1 ### 对车牌图片进行处理，分割出车牌中的每一个字符并保存

2 #在本地读取图片的时候，如果路径中包含中文，会导致读取失败。

3

4 importcv25 importpaddle6 importnumpy as np7 importmatplotlib.pyplot as plt8 #以下两行实现了在plt画图时，可以输出中文字符

9 plt.rcParams['font.sans-serif']=['SimHei']10 plt.rcParams['axes.unicode_minus'] =False11

12

13 #cv2.imread() 读进来直接是BGR 格式数据，数值范围在 0~255 。在本地读取，路径中不要含有中文

14 license_plate = cv2.imread('../data/car.png') #license 拍照，plate 车牌

15 print('license_plate 的 type', type(license_plate), license_plate.shape) # (170, 722, 3)

16

17 plt.subplot(231)18 plt.imshow(license_plate)19 plt.title('原图 BGR')20

21 gray_plate2 = cv2.cvtColor(license_plate, cv2.COLOR_BGR2RGB) #RGB 转灰度图

22 plt.subplot(234)23 plt.imshow(gray_plate2)24 plt.title('RGB图像')25 #cv2.cvtColor(p1,p2) 是颜色空间转换函数，p1是需要转换的图片，p2是转换成何种格式。

26 #cv2.COLOR_BGR2RGB 将BGR格式转换成RGB格式

27 #cv2.COLOR_BGR2GRAY 将BGR格式转换成灰度图片(灰度图片并不是指常规意义上的黑白图片，只用看是不是无符号八位整型(unit8),单通道即可判断)

28 gray_plate = cv2.cvtColor(license_plate, cv2.COLOR_RGB2GRAY) #RGB 转灰度图

29 print('gray_plate.shape', gray_plate.shape) #(170, 722)

30

31 plt.subplot(232)32 plt.imshow(gray_plate)33 plt.title('GRAY 图像')34

35 #Python: cv2.threshold(src, thresh, maxval, type[, dst]) → retval, dst

36 #src：表示的是图片源

37 #thresh：表示的是阈值(起始值)

38 #maxval：表示的是最大值，在高于阈值是赋予的新值

39 #type：表示的是这里划分的时候使用的是什么类型的算法**，常用值为0(cv2.THRESH_BINARY)

40 #cv2.THRESH_BINARY 大于阈值取最大值 maxval ，小于等于阈值取 0

41 #两个返回值，第一个retVal(得到的阈值值(在后面一个方法中会用到))，第二个就是阈值化后的图像。

42 ret, binary_plate = cv2.threshold(gray_plate, 175, 255, cv2.THRESH_BINARY) #ret：阈值，binary_plate：根据阈值处理后的图像数据

43 print('ret', ret) #175.0

44 print('binary_plate', binary_plate.shape ) #(170, 722)

45

46 plt.subplot(233)47 plt.imshow(binary_plate)48 plt.title('阈值处理之后的图像')49

50 #按列统计像素分布

51 result =[]52 for col in range(binary_plate.shape[1]):53 result.append(0) #每一列像素值初始化为 0

54 for row inrange(binary_plate.shape[0]):55 result[col] = result[col] + binary_plate[row][col] / 255

56 #print(result)

57 #记录车牌中字符的位置

58 character_dict = {} #character_dict 是一个字典，里面一个元素中的value 部分存储一个车牌中的字符

59 num = 0 #记录统计的车牌中的第几个字符，同时是 字典 character_dict 中的 key 值

60 i = 0 #表示是第几列像素

61 while i

63 if result[i] ==0:64 i += 1

65 else:66 index = i + 1

67 while result[index] !=0:68 index += 1

69 #第 i 列 到 第 index-1 列，存储了一个字符，这里做了一个假设像 “ 桂 ” 这样左右结构的字，在列的方向上是没有像素断点的

70 #character_dict 是一个字典，num 是字典的 key，[i, index - 1] 是一个存储了两个数的列表作为字典的value

71 character_dict[num] = [i, index - 1]72 num += 1

73 i =index74 print('character_dict', character_dict)75

76 #将每个字符填充，并存储

77 characters =[]78 for i in range(8): #车牌一共 8 个字符，其中第 3 个字符(下标为 2 )是一个 ·

79 if i == 2:80 continue

81 #将字符填充为 170*170 的灰度图，padding 为计算左右需要各自填充多少列元素

82 padding = (170 - (character_dict[i][1] - character_dict[i][0])) / 2

83

84 #np.pad() 函数原型：ndarray = numpy.pad(array, pad_width, mode, **kwargs)

85 #array为要填补的数组

86 #pad_width 是在各维度的各个方向上想要填补的长度,如((1，2)，(2，2))，

87 #表示在第一个维度上水平方向上padding=1,垂直方向上padding=2, 在第二个维度上水平方向上padding=2,垂直方向上padding=2。

88 #如果直接输入一个整数，则说明各个维度和各个方向所填补的长度都一样。

89 #mode为填补类型，即怎样去填补，有“constant”，“edge”等模式，如果为constant模式，就得指定填补的值，如果不指定，则默认填充0。

90 #剩下的都是一些可选参数，具体可查看

91 #https://docs.scipy.org/doc/numpy/reference/generated/numpy.pad.html

92

93 #ndarray为填充好的返回值。

94 ndarray = np.pad(binary_plate[:, character_dict[i][0]:character_dict[i][1]], #array ： 为要填补的数组

95 #pad_width：在各维度的各个方向上想要填补的长度。在第一个维度(行)前面填充 0 行，后面填充 0 行；

96 #在第二个维度(列)前面填充 padding 列 后面填充 padding 列

97 ((0, 0), (int(padding), int(padding))),98 #mode为填补类型，即怎样去填补，有“constant”，“edge”等模式，

99 #如果为constant模式，就得指定填补的值，如果不指定，则默认填充0。

100 'constant', constant_values=(0, 0)101 )102 print('第 {} 个字符'.format(i+1))103 print('原数组尺寸 ：', binary_plate[:, character_dict[i][0]:character_dict[i][1]].shape)104 print('填充之后的尺寸 ：', ndarray.shape)105 ndarray = cv2.resize(ndarray, (20, 20))106 print('resize 之后的尺寸 ：', ndarray.shape)107

108 cv2.imwrite('../data/' + str(i) + '.png', ndarray)109 characters.append(ndarray)110 ndarray2 = cv2.resize(binary_plate[:, character_dict[i][0]:character_dict[i][1]], (20, 20))111 cv2.imwrite('../data/2' + str(i) + '.png', ndarray)112

113 plt.show()114

115

116 '''输出结果：117 license_plate 的 type (170, 722, 3)118 gray_plate.shape (170, 722)119 ret 175.0120 binary_plate (170, 722)121 character_dict {0: [17, 87], 1: [109, 179], 2: [203, 216], 3: [240, 311], 4: [334, 406], 5: [430, 503], 6: [528, 603], 7: [629, 706]}122

123 第 1 个字符124 原数组尺寸 ： (170, 70)125 填充之后的尺寸 ： (170, 170)126 resize 之后的尺寸 ： (20, 20)127 第 2 个字符128 原数组尺寸 ： (170, 70)129 填充之后的尺寸 ： (170, 170)130 resize 之后的尺寸 ： (20, 20)131 第 4 个字符132 原数组尺寸 ： (170, 71)133 填充之后的尺寸 ： (170, 169)134 resize 之后的尺寸 ： (20, 20)135 第 5 个字符136 原数组尺寸 ： (170, 72)137 填充之后的尺寸 ： (170, 170)138 resize 之后的尺寸 ： (20, 20)139 第 6 个字符140 原数组尺寸 ： (170, 73)141 填充之后的尺寸 ： (170, 169)142 resize 之后的尺寸 ： (20, 20)143 第 7 个字符144 原数组尺寸 ： (170, 75)145 填充之后的尺寸 ： (170, 169)146 resize 之后的尺寸 ： (20, 20)147 第 8 个字符148 原数组尺寸 ： (170, 77)149 填充之后的尺寸 ： (170, 169)150 resize 之后的尺寸 ： (20, 20)151 '''