車牌定位中對圖像的形態(tài)學組合操作處理

所謂的車牌定位，其中最關鍵的部分就是對圖片的處理，參數的設置，并使之擁有泛化能力。

首先傳入圖片，在進行大規(guī)模的圖片處理時，因為無法確定圖片的尺寸，所以需要將原始圖片進行等比例的縮放。

orgimg = cv2.imread('chepai3.jpg') # 壓縮圖像 img = cv2.resize(orgimg, (400, int(400 * img.shape[0] / img.shape[1])))

對圖像的操作是在灰度圖上進行的，所以將圖像轉為灰度圖

# 灰度圖 grayimg = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cv2.imshow('grayimg', grayimg)

?對灰度圖圖像像素進行拉伸，使圖片的像素值拉伸到整個像素空間，提高圖像像素的對比度

# 像素拉伸 def stretch(img):max_ = float(img.max())min_ = float(img.min())for i in range(img.shape[0]):for j in range(img.shape[1]):img[i, j] = (255 / (max_ - min_)) * img[i, j] - (255 * min_) / (max_ - min_)return img stretchedimg = stretch(grayimg) cv2.imshow('stretchedimg', stretchedimg)

開運算是指圖像先進行腐蝕再膨脹的運算，所以對圖像進行開運算可以去除圖像中的一些噪聲

# 先定義一個元素結構r = 16h = w = r * 2 + 1kernel = np.zeros((h, w), dtype=np.uint8)cv2.circle(kernel, (r, r), r, 1, -1)# 開運算openingimg = cv2.morphologyEx(stretchedimg, cv2.MORPH_OPEN, kernel)

然后，獲取兩個圖像之間的差分圖，OpenCV中提供了一個函數cv2.absdiff()，這個函數可以把兩幅圖的差的絕對值輸出到另一幅圖上面來，利用這種辦法可以去除圖片中的大面積噪聲。

# 獲取差分圖 strtimg = cv2.absdiff(stretchedimg, openingimg)

邊緣檢測的目的是標識數字圖像中亮度變化明顯的點，所以，利用邊緣檢測可提高對圖像有效信息的感知能力

# 在對圖像進行邊緣檢測之前，，先對圖像進行二值化 binary_img = dobinaryzation(strtimg) # 使用Canny函數做邊緣檢測 cannyimg = cv2.Canny(binary_img, binary_img.shape[0], binary_img.shape[1])

?最后，再經過一系列的形態(tài)學組合操作，使圖像能夠滿足定位的需要

# 進行閉運算 kernel = np.ones((5, 19), np.uint8) closing_img = cv2.morphologyEx(cannyimg, cv2.MORPH_CLOSE, kernel) # 進行開運算 opening_img = cv2.morphologyEx(closing_img, cv2.MORPH_OPEN, kernel) # 再次進行開運算 kernel = np.ones((11, 5), np.uint8) opening_img = cv2.morphologyEx(opening_img, cv2.MORPH_OPEN, kernel) # 膨脹 kernel_2 = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) kernel_dilated = cv2.dilate(opening_img, kernel_2)

形態(tài)學組合操作的目的是去除圖像中小區(qū)域噪聲，保留大塊的區(qū)域，從而定位車牌。

?最終通過輪廓檢測確定圖像處理后的區(qū)域，并找出輪廓的左上點和右下點，來計算它的面積和長寬比，最后根據面積和圖像背景顏色，來判斷出車牌的區(qū)域，并畫出矩形框。

這是最終的處理結果：

總結

以上是生活随笔為你收集整理的python+OpenCV图像处理（十二）车牌定位中对图像的形态学组合操作处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。