OpenCV第七篇：车牌识别

1.调整图片大小，并获取灰度图

2.双边滤波去除噪音：cv2.bilateralFilter()。

3.边缘检测：cv2.Canny（image，threshold1，threshold2）

4.寻找轮廓：车牌（四边形）

编辑 5.图像位运算进行遮罩

6.图像剪裁

7.字符识别：OCR

1.调整图片大小，并获取灰度图

import cv2if __name__ == '__main__':img = cv2.imread('2.jpeg')# 调整图片大小img = cv2.resize(img, (620, 480))# 灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 显示效果cv2.imshow('original', img)cv2.waitKey(0)cv2.destroyAllWindows()

2.双边滤波去除噪音：cv2.bilateralFilter()。

import cv2if __name__ == '__main__':img = cv2.imread('2.jpeg')# 调整图片大小img = cv2.resize(img, (620, 480))# 灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 双边滤波gray1 = cv2.bilateralFilter(gray, 13, 15, 15)# 显示效果cv2.imshow('gray', gray)cv2.imshow('bilateralFilter', gray1)cv2.waitKey(0)cv2.destroyAllWindows()

3.边缘检测：cv2.Canny（image，threshold1，threshold2）

仅显示强度梯度大于最小阈值threshold1且小于最大阈值threshold2的边缘。

import cv2if __name__ == '__main__':img = cv2.imread('2.jpeg')# 调整图片大小img = cv2.resize(img, (620, 480))# 灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 双边滤波gray = cv2.bilateralFilter(gray, 13, 15, 15)# 边缘检测edged = cv2.Canny(gray, 30, 200)# 显示效果cv2.imshow('gray', gray)cv2.imshow('edged', edged)cv2.waitKey(0)cv2.destroyAllWindows()

4.寻找轮廓：车牌（四边形）

pip install imutils

import cv2
import imutilsif __name__ == '__main__':img = cv2.imread('2.jpeg')# 调整图片大小img = cv2.resize(img, (620, 480))# 灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 双边滤波gray = cv2.bilateralFilter(gray, 13, 15, 15)# 边缘检测edged = cv2.Canny(gray, 30, 200)# 寻找轮廓（图像矩阵，输出模式，近似方法）contours = cv2.findContours(edged.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 配合上面一句使用：用来兼容cv2和cv3contours = imutils.grab_contours(contours)# 根据区域大小排序取前十个contours = sorted(contours, key=cv2.contourArea, reverse=True)[:10]screenCnt = None# 遍历轮廓，找到车牌轮廓for c in contours:# 计算轮廓周长（轮廓，是否闭合）peri = cv2.arcLength(c, True)# 折线化（轮廓，阈值（越小越接近曲线），是否闭合）返回折线顶点坐标approx = cv2.approxPolyDP(c, 0.018 * peri, True)# 获取四个顶点（即四边形）if len(approx) == 4:screenCnt = approxbreak# 如果找到了四边形if screenCnt is not None:# 根据四个顶点坐标对img画线(图像矩阵，轮廓坐标集，轮廓索引，颜色，线条粗细)cv2.drawContours(img, [screenCnt], -1, (0, 0, 255), 3)# 显示效果cv2.imshow('img', img)cv2.imshow('gray', gray)cv2.imshow('edged', edged)cv2.waitKey(0)cv2.destroyAllWindows()

5.图像位运算进行遮罩

import cv2
import imutils
import numpy as npif __name__ == '__main__':img = cv2.imread('2.jpeg')# 调整图片大小img = cv2.resize(img, (620, 480))# 灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 双边滤波gray = cv2.bilateralFilter(gray, 13, 15, 15)# 边缘检测edged = cv2.Canny(gray, 30, 200)"""寻找轮廓（图像矩阵，输出模式，近似方法）"""contours = cv2.findContours(edged.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 配合上面一句使用：用来兼容cv2和cv3contours = imutils.grab_contours(contours)# 根据区域大小排序取前十个contours = sorted(contours, key=cv2.contourArea, reverse=True)[:10]screenCnt = None# 遍历轮廓，找到车牌轮廓for c in contours:# 计算轮廓周长（轮廓，是否闭合）peri = cv2.arcLength(c, True)# 折线化（轮廓，阈值（越小越接近曲线），是否闭合）返回折线顶点坐标approx = cv2.approxPolyDP(c, 0.018 * peri, True)# 获取四个顶点（即四边形）if len(approx) == 4:screenCnt = approxbreak# 如果找到了四边形if screenCnt is not None:# 根据四个顶点坐标对img画线(图像矩阵，轮廓坐标集，轮廓索引，颜色，线条粗细)cv2.drawContours(img, [screenCnt], -1, (0, 0, 255), 3)"""遮罩"""# 创建一个灰度图一样大小的图像矩阵mask = np.zeros(gray.shape, np.uint8)# 将创建的图像矩阵的车牌区域画成白色cv2.drawContours(mask, [screenCnt], 0, 255, -1, )# 图像位运算进行遮罩new_image = cv2.bitwise_and(img, img, mask=mask)# 显示效果cv2.imshow('img', img)cv2.imshow('gray', gray)cv2.imshow('edged', edged)cv2.imshow('new_image', new_image)cv2.waitKey(0)cv2.destroyAllWindows()

6.图像剪裁

import cv2
import imutils
import numpy as npif __name__ == '__main__':img = cv2.imread('2.jpeg')# 调整图片大小img = cv2.resize(img, (620, 480))# 灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 双边滤波gray = cv2.bilateralFilter(gray, 13, 15, 15)# 边缘检测edged = cv2.Canny(gray, 30, 200)"""寻找轮廓（图像矩阵，输出模式，近似方法）"""contours = cv2.findContours(edged.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 配合上面一句使用：用来兼容cv2和cv3contours = imutils.grab_contours(contours)# 根据区域大小排序取前十个contours = sorted(contours, key=cv2.contourArea, reverse=True)[:10]screenCnt = None# 遍历轮廓，找到车牌轮廓for c in contours:# 计算轮廓周长（轮廓，是否闭合）peri = cv2.arcLength(c, True)# 折线化（轮廓，阈值（越小越接近曲线），是否闭合）返回折线顶点坐标approx = cv2.approxPolyDP(c, 0.018 * peri, True)# 获取四个顶点（即四边形）if len(approx) == 4:screenCnt = approxbreak# 如果找到了四边形if screenCnt is not None:# 根据四个顶点坐标对img画线(图像矩阵，轮廓坐标集，轮廓索引，颜色，线条粗细)cv2.drawContours(img, [screenCnt], -1, (0, 0, 255), 3)"""遮罩"""# 创建一个灰度图一样大小的图像矩阵mask = np.zeros(gray.shape, np.uint8)# 将创建的图像矩阵的车牌区域画成白色cv2.drawContours(mask, [screenCnt], 0, 255, -1, )# 图像位运算进行遮罩new_image = cv2.bitwise_and(img, img, mask=mask)"""图像剪裁"""# 获取车牌区域的所有坐标点(x, y) = np.where(mask == 255)# 获取底部顶点坐标(topx, topy) = (np.min(x), np.min(y))# 获取底部坐标(bottomx, bottomy,) = (np.max(x), np.max(y))# 剪裁Cropped = gray[topx:bottomx, topy:bottomy]# 显示效果cv2.imshow('img', img)cv2.imshow('gray', gray)cv2.imshow('edged', edged)cv2.imshow('Cropped', Cropped)cv2.waitKey(0)cv2.destroyAllWindows()

7.字符识别：OCR

import cv2
import imutils
import numpy as npif __name__ == '__main__':img = cv2.imread('2.jpeg')# 调整图片大小img = cv2.resize(img, (620, 480))# 灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 双边滤波gray = cv2.bilateralFilter(gray, 13, 15, 15)# 边缘检测edged = cv2.Canny(gray, 30, 200)"""寻找轮廓（图像矩阵，输出模式，近似方法）"""contours = cv2.findContours(edged.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 配合上面一句使用：用来兼容cv2和cv3contours = imutils.grab_contours(contours)# 根据区域大小排序取前十个contours = sorted(contours, key=cv2.contourArea, reverse=True)[:10]screenCnt = None# 遍历轮廓，找到车牌轮廓for c in contours:# 计算轮廓周长（轮廓，是否闭合）peri = cv2.arcLength(c, True)# 折线化（轮廓，阈值（越小越接近曲线），是否闭合）返回折线顶点坐标approx = cv2.approxPolyDP(c, 0.018 * peri, True)# 获取四个顶点（即四边形）if len(approx) == 4:screenCnt = approxbreak# 如果找到了四边形if screenCnt is not None:# 根据四个顶点坐标对img画线(图像矩阵，轮廓坐标集，轮廓索引，颜色，线条粗细)cv2.drawContours(img, [screenCnt], -1, (0, 0, 255), 3)"""遮罩"""# 创建一个灰度图一样大小的图像矩阵mask = np.zeros(gray.shape, np.uint8)# 将创建的图像矩阵的车牌区域画成白色cv2.drawContours(mask, [screenCnt], 0, 255, -1, )# 图像位运算进行遮罩new_image = cv2.bitwise_and(img, img, mask=mask)"""图像剪裁"""# 获取车牌区域的所有坐标点(x, y) = np.where(mask == 255)# 获取底部顶点坐标(topx, topy) = (np.min(x), np.min(y))# 获取底部坐标(bottomx, bottomy,) = (np.max(x), np.max(y))# 剪裁Cropped = gray[topx:bottomx, topy:bottomy]"""OCR识别"""text = pytesseract.image_to_string(Cropped, config='--psm 11')print("车牌结果：", text)# 显示效果cv2.imshow('img', img)cv2.imshow('gray', gray)cv2.imshow('edged', edged)cv2.imshow('new_image', Cropped)cv2.waitKey(0)cv2.destroyAllWindows()

OpenCV第七篇：车牌识别相关推荐

OpenCV学习案例之车牌识别EasyPR
OpenCV学习案例之车牌识别easyPR 起始 github上开源中文车牌识别库比较少: HyperLPR,基于深度学习高性能中文车牌识别库,支持python.c++, 可以在Android,Lin ...
OpenCV（项目）车牌识别1 -- 车牌提取（形态学）
目录一.形态学车牌提取(简单:单情景) 1.读取图片,转灰度图 2.提取轮廓(Sobel算子提取y方向边缘) 3.自适应二值化 4.闭运算处理,把图像闭合.揉团,使图像区域化 5.腐蚀/膨胀去噪得到 ...
OpenCV（项目）车牌识别4 -- 总结篇
目录一.效果 1.成功案例 2.经典失败案例(单字符识别成类似字符) 3.其他失败案例二.总结三.车牌识别总代码一.效果 1.成功案例 2.经典失败案例(单字符识别成类似字符) 3.其他失败案 ...
从零使用OpenCV快速实现简单车牌识别系统
这篇文章献给所有第一次听说车牌识别ANPR但需要短时间实现的苦逼同学们. 最近的小学期实训做的是一个车牌识别系统,说实话真不知道学校怎么想的,虽然说图像处理也算的上是数字媒体很重要的一块分支了,但咱这 ...
OpenCV（项目）车牌识别2 -- 车牌字符分割（直方图）
目录试错 1.没有膨胀/膨胀过小:无法连接上单个字符. 2.膨胀过大:错误连接相邻字符. 一.直方图处理原理 1.横向分割 2.纵向分割过程: 一.中值滤波.灰度化二.二值化(统一黑底白字) 三 ...
【OpenCV+Qt】使用车牌识别系统EasyPR识别车牌号
EasyPR是一个中文的开源车牌识别系统,其车牌识别划分为了两个过程:即车牌检测(Plate Detection)和字符识别(Chars Recognition)两个过程: 车牌检测(Plate De ...
mvcnn代码详解_Tensorflow,OpenCV实现的CNN车牌识别代码
[实例简介] 某位大牛在github上分享的 CNN 车牌识别源代码,在将其装到Windows的Python下运行时碰到了各种报错(WIN8下python3.6,Opencv3.0),有些问题搜遍网络 ...
OpenCV（项目）车牌识别3 -- 模板匹配
目录一.基础理论 1.思想 2.大致过程二.详细过程 1.首先需要模板库 2.得到模板 3.原图限定大小 4.模板匹配 5.匹配所有子文件夹,保存最佳得分(最匹配项) 三.大致过程(细分类,节省时 ...
【树莓派开发】02-基于OpenCV的车牌识别处理(LPR)
[说明]:疫情期间比较闲学习了python.LPR这个东西,基于OpenCV已经做过很多遍了,通过这个小项目利用树莓派来熟悉Python编程,而且通过实际操作可以掌握一些具体的细节与技巧,这里我将整个 ...

OpenCV第七篇：车牌识别

1.调整图片大小，并获取灰度图

2.双边滤波去除噪音：cv2.bilateralFilter()。

3.边缘检测：cv2.Canny（image，threshold1，threshold2）

4.寻找轮廓：车牌（四边形）

5.图像位运算进行遮罩

6.图像剪裁

7.字符识别：OCR

OpenCV第七篇：车牌识别相关推荐

最新文章

热门文章