在对车牌识别过程中，常用的方法有：基于形状、基于色调、基于纹理、基于文字特征等方法。首先基于形状，在车牌中因为车牌为形状规格的矩形，所以目的转化为寻找矩形特征，常常是利用车牌长宽比例特征、占据图像的比例等。基于色调，国内的车牌往往是蓝底白字，可以采用图像的色调或者饱和度特征，进入生成二值图，定位车牌位置。基于纹理特征自己还没有基础到。基于文字特征往往是根据文字轮廓特征进行识别，原理是基于相邻文字轮廓特征、比例进行定位车牌位置。

一、图像二值化

正如前面文章所言，首先进行获取图像二值化特征，本文采取了根据图像亮度特征，提高对比度，进行可以清晰获取文字的图像，为下一步的文字轮廓识别打好基础。

1.1 算法流程

伪代码

1、图像转化为HSV图像，获取V通道图像

2、提高对比度

3、V图像高斯滤波，去除噪声

4、图像二值化

程序源码：

def get_colorvalue(image):
    height, width, shape = image.shape
    image_hsv = np.zeros((height,width), np.uint8)
    image_hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)
    image_hue, image_saturation, image_value = cv2.split(image_hsv)
    return image_value

def enhance_contrast(image):
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
    img_tophat = cv2.morphologyEx(image, cv2.MORPH_TOPHAT,kernel)
    img_blackhat = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel)

    image_plus_tophat = cv2.add(image, img_tophat)
    image_plus_blackhat_minus_blackhat = cv2.subtract(image_plus_tophat, img_blackhat)
return image_plus_blackhat_minus_blackhat

def preprocess(srcimage):

    image_value = get_colorvalue(srcimage)
    image_enhance = enhance_contrast(image_value)

    image_blur = cv2.GaussianBlur(image_enhance, (5,5), 0)
#    _, image_binary = cv2.threshold(image_blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    _, image_binary = cv2.threshold(image_blur, 100, 255, cv2.THRESH_BINARY )

    cv2.imwrite(‘image_binary.png‘,image_binary)

    return  image_binary

1.2 算法分析

在实验中在获取通道图像时，发现可以利用图像饱和度图像进行定位。

1、通道图像提取

image_hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)
image_hue, image_saturation, image_value = cv2.split(image_hsv)

上面分别为src、hue、saturation、value四副图像，在其中saturatio中可以清晰获取车牌相对于背景的饱和度大，则提取较value图像则可视为灰度图像，能保留图像大部分图像特征。

关于hsv的介绍可以参考这篇文章学习Opencv笔记(二)————hsv色系：文章简单介绍hsv体系内容。

2、图像对比度增强

    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
    img_tophat = cv2.morphologyEx(image, cv2.MORPH_TOPHAT,kernel)
    img_blackhat = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel)

    image_plus_black = cv2.add(image, img_blackhat)
    image_plus_blackhat_minus_blackhat = cv2.subtract(image_plus_black, img_tophat)

（img_tophat)                                                                               (img_blackhat)

                              (ima_plus_top_hat)                                                                                 (img_plus_black_top_hat)

图像增强的目的是提高图像的对比度，亮度地方更亮，暗的地方更暗。在形态学处理中，顶帽操作往往用来分离比邻近点亮一些的板块，在一幅图像具有大幅背景而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取。黑帽运算后的效果图突出了比原图轮廓周围的区域更暗的区域，这一操作也与选择的核尺寸有关。

流程就是，加上黑帽，减去顶冒，其实通过实验结果发现，貌似作用不大。

形态学处理详细介绍可以参考：数字图像处理-形态学研究：对形态学各种操作和理论进行了详细的介绍

3.二值化

在获取单通道图像后，进行了图像二值化操作，其中网上有个文章推荐使用adaptiveThreshold，其实真的不好用，我也采用了ostu算法，经过试验验证也不是很好用，经过多次验证，初步定阈值为80，效果比较良好。

二、图像位置初步定位

由于车辆图像背景比较复杂，所以应该根据车牌的特征进行初次筛选，其特征还是根据中国车牌大小、比例等关系进行筛选。

上图是自己找的关于车牌的标准，我们可以清晰知道宽：高 = 3.5 所以程序设置的最小比例是2，最大是5，然后就是根据图像大小设定的面积，长宽等大小。

2.1、算法源码

#contants for plate contour
MIN_CONTOUR_WIDTH = 80
MIN_CONTOUR_HEIGHT = 30

MIN_CONTOUR_RATIO = 1.5
MAX_CONTOUR_RATIO = 5

MIN_CONTOURL_AREA = 1500

def get_external_contours(image_thresh):
    #    Construct display images and display contours in images

    height, width = image_thresh.shape
    image_contour1 = np.zeros((height, width),np.uint8)
    image_contour2 = np.zeros((height, width),np.uint8) 

##    Custom 3*3 nuclei undergo expansion corrosion in the X direction
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
    image_dilate= cv2.dilate(image_thresh,kernel,iterations =2)
    image_erode= cv2.erode(image_dilate, kernel, iterations = 4)
    image_dilate= cv2.dilate(image_erode,kernel,iterations = 2)
#
    _, contours, hierarchy = cv2.findContours(image_dilate, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    contour_filter = []
    cv2.drawContours(image_contour1, contours, -1,(255, 255, 255 ),3)

#    choose the suite contour by the feature of special scence
    for contour in contours:
        contour_possible = PossibleContour(contour)
        if(check_external_contour(contour_possible)):
            cv2.rectangle(image_contour2, (contour_possible.rectX, contour_possible.rectY),
                                      (contour_possible.rectX + contour_possible.rectWidth, contour_possible.rectY + contour_possible.rectHeight),255)
            contour_filter.append(contour_possible)

    print("the length of origin contours is %d " %len(contour_filter))
    cv2.imwrite("1_1contours.png",image_contour1)
    cv2.imwrite("1_2contours.png",image_contour2)
    return contour_filter

#    #According to the license plate area size, length and width ratio, the primary screening is carried out
def check_external_contour(contour):
    if (contour.area > MIN_CONTOURL_AREA and contour.rectWidth > MIN_CONTOUR_WIDTH and contour.rectHeight > MIN_CONTOUR_HEIGHT
        and contour.whratio > MIN_CONTOUR_RATIO and contour.whratio < MAX_CONTOUR_RATIO):
        return True
    else:
        return False

2 .2、算法分析

上述算法核心是利用了findcontours函数，即在图像中寻找目标轮廓，详细的介绍可以参考这篇文章：

OpenCV-Python教程（11、轮廓检测）：文中很详细介绍函数参数含义及应用

在获取轮廓中，传入自己定义的类中，获取根据轮廓的矩形的面积、长宽等值，方便后续计算。

第二步就是根据上述理论分析，得到的函数。

上面四副图片分别展示了经过筛选后的结果，对contour根据限制条件进行选择，最终选择符合条件的候选区域，并保存在list中。

三、图像车牌精确定位

在中国车牌颜色为蓝底白字，所以蓝色数值会比较大，我们计算候选车牌区域蓝色数值（均值）的最大值，确定最终的车牌区域。

3.1 算法源码

def chack_plate_blueHue(contour_list, image_src):
    if len(contour_list) == 0:
        print(‘cannot find the plate contours‘)
        return None
    mean_list = []

#    calculate the mean of each blue image and choose the max one,get the index
    for contour in contour_list:
        image = cv2.getRectSubPix(image_src, ( contour.rectWidth, contour.rectHeight),(contour.centerX, contour.centerY))
        b , g, r = cv2.split(image)
        sum_pix = b.shape[0] * b.shape[1]
        b_mean = np.sum(np.array(b))/sum_pix
        mean_list.append(b_mean)

    index = np.argmax(np.array(mean_list))
    contour_final = contour_list[index]

    return contour_final

3.2 算法分析

1、遍历轮廓数组，根据前期获取的候选车牌区域，通过getRectSubPix获取其图像

2、分离图像，获取blue通道图像

3、计算图像均值，并添加到list

4、寻找list的argmax，获取其index

5、返回list中准确的contour