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、将彩色图像转化为HSV、HSI 格式
- 2.1 彩色图像转化为HSV格式
- - 2.1.1 HSV介绍
  - 2.1.2 代码
  - 2.1.3 运行结果
- 2.2 彩色图像转化为HSI格式
- - 2.2.1 HSI介绍
  - 2.2.2 代码
  - 2.2.3 运行结果
三、分割车牌
- 3.1 分割字符步骤
- 3.2 代码
- 3.3 实验结果
小小的总结
参考文献

文章所用编程软件为Anaconda Jupyter Notebook

一、彩色图像文件转灰度文件

1.1 使用opencv

所用图片

1.1.1 通过cvtColor库将其转为灰度

代码

import cv2 as cv
img = cv.imread('D:/**/1/b/24wei.bmp',1)
img_1 = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
cv.imshow('gray',img_1)
cv.imshow('colour',img)
cv.waitKey(0)

运行结果

1.1.2 通过分离RGB三个通道得到三个通道的灰度图

代码

import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('D:/**/1/b/24wei.bmp',1)
#cv2.imread读取图片格式是BGR
b,g,r = cv.split(img)  #这个地方将图像拆分，把彩色图像分为3个颜色
plt.figure(figsize=(10,8))
color = [b,g,r]
img_2 = cv.merge([r,g,b])  #这个地方我把bgr格式的图片转成了rgb,然后显示的时候会变成正常的彩色
for i in range(3):plt.subplot(2,2,i+1)plt.imshow(color[i],'gray')plt.subplot(2,2,4)plt.imshow(img_2)
plt.savefig('./三通道灰度.png')
plt.show()

运行结果

1.2 不使用opencv

代码

from PIL import Image
I = Image.open('D:/**/1/b/24wei.bmp')
L = I.convert('L')
L.show()

运行结果

二、将彩色图像转化为HSV、HSI 格式

2.1 彩色图像转化为HSV格式

2.1.1 HSV介绍

HSV 格式： H 代表色彩，S 代表颜色的深浅，V 代表着颜色的明暗程度。
HSV 颜色空间可以很好地把颜色信息和亮度信息分开，将它们放在不同的通道中，减小了光线对于特定颜色识别的影响。
HSV (色相hue, 饱和度saturation, 明度value), 也称HSB(B指brightness) 是艺术家们常用的，因为与加法减法混色的术语相比，使用色相，饱和度等概念描述色彩更自然直观。HSV是RGB色彩空间的一种变形，它的内容与色彩尺度与其出处——RGB色彩空间有密切联系。对应的媒介是人眼。
在OpenCV 视觉库中，HSV 的数值被做了一些小的修改， H 的范围调整为 0~180，S 和 V 的范围为 0~255。

当我们采用 HSV 的图像阈值得到某一种颜色时，可以参考颜色分布表，先将 H 通道对应的颜色找到。表格中，每种颜色都对应了一个区间。

角度	颜色
0-60	红色
60-120	黄色
120-180	绿色
180-240	青色
240-300	蓝色
300-360	品红

2.1.2 代码

# 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('D:/**/1/b/24wei.bmp',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)

2.1.3 运行结果

2.2 彩色图像转化为HSI格式

2.2.1 HSI介绍

HSL (色相hue, 饱和度saturation, 亮度lightness/luminance)，也称HLS 或 HSI (I指intensity)，与 HSV非常相似，仅用亮度（lightness）替代了明度（brightness）。
人的视觉对亮度的敏感程度远强于对颜色浓淡的敏感程度，为了便于颜色处理和识别，人的市局系统经常采用HSI彩色空间，它比RGB空间更符合人的视觉特性。此外，由于HSI空间中亮度和色度具有可分离性，使得图像处理和机器视觉中大量灰度处理算法都可在HSI空间方便进行。
HSI颜色空间

2.2.2 代码

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("D:/**/1/b/24wei.bmp")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()

2.2.3 运行结果

三、分割车牌

将车牌数字分割为单个的字符图片。

车牌图片如下：

如有需要车牌图片百度网盘自取：
链接：https://pan.baidu.com/s/18fZZEDnS-gMbEUBn7KO3Gg
提取码：1234

3.1 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

3.2 代码

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 = "D:/**/1/b/output"
# 车牌路径
file_path="D:/**/1/b/c/"
# 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()

3.3 实验结果

以津C5Q712为例：

当你关闭弹出的窗口时，就会依次显示和存储到电脑里以上内容。这里不再一一列出。

小小的总结

实验结果挺有趣的，将车牌分割成了一个个字符。
本次实验了解到了 HSV 和 HSI 格式，并知道了他们的不同：HSI 仅用亮度（lightness）替代了HSV 的明度（brightness）。

参考文献

数字图像与机器视觉基础补充(2)：
https://blog.csdn.net/weixin_56102526/article/details/121902993
颜色空间转换及切割车牌(python)：
https://blog.csdn.net/junseven164/article/details/121714300

数字图像与机器视觉基础补充(2)--颜色转换+分割车牌相关推荐

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 ...
计算机中的颜色XIII——颜色转换的快速计算公式
本文的公式的基础都是在前文的基础上的.详情请参看前文: 计算机中的颜色I--颜色概述计算机中的颜色II--VB2005中的Color结构计算机中的颜色III--HSV表示方法计算机中的颜色IV- ...

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、将彩色图像转化为HSV、HSI 格式

2.1 彩色图像转化为HSV格式

2.1.1 HSV介绍

2.1.2 代码

2.1.3 运行结果

2.2 彩色图像转化为HSI格式

2.2.1 HSI介绍

2.2.2 代码

2.2.3 运行结果

三、分割车牌

3.1 分割字符步骤

3.2 代码

3.3 实验结果

小小的总结

参考文献

数字图像与机器视觉基础补充(2)--颜色转换+分割车牌相关推荐

最新文章

热门文章