数字图像与机器视觉基础补充(2)—

一、将彩色图像文件转换为灰度文件

（一）使用openCV

1.代码

import cv2 as cv
img = cv.imread('./lena.png',1)
img_1 = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
cv.imshow('gray',img_1)
cv.imshow('colour',img)
cv.waitKey(0)

2.运行结果

（二）不使用openCV

1.代码

from PIL import Image
I = Image.open('C:/Users/86199/Pictures/lena/lena.jpg')
L = I.convert('L')
L.show()

2.运行结果

二、将彩色图像(RGB)转为HSV、HSI 格式

（1）彩色图像转化为HSV格式

1.代码

#彩色图像转化为HSV格式
# open-cv library is installed as cv2 in python
# import cv2 library into this program
import cv2 as cv# read an image using imread() function of cv2
# we have to  pass only the path of the image
img = cv.imread('./lena.png',1)# displaying the image using imshow() function of cv2
# In this : 1st argument is name of the frame
# 2nd argument is the image matrixcv.imshow('original image',img)# converting the colourfull image into HSV format image
# using cv2.COLOR_BGR2HSV argument of
# the cvtColor() function of cv2
# in this :
# ist argument is the image matrix
# 2nd argument is the attribute
hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV)# displaying the Hsv format image
cv.imshow('HSV format image',hsv)cv.waitKey(0)cv.waitKey(0)

（2）彩色图像转化为HSI格式

1.代码

#彩色图像转化为HSI格式
import cv2
import numpy as npdef rgbtohsi(rgb_lwpImg):rows = int(rgb_lwpImg.shape[0])cols = int(rgb_lwpImg.shape[1])b, g, r = cv2.split(rgb_lwpImg)# 归一化到[0,1]b = b / 255.0g = g / 255.0r = r / 255.0hsi_lwpImg = rgb_lwpImg.copy()H, S, I = cv2.split(hsi_lwpImg)for i in range(rows):for j in range(cols):num = 0.5 * ((r[i, j]-g[i, j])+(r[i, j]-b[i, j]))den = np.sqrt((r[i, j]-g[i, j])**2+(r[i, j]-b[i, j])*(g[i, j]-b[i, j]))theta = float(np.arccos(num/den))if den == 0:H = 0elif b[i, j] <= g[i, j]:H = thetaelse:H = 2*3.14169265 - thetamin_RGB = min(min(b[i, j], g[i, j]), r[i, j])sum = b[i, j]+g[i, j]+r[i, j]if sum == 0:S = 0else:S = 1 - 3*min_RGB/sumH = H/(2*3.14159265)I = sum/3.0# 输出HSI图像，扩充到255以方便显示，一般H分量在[0,2pi]之间，S和I在[0,1]之间hsi_lwpImg[i, j, 0] = H*255hsi_lwpImg[i, j, 1] = S*255hsi_lwpImg[i, j, 2] = I*255return hsi_lwpImg
if __name__ == '__main__':rgb_lwpImg = cv2.imread("./lena.png")hsi_lwpImg = rgbtohsi(rgb_lwpImg)cv2.imshow('lena.jpg', rgb_lwpImg)cv2.imshow('hsi_lwpImg', hsi_lwpImg)key = cv2.waitKey(0) & 0xFFif key == ord('q'):cv2.destroyAllWindows()

2.运行结果

三、车牌分割成单个字符

1.共有五个车牌需要修改名称

修改为

2.分割字符步骤

（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
（8）图像切割和识别

3.代码

#车牌分割
import cv2
import numpy as np
import osdef stackImages(scale, imgArray):"""将多张图像压入同一个窗口显示:param scale:float类型，输出图像显示百分比，控制缩放比例，0.5=图像分辨率缩小一半:param imgArray:元组嵌套列表，需要排列的图像矩阵:return:输出图像"""rows = len(imgArray)cols = len(imgArray[0])rowsAvailable = isinstance(imgArray[0], list)# 用空图片补齐for i in range(rows):tmp = cols - len(imgArray[i])for j in range(tmp):img = np.zeros((imgArray[0][0].shape[0], imgArray[0][0].shape[1]), dtype='uint8')imgArray[i].append(img)# 判断维数if rows>=2:width = imgArray[0][0].shape[1]height = imgArray[0][0].shape[0]else:width = imgArray[0].shape[1]height = imgArray[0].shape[0]if rowsAvailable:for x in range(0, rows):for y in range(0, cols):if imgArray[x][y].shape[:2] == imgArray[0][0].shape[:2]:imgArray[x][y] = cv2.resize(imgArray[x][y], (0, 0), None, scale, scale)else:imgArray[x][y] = cv2.resize(imgArray[x][y], (imgArray[0][0].shape[1], imgArray[0][0].shape[0]),None, scale, scale)if len(imgArray[x][y].shape) == 2:imgArray[x][y] = cv2.cvtColor(imgArray[x][y], cv2.COLOR_GRAY2BGR)imageBlank = np.zeros((height, width, 3), np.uint8)hor = [imageBlank] * rowshor_con = [imageBlank] * rowsfor x in range(0, rows):hor[x] = np.hstack(imgArray[x])ver = np.vstack(hor)else:for x in range(0, rows):if imgArray[x].shape[:2] == imgArray[0].shape[:2]:imgArray[x] = cv2.resize(imgArray[x], (0, 0), None, scale, scale)else:imgArray[x] = cv2.resize(imgArray[x], (imgArray[0].shape[1], imgArray[0].shape[0]), None, scale, scale)if len(imgArray[x].shape) == 2: imgArray[x] = cv2.cvtColor(imgArray[x], cv2.COLOR_GRAY2BGR)hor = np.hstack(imgArray)ver = horreturn ver
# 分割结果输出路径
output_dir = "./output"
# 车牌路径
file_path="./car/"
# 读取所有车牌
cars = os.listdir(file_path)
cars.sort()# 循环操作每一张车牌
for car in cars:# 读取图片print("正在处理"+file_path+car)src = cv2.imread(file_path+car)img = src.copy()# 预处理去除螺丝点cv2.circle(img, (145, 20), 10, (255, 0, 0), thickness=-1)cv2.circle(img, (430, 20), 10, (255, 0, 0), thickness=-1)cv2.circle(img, (145, 170), 10, (255, 0, 0), thickness=-1)cv2.circle(img, (430, 170), 10, (255, 0, 0), thickness=-1)cv2.circle(img, (180, 90), 10, (255, 0, 0), thickness=-1)# 转灰度gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化adaptive_thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 333, 1)# 闭运算kernel = np.ones((5, 5), int)morphologyEx = cv2.morphologyEx(adaptive_thresh, cv2.MORPH_CLOSE, kernel)# 找边界contours, hierarchy = cv2.findContours(morphologyEx, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)# 画边界img_1 = img.copy()cv2.drawContours(img_1, contours, -1, (0, 0, 0), -1)imgStack = stackImages(0.7, ([src, img, gray], [adaptive_thresh, morphologyEx, img_1]))cv2.imshow("imgStack", imgStack)cv2.waitKey(0)# 转灰度为了方便切割gray_1 = cv2.cvtColor(img_1, cv2.COLOR_BGR2GRAY)# 每一列的白色数量white = []# 每一列的黑色数量black = []# 区域高度取决于图片高height = gray_1.shape[0]# 区域宽度取决于图片宽width = gray_1.shape[1]# 最大白色数量white_max = 0# 最大黑色数量black_max = 0# 计算每一列的黑白色像素总和for i in range(width):s = 0  # 这一列白色总数t = 0  # 这一列黑色总数for j in range(height):if gray_1[j][i] == 255:s += 1if gray_1[j][i] == 0:t += 1white_max = max(white_max, s)black_max = max(black_max, t)white.append(s)black.append(t)# 找到右边界def find_end(start):end = start + 1for m in range(start + 1, width - 1):# 基本全黑的列视为边界if black[m] >= black_max * 0.95:  # 0.95这个参数请多调整，对应下面的0.05end = mbreakreturn end# 临时变量n = 1# 起始位置start = 1# 结束位置end = 2# 分割结果数量num=0# 分割结果res = []# 保存分割结果路径,以图片名命名output_path= output_dir + car.split('.')[0]if not os.path.exists(output_path):os.makedirs(output_path)# 从左边网右边遍历while n < width - 2:n += 1# 找到白色即为确定起始地址# 不可以直接 white[n] > white_maxif white[n] > 0.05 * white_max:start = n# 找到结束坐标end = find_end(start)# 下一个的起始地址n = end# 确保找到的是符合要求的,过小不是车牌号if end - start > 10:# 分割char = gray_1[1:height, start - 5:end + 5]# 保存分割结果到文件cv2.imwrite(output_path+'/' + str(num) + '.jpg',char)num+=1# 重新绘制大小char = cv2.resize(char, (300, 300), interpolation=cv2.INTER_CUBIC)# 添加到结果集合res.append(char)# cv2.imshow("imgStack", char)# cv2.waitKey(0)# 构造结果元祖方便结果展示res2 = (res[:2], res[2:4], res[4:6], res[6:])# 显示结果imgStack = stackImages(0.5, res2)cv2.imshow("imgStack", imgStack)cv2.waitKey(0)
cv2.destroyAllWindows()

4.运行结果

运行过程会出现下面的图片，叉掉即可

会生成五个文件夹，里面有分割的字符
例如car3

四、总结

本次实验再次学习了图像的颜色处理，了解学习了对车牌的字符分割

五、参考链接

数字图像处理

数字图像与机器视觉基础补充(2)——图像处理和分割车牌相关推荐

数字图像与机器视觉基础补充(2)--颜色转换+分割车牌
录一.彩色图像文件转灰度文件 1.1 使用opencv 1.1.1 通过cvtColor库将其转为灰度 1.1.2 通过分离RGB三个通道得到三个通道的灰度图 1.2 不使用opencv 二.将彩色 ...
数字图像与机器视觉基础补充(1)——区分位图和图像处理
目录一.图片转化 (1)原图 (2)转换为位图 (3)压缩率二.区分位图 (1)16/32位位图对照 (2)256/16/单色位图对照三.图片处理编程 (一)奇异函数分解(SDV) (二)用图像 ...
数字图像与机器视觉基础补充(2)
一.彩色图像文件转换为灰度文件 (一)使用opencv 1.通过cvtColor库将其转为灰度 (1)代码 import cv2 as cv img = cv.imread('C:/Users/861 ...
数字图像与机器视觉基础补充(1)
一.比较不同位深度BMP文件从网页上下载一张彩色图片,查看该图片信息,显示位深度24 通过电脑画图程序和PS软件,分别将该图片保存为 32位.16位彩色和256色.16色.单色的位图(BMP)文件. ...
【计算机视觉】数字图像与机器视觉基础
一.位图文件分析 1. 什么是位图位图图像(bitmap),亦称为点阵图像或栅格图像,是由称作像素(图片元素)的单个点组成的.这些点可以进行不同的排列和染色以构成图样.当放大位图时,可以看见赖以构成 ...
数字图像与机器视觉基础(2)
一.OpenCV+Python车牌字符分割车牌号检测大致分为以下四个部分: 1.车辆图像获取 2.车牌定位 3.车牌字符分割 4.车牌字符识别处理原理: 车牌定位需要用到的是图片二值化为黑白后进c ...
数字图像与机器视觉基础2
一.使用和不使用opencv将彩色图像转化为灰度图像具体步骤 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 ...
【机器视觉】整合：机器视觉基础知识汇总
本文系鼎酷IOT部落今日头条号原创,转载请注明出处. 到如今,中国已经成为世界机器视觉发展最为活跃地区,应用范围涵盖了工业.农业.医药.军事.航天.气象等国民经济各个行业.虽然机器视觉的成长速度非常快 ...
python 视觉技术_python+opencv实现机器视觉基础技术(边缘提取，图像滤波，边缘检测算子，投影，车牌字符分割)...
机器视觉是人工智能正在快速发展的一个分支.简单说来,机器视觉就是用机器代替人眼来做测量和判断.它是一项综合技术,包括图像处理.机械工程技术.控制.电光源照明.光学成像.传感器.模拟与数字视频技术.计算 ...
机器视觉基础笔记01
机器视觉基础笔记01 1. 什么是图像?怎么定义图像? 图像定义为二维函数 *f(x,y)*,其中*x,y*是空间坐标,*f(x,y)*是点 *(x,y)*的幅值.灰度图像是一个二维灰度(或亮度)函数 ...

数字图像与机器视觉基础补充(2)——图像处理和分割车牌

目录

一、将彩色图像文件转换为灰度文件

（一）使用openCV

（二）不使用openCV

二、将彩色图像(RGB)转为HSV、HSI 格式

（1）彩色图像转化为HSV格式

（2）彩色图像转化为HSI格式

三、车牌分割成单个字符

四、总结

五、参考链接

数字图像与机器视觉基础补充(2)——图像处理和分割车牌相关推荐

最新文章

热门文章