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
将提前准备好的车牌图片按顺序命名好

二、代码

import cv2
import numpy as np
import os
def 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:\\card\\card\\"
# 车牌路径
file_path="D:\\card\\card\\"
# 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)

其中一个结果

数字图像与机器视觉基础2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 ...
【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(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. ...
【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 ...
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 ...
【机器视觉基础知识整理】
机器视觉基础知识整理本文记录一些比较有用的机器视觉硬件知识的文章链接,留以备用.会不定时更新补充,也欢迎大家下方评论补充,一起将有用的好文收集整理起来,用的时候也方便一些.(注:本文只附录文章链接, ...

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

二、代码

数字图像与机器视觉基础2相关推荐

最新文章

热门文章