一、安装依赖 1、mac安装brem
/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"2、mac安装opencvbrew install opencv3、安装opencv-pythonpip3.6 install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python参考以下地址https://www.jianshu.com/p/797e5dc4a279
二、步骤解析
opencv解析图片的大概步骤1、加载图片2、把图片转化为灰度3、利用高斯模糊、中值滤波进行消除噪音点(可以理解成tensorflow中的卷积和池化)4、边缘检测5、二值化:只显示黑白效果6、进行膨胀和腐蚀,对边缘放大效果7、查找轮廓(计算轮廓面积、找到轮廓的矩阵的坐标计算长宽比例,找到现实中物体合理的比例)8、找到矩阵坐标,并根据原图进行剪切
三、代码呈现
import cv2 import numpy as np import matplotlib.pyplot as plt #1、imread加载图片 img = cv2.imread(‘0.jpg‘) #2、将图像转换为灰度图 img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # #2、高斯平滑模糊 #GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT ) #Size ksize必须为正奇数 img = cv2.GaussianBlur(img, (3, 3), 0, 0, cv2.BORDER_DEFAULT) #3、中值滤波(池化),消除噪音数据,medianBlur(InputArray src, OutputArray dst, int ksize) ksize必须为奇数 img = cv2.medianBlur(img, 5) #4、利用Sobel方法可以进行sobel边缘检测,突出边缘 img = cv2.Sobel(img, cv2.CV_8U, 1, 0, ksize=3) #图像的二值化就是将图像上的像素点的灰度值设置为0或255,这样将使整个图像呈现出明显的黑白效果,<150的全为黑,>150的全为白 ret, binary = cv2.threshold(img, 150, 255, cv2.THRESH_BINARY) #膨胀,让轮廓突出 element1 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 7)) img = cv2.dilate(binary, element1, iterations=1) #腐蚀 element2 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 1)) img = cv2.erode(img, element2, iterations=1) #膨胀,让轮廓更明显 img = cv2.dilate(img, element1, iterations=3) ############################################### # 查找轮廓(img: 原始图像,contours:矩形坐标点,hierarchy:图像层次) contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) max_ratio = -1 ratios = [] num = 0 for i in range(len(contours)): cnt = contours[i] #计算轮廓面积 area = cv2.contourArea(cnt) if area < 1000: continue #四边形的最小外接矩形,得到最小外接矩形的(中心(x,y), (宽,高), 旋转角度) rect = cv2.minAreaRect(cnt) # 矩形的四个坐标(顺序不定,但是一定是一个左下角、左上角、右上角、右下角这种循环顺序(开始是哪个点未知)) box = cv2.boxPoints(rect) # 转换为long类型 box = np.int0(box) # 计算长宽高 height = abs(box[0][1] - box[2][1]) weight = abs(box[0][0] - box[2][0]) ratio = float(weight) / float(height) # 正常的车牌宽高比在2.7~5之间 if ratio > max_ratio: max_box = box if ratio > 5.5 or ratio < 2: continue num +=1 ratios.append((max_box,ratio)) #返回就是车牌的矩阵的四个点的坐标 box = ratios[0][0] print(box) print(box[0,1]) ys = [box[0, 1], box[1, 1], box[2, 1], box[3, 1]] print(ys) xs = [box[0, 0], box[1, 0], box[2, 0], box[3, 0]] ys_sorted_index = np.argsort(ys) print(ys_sorted_index) xs_sorted_index = np.argsort(xs) # 获取x上的坐标 x1 = box[xs_sorted_index[0], 0] print(x1) x2 = box[xs_sorted_index[3], 0] print(x2) # 获取y上的坐标 y1 = box[ys_sorted_index[0], 1] print(y1) y2 = box[ys_sorted_index[3], 1] # img2 = cv2.imread(‘0.jpg‘) # # 截取图像 img_plate = img2[y1:y2, x1:x2] cv2.imwrite(‘test1.jpg‘, img_plate)
原文地址:https://www.cnblogs.com/allen-GC/p/10817223.html
时间: 2024-10-11 04:36:02