[图像处理] Python+OpenCV实现车牌区域识别及Sobel算子 - 好文

由于最近太忙，这篇文章只给出相关代码供大家学习，过一段时间会详细的写一些列Python图像处理的文章，包括各种算法原理、图像识别、图像增强、图像分类、深度学习等。本篇文章主要调用OpenCV库（cv2）进行车牌区域识别，具体步骤包括：
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，如果是花儿、人脸、牛角，可能需要特征提取和训练。

本篇文章为基础性文章，希望对你有所帮助，主要提供些思路，也是自己教学的内容。如果文章中存在错误或不足之处，还请海涵。同时，推荐大家阅读我以前的文章了解其他知识。
推荐我C++图像系列基础知识：
https://blog.csdn.net/column/details/eastmount-mfc.html
<https://blog.csdn.net/column/details/eastmount-mfc.html>

PSS：2019年1~2月作者参加了CSDN2018年博客评选，希望您能投出宝贵的一票。我是59号，Eastmount，杨秀璋。投票地址：
https://bss.csdn.net/m/topic/blog_star2018/index
<https://bss.csdn.net/m/topic/blog_star2018/index>

五年来写了314篇博客，12个专栏，是真的热爱分享，热爱CSDN这个平台，也想帮助更多的人，专栏包括Python、数据挖掘、网络爬虫、图像处理、C#、Android等。现在也当了两年老师，更是觉得有义务教好每一个学生，让贵州学子好好写点代码，学点技术，"师者，传到授业解惑也"，提前祝大家新年快乐。2019我们携手共进，为爱而生。

一、读取图像及灰度转换

代码如下：
#encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt
#读取图片 imagePath = '10.jpg' img = cv2.imread(imagePath)
#opencv默认的imread是以BGR的方式进行存储的 #而matplotlib的imshow默认则是以RGB格式展示
#所以此处我们必须对图片的通道进行转换 lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #灰度图像处理
GrayImage = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) print(u"读入lenna图的shape为",
GrayImage.shape) #显示图形 titles = ['Source Image','Gray Image'] images =
[lenna_img, GrayImage] for i in xrange(2):
plt.subplot(1,2,i+1),plt.imshow(images[i],'gray') plt.title(titles[i])
plt.xticks([]),plt.yticks([]) plt.show() cv2.imshow('Gray.bmp', GrayImage)
cv2.waitKey(0)
输出结果如下图所示：

二、高斯平滑和中值滤波去噪

这里原理推荐我以前C++图像处理的文章，如下：https://blog.csdn.net/column/details/eastmount-mfc.html
<https://blog.csdn.net/column/details/eastmount-mfc.html>

完整代码如下所示：
#encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt
#读取图片 imagePath = '10.jpg' img = cv2.imread(imagePath)
#opencv默认的imread是以BGR的方式进行存储的 #而matplotlib的imshow默认则是以RGB格式展示
#所以此处我们必须对图片的通道进行转换 lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #灰度图像处理
GrayImage = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) print(u"读入lenna图的shape为",
GrayImage.shape) #直方图均衡化 #equ = cv2.equalizeHist(gray) #高斯平滑 Gaussian =
cv2.GaussianBlur(GrayImage, (3, 3), 0, 0, cv2.BORDER_DEFAULT) #Gaussian =
cv2.GaussianBlur(GrayImage, (9, 9),0) #中值滤波 Median = cv2.medianBlur(Gaussian,
5) #显示图形 titles = ['Source Image','Gray Image', 'Gaussian Image', 'Median
Image'] images = [lenna_img, GrayImage, Gaussian, Median] for i in xrange(4):
plt.subplot(2,2,i+1),plt.imshow(images[i],'gray') plt.title(titles[i])
plt.xticks([]),plt.yticks([]) plt.show()
输出结果如下图所示，分别是原图、灰度图像、高斯处理和中值滤波处理。

三、Sobel算子提取轮廓和二值化处理

有时还需要加强图像中景物的边缘和轮廓，边缘和轮廓通常位于图像中灰度突出的地方，因而可以直观的想到用灰度的差分对边缘和轮廓进行提取，通常可以通过梯度算子进行提取。图像锐化的目的是提高图像的对比度，从而使图像更清晰，通过提高邻域内像素的灰度差来提高图像的对比度。本文采用Sobel算子提取边缘轮廓。

阈值又称为临界值，它的目的是确定出一个范围，然后这个范围内的部分使用同一种方法处理，而阈值之外的部分则使用另一种处理方法或保持原样。常用的包括产生二值图：当x<T时y=0，当x>=T时y=255（其中T是阈值）。阈值变换在生物学上的应用比较广泛，常用语细胞图像分割等。本文采用二值化处理将大于等于170像素的转换为255，而下于的转换为0，使得图像更加清晰。

完整代码如下所示：
#encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt
#读取图片 imagePath = '10.jpg' img = cv2.imread(imagePath)
#opencv默认的imread是以BGR的方式进行存储的 lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#灰度图像处理 GrayImage = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
print(u"读入lenna图的shape为", GrayImage.shape) #直方图均衡化 #equ =
cv2.equalizeHist(gray) # 高斯平滑 Gaussian = cv2.GaussianBlur(GrayImage, (3, 3), 0,
0, cv2.BORDER_DEFAULT) # 中值滤波 Median = cv2.medianBlur(Gaussian, 5) # Sobel算子
XY方向求梯度 x = cv2.Sobel(Median, cv2.CV_8U, 1, 0, ksize = 3) #X方向 y =
cv2.Sobel(Median, cv2.CV_8U, 0, 1, ksize = 3) #Y方向 absX =
cv2.convertScaleAbs(x) # 转回uint8 absY = cv2.convertScaleAbs(y) Sobel =
cv2.addWeighted(absX, 0.5, absY, 0.5,0) cv2.imshow('dilation2', Sobel)
cv2.waitKey(0) # 二值化处理周围像素影响 ret, Binary = cv2.threshold(Sobel, 170, 255,
cv2.THRESH_BINARY) cv2.imshow('dilation2',Binary) cv2.waitKey(0) #显示图形 titles =
['Source Image','Gray Image', 'Gaussian Image', 'Median Image', 'Sobel Image',
'Binary Image'] images = [lenna_img, GrayImage, Gaussian, Median, Sobel,
Binary] for i in xrange(6): plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
输出结果如下所示：

四、膨胀和腐蚀处理

接下来进行膨胀和腐蚀处理，其中膨胀让轮廓突出，腐蚀去掉细节。
#encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt
#读取图片 imagePath = '10.jpg' img = cv2.imread(imagePath)
#opencv默认的imread是以BGR的方式进行存储的 lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#灰度图像处理 GrayImage = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
print(u"读入lenna图的shape为", GrayImage.shape) #直方图均衡化 #equ =
cv2.equalizeHist(gray) #高斯平滑去噪 Gaussian = cv2.GaussianBlur(GrayImage, (3, 3),
0, 0, cv2.BORDER_DEFAULT) #Gaussian = cv2.GaussianBlur(GrayImage, (9, 9),0)
#中值滤波 Median = cv2.medianBlur(Gaussian, 5) #Sobel算子 XY方向求梯度 cv2.CV_8U x =
cv2.Sobel(Median, cv2.CV_32F, 1, 0, ksize = 3) #X方向 y = cv2.Sobel(Median,
cv2.CV_32F, 0, 1, ksize = 3) #Y方向 #absX = cv2.convertScaleAbs(x) # 转回uint8
#absY = cv2.convertScaleAbs(y) #Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5,
0) gradient = cv2.subtract(x, y) Sobel = cv2.convertScaleAbs(gradient)
cv2.imshow('dilation2', Sobel) cv2.waitKey(0) #二值化处理周围像素影响 blurred =
cv2.GaussianBlur(Sobel, (9, 9),0) #再进行高斯去噪 #注意170可以替换的 ret, Binary =
cv2.threshold(blurred , 90, 255, cv2.THRESH_BINARY) cv2.imshow('dilation2',
Binary) cv2.waitKey(0) #膨胀和腐蚀操作的核函数 element1 =
cv2.getStructuringElement(cv2.MORPH_RECT, (9, 1)) element2 =
cv2.getStructuringElement(cv2.MORPH_RECT, (9, 7)) # 膨胀让轮廓突出 Dilation =
cv2.dilate(Binary, element2, iterations = 1) # 腐蚀去掉细节 Erosion =
cv2.erode(Dilation, element1, iterations = 1) # 再次膨胀 Dilation2 =
cv2.dilate(Erosion, element2,iterations = 3) cv2.imshow('Dilation2 ',
Dilation2) cv2.waitKey(0) #显示图形 titles = ['Source Image','Gray Image',
'Gaussian Image', 'Median Image', 'Sobel Image', 'Binary Image', 'Dilation
Image', 'Erosion Image', 'Dilation2 Image'] images = [lenna_img, GrayImage,
Gaussian, Median, Sobel, Binary, Dilation, Erosion, Dilation2] for i in
xrange(9): plt.subplot(3,3,i+1),plt.imshow(images[i],'gray')
plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
输出结果如下图所示，可以看到轮廓区域已经被提取出来，接下来开始有选择的进行获取。

五、指定算法选择车牌区域

该部分代码膨胀和腐蚀略有区别，采用closed变量实现。同时获取最理想的区域，完整代码如下所示：
#encoding:utf-8 #BY：Eastmount CSDN 2018-08-06 import cv2 import numpy as np
import matplotlib.pyplot as plt #读取图片 imagePath = '10.jpg' img =
cv2.imread(imagePath) #opencv默认的imread是以BGR的方式进行存储的 lenna_img =
cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #灰度图像处理 GrayImage =
cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) print(u"读入lenna图的shape为", GrayImage.shape)
#直方图均衡化 #equ = cv2.equalizeHist(gray) #高斯平滑去噪 Gaussian =
cv2.GaussianBlur(GrayImage, (3, 3), 0, 0, cv2.BORDER_DEFAULT) #Gaussian =
cv2.GaussianBlur(GrayImage, (9, 9),0) #中值滤波 Median = cv2.medianBlur(Gaussian,
5) #Sobel算子 XY方向求梯度 cv2.CV_8U x = cv2.Sobel(Median, cv2.CV_32F, 1, 0, ksize =
3) #X方向 y = cv2.Sobel(Median, cv2.CV_32F, 0, 1, ksize = 3) #Y方向 #absX =
cv2.convertScaleAbs(x) # 转回uint8 #absY = cv2.convertScaleAbs(y) #Sobel =
cv2.addWeighted(absX, 0.5, absY, 0.5, 0) gradient = cv2.subtract(x, y) Sobel =
cv2.convertScaleAbs(gradient) cv2.imshow('dilation2', Sobel) cv2.waitKey(0)
#二值化处理周围像素影响 blurred = cv2.GaussianBlur(Sobel, (9, 9),0) #再进行一次高斯去噪
#注意170可以替换的 ret, Binary = cv2.threshold(blurred , 170, 255, cv2.THRESH_BINARY)
cv2.imshow('dilation2', Binary) cv2.waitKey(0) # 膨胀和腐蚀操作的核函数 element1 =
cv2.getStructuringElement(cv2.MORPH_RECT, (9, 1)) element2 =
cv2.getStructuringElement(cv2.MORPH_RECT, (9, 7)) # 膨胀一次，让轮廓突出 Dilation =
cv2.dilate(Binary, element2, iterations = 1) # 腐蚀一次，去掉细节 Erosion =
cv2.erode(Dilation, element1, iterations = 1) # 再次膨胀，让轮廓明显一些 Dilation2 =
cv2.dilate(Erosion, element2,iterations = 3) cv2.imshow('Dilation2 ',
Dilation2) cv2.waitKey(0) ########################################## #建立一个椭圆核函数
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (25, 25)) #执行图像形态学,
细节直接查文档，很简单 closed = cv2.morphologyEx(Binary, cv2.MORPH_CLOSE, kernel) closed =
cv2.erode(closed, None, iterations=4) closed = cv2.dilate(closed, None,
iterations=4) cv2.imshow('erode dilate', closed) cv2.waitKey(0)
########################################## #显示图形 titles = ['Source Image','Gray
Image', 'Gaussian Image', 'Median Image', 'Sobel Image', 'Binary Image',
'Dilation Image', 'Erosion Image', 'Dilation2 Image'] images = [lenna_img,
GrayImage, Gaussian, Median, Sobel, Binary, Dilation, Erosion, closed] for i in
xrange(9): plt.subplot(3,3,i+1),plt.imshow(images[i],'gray')
plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
cv2.imshow('Gray', GrayImage) cv2.waitKey(0) """ 接下来使用Dilation2图片确定车牌的轮廓
这里opencv3返回的是三个参数参数一：二值化图像参数二：轮廓类型检测的轮廓不建立等级关系参数三：处理近似方法
例如一个矩形轮廓只需4个点来保存轮廓信息 """ (_, cnts, _) = cv2.findContours(closed.copy(),
cv2.RETR_LIST, #RETR_TREE cv2.CHAIN_APPROX_SIMPLE) #画出轮廓 c = sorted(cnts,
key=cv2.contourArea, reverse=True)[0] print c #compute the rotated bounding box
of the largest contour rect = cv2.minAreaRect(c) print 'rectt', rect Box =
np.int0(cv2.boxPoints(rect)) print 'Box', Box #draw a bounding box arounded the
detected barcode and display the image Final_img = cv2.drawContours(img.copy(),
[Box], -1, (0, 0, 255), 3) cv2.imshow('Final_img', Final_img) cv2.waitKey(0)
输出结果如下图所示，可以看到车牌被选中了。

参考文献推荐大家学习三位大神的作品：
https://www.jianshu.com/p/fcfbd3131b84 <https://www.jianshu.com/p/fcfbd3131b84>
https://blog.csdn.net/sinat_36458870/article/details/7882557
<https://blog.csdn.net/sinat_36458870/article/details/78825571>1
https://blog.csdn.net/sumkee911/article/details/79435983
<https://blog.csdn.net/sumkee911/article/details/79435983>

当然还有很多优化和提升的地方，作者自己也还在不断学习中，希望大家对这篇文章感兴趣，同时最近的Python新书也宣传下，大家一起进步。基础性文章，如果文章中有错误或不足之处还请海涵。

<> <>本书主要包括上下两册：

《Python网络数据爬取及分析从入门到精通（爬取篇）》
《Python网络数据爬取及分析从入门到精通（分析篇）》

(By:Eastmount 2018-08-06 深夜11点 http://blog.csdn.net/eastmount/
<http://blog.csdn.net/eastmount/> )

热门工具换一换