, kernel_x)
    cv.imshow('dilate_x', dilate_x)
    erode_x = cv.morphologyEx(dilate_x, cv.MORPH_ERODE, kernel_x)
    cv.imshow('erode_x', erode_x)

    # 8、腐蝕、膨脹：去噪
    kernel_e = cv.getStructuringElement(cv.MORPH_RECT, (25, 9))
    erode = cv.morphologyEx(erode_x, cv.MORPH_ERODE, kernel_e)
    cv.imshow('erode', erode)
    kernel_d = cv.getStructuringElement(cv.MORPH_RECT, (25, 11))
    dilate = cv.morphologyEx(erode, cv.MORPH_DILATE, kernel_d)
    cv.imshow('dilate', dilate)

    # 9、獲取外輪廓
    img_copy = img.copy()
    # 9-1、得到輪廓
    contours, hierarchy = cv.findContours(dilate, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
    # 9-2、畫出輪廓并顯示
    cv.drawContours(img_copy, contours, -1, (255, 0, 255), 2)
    cv.imshow('Contours', img_copy)

    # 10、遍歷所有輪廓，找到車牌輪廓
    i = 0
    for contour in contours:
        # 10-1、得到矩形區域：左頂點坐標、寬和高
        rect = cv.boundingRect(contour)
        # 10-2、判斷寬高比例是否符合車牌標準，截取符合圖片
        if rect[2]>rect[3]*3 and rect[2]<rect[3]*7:
            # 截取車牌并顯示
            print(rect)
            img = img[(rect[1]-5):(rect[1]+rect[3]+5), (rect[0]-5):(rect[0]+rect[2]+5)] #高，寬
            try:
                cv.imshow('license plate%d-%d' % (count, i), img)
                cv.imwrite('car_licenses/img%d-%d.jpg'%(count, i), img)
                i += 1
            except:
                pass
    cv.waitKey(0)


if __name__ == '__main__':
    global count
    count=0
    # 遍歷檔案夾中的每張圖片（車）
    for car in os.listdir('cars'):
        # 1、獲取路徑
        path = 'cars/'+'car'+str(count)+'.jpg'
        # 2、獲取圖片
        img = cv.imread(path)
        # 3、定位車牌
        Morph_Distinguish(img)         #形態學提取車牌
        count += 1

    cv.waitKey(0)

代買僅供參考借鑒，目前只能提取一定距離的汽車車牌，太遠或太近都太不行，也沒有做傾斜處理，很難應用到實際生活中，實際生活中情景復雜的多，有什么建議或者批評可以盡管說出來，（后期可能會在此加入傾斜處理）

參考資料

https://www.bilibili.com/video/BV1yg4y187kU?from=search&seid=14407715114627193868

https://blog.csdn.net/PYH1009/article/details/102951768?spm=1001.2014.3001.5501

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/297230.html

標籤：其他

上一篇：OpenCV影像梯度（Sobel和Scharr）

下一篇：uni-app技術分享|開源demo視頻呼叫arcall uni-app端技術實作

OpenCV（專案）車牌識別1 -- 車牌提取

一、形態學車牌提取（簡單：單情景）

1、讀取圖片，轉灰度圖

2、提取輪廓（Sobel算子提取y方向邊緣）

3、自適應二值化

4、閉運算處理，把影像閉合、揉團，使影像區域化

5、腐蝕/膨脹去噪得到車牌區域

5-1、橫向腐蝕、膨脹

5-2、縱向腐蝕、膨脹

6、獲取外輪廓

6-1、得到輪廓

6-2、畫出輪廓并顯示

7、截取得到車牌

二、形態學車牌提取（優化：多情景）

1、轉灰度圖

2、頂帽運算

3、Sobel算子提取Y方向邊緣

4、二值化影像

5、開運算分割（縱向分割）

6、閉運算合并

7、橫/縱方向腐蝕/膨脹

7-1、縱方向： 腐蝕+膨脹

7-2、橫方向：膨脹+腐蝕

8、腐蝕膨脹：去噪

9、獲取外輪廓

10、 根據車牌特征找到車牌輪廓

代碼

參考資料

7-1、縱方向：腐蝕+膨脹

10、根據車牌特征找到車牌輪廓