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
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- ...
最新文章
- 5大步骤+10个案例,堪称SQL优化万能公式
- Kafka与RabbitMQ
- ssl1597-石子合并问题【区间dp练习】
- shiro学习(16):使用注解实现权限认证和后台管理二
- Spring集成redis(Spring Data Redis)
- 苏炳添:发C刊与拿冠军相比,哪个更难?
- roboware使用过程中出出现找不到功能包的解决办法
- javascript的bind方法
- PHP-自定义模板-学习笔记
- 【数据库原理实验(openGauss)】视图
- 《sort命令的k选项大讨论》-linux命令五分钟系列之二十七
- 使用pygal展示世界各国人口分布情况
- matlab图像处理中的错误--调用imhist报错
- 《游戏系统设计十一》就这样写个像样的邮件系统,赶紧收藏
- 08矩阵加法httpwww.noi.openjudge.cn
- STM32 F105 USB CDC host
- 湖南科技大学计算机技术专硕,2021年湖南科技大学电子信息(085400)计算机技术_考研专业目录_考试科目_考试范围 - 学途吧...
- 加载网络图片Glide+圆角 fragment的动态添加 底部图标点击选中
- 输入某年某月某日,计算是该年的第几天
- 2019事业单位计算机考试真题及答案,2019事业单位计算机专业考试真题试卷试卷习题.docx...
热门文章
- Linux常用指令---系统负载
- h5拍照添加水印上传
- 书到用时方恨少? 整理了一份初中、高中数学教材pdf 百度云
- cips2016+学习笔记︱简述常见的语言表示模型(词嵌入、句表示、篇章表示)
- 汇编学习笔记-输出月份缩写
- ubuntu远程无法连接到服务器配置,解决ubuntu无法远程连接
- 阿里云 部署SpringBoot和Vue项目 亲测可用(第一次部署经验贴)
- Creo5.0 永久修改尺寸单位为毫米(mmns)
- python编写的软件可以申请专利吗_Python爬虫 | 爬取同一公司用不同名字申请专利的那些Assignees...
- AI训练环境-CUDA/cuDNN/paddle ——‘CUBLAS_STATUS_INVALID_VALUE‘.