Python-OpenCV车牌识别简易版（2）

　　接上文，现在车牌的部分已经很清晰了，我们把车牌的部分的轮廓提取出来。

# 轮廓检测
# 【9】
contours,hierarchy = cv2.findContours(image,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
image1= rawImage.copy()
cv2.drawContours(image1,contours,-1,(0,0,255),5)
plt_show0(image1)

　　【9】轮廓检测 contours,hierarchy =cv2.findContours(image,mode,method)

　　cv2.findContours()函数可以从二值图像中提取轮廓，并返回一个包含轮廓信息的列表和一个包含轮廓层次结构的numpy数组。

　　mode: 轮廓检索模式，决定了返回的轮廓列表中包含哪些轮廓。有四种模式可选：

　　cv2.RETR_EXTERNAL: 只返回最外层的轮廓，忽略内部的轮廓；cv2.RETR_LIST: 返回所有的轮廓，不建立任何层次关系；cv2.RETR_CCOMP: 返回所有的轮廓，并将它们组织成两层结构，顶层是外部轮廓，次层是内部轮廓；cv2.RETR_TREE: 返回所有的轮廓，并建立一个完整的轮廓层次结构，可以表示图像中任意嵌套的轮廓。

　　method: 轮廓近似方法，决定了返回的轮廓点的数量和位置。有两种方法可选：

　　cv2.CHAIN_APPROX_NONE: 返回轮廓上的所有点，不做任何近似。cv2.CHAIN_APPROX_SIMPLE: 只返回轮廓上的拐点，去除冗余的点，例如一条直线上的点。

　　cv2.drawContours(image1,contours,-1,(0,0,255),5)

　　contours必须是一个由点坐标组成的数组。

这个系统兼顾了蓝色车牌和绿色车牌的识别，所以我们先设定关于颜色的掩膜。

#筛选出车牌的轮廓（结合了颜色和形状）
#要绘制轮廓，先把原图复制一份
image2= rawImage.copy()
#得到关于颜色的掩膜
# 原图转换为HSV色彩空间，凡是用颜色筛选都要这样做
hsv = cv2.cvtColor(image2, cv2.COLOR_BGR2HSV)

# 定义蓝色和绿色的颜色范围
lower_blue = (100, 43, 46)
upper_blue = (124, 255, 255)
lower_green = (35, 43, 46)
upper_green = (77, 255, 255)
# 根据颜色范围提取蓝色和绿色区域的掩膜
# 【10】
mask_blue = cv2.inRange(hsv, lower_blue, upper_blue)
mask_green = cv2.inRange(hsv, lower_green, upper_green)
plt_show(mask_blue)
plt_show(mask_green)

　　【10】mask = cv2.inRange(image, lower, upper)

　　inRange()用于提取图像中指定颜色范围内的像素。

　　cv2.inRange函数的作用是根据指定的下限和上限阈值，将输入图像中的像素值限制在这个范围内。它会将满足条件的像素设置为255（白色），不满足条件的像素设置为0（黑色），从而形成一个二值图像。这种二值图像常用于图像分割、目标提取等任务中。

　　上图还是有很多噪音和孔洞，我们利用开运算，让图片更加有效和紧凑。

# 对掩膜开运算去除噪点和孔洞，分离相连的物体
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))    #(5,5是试出来的比较好的)
mask_blue = cv2.morphologyEx(mask_blue, cv2.MORPH_OPEN, kernel)
mask_green = cv2.morphologyEx(mask_green, cv2.MORPH_OPEN, kernel)
plt_show(mask_blue)
plt_show(mask_green)

　　得到两个掩膜后将其合并。

# 合并两种颜色的掩膜，因为是二值图，用或方法即可
mask = cv2.bitwise_or(mask_blue, mask_green)
# 在原图上应用掩膜，用与方法，得到颜色过滤后的图像
filtered = cv2.bitwise_and(image2, image2, mask=mask)
plt_show0(filtered)

　　现在车牌已经非常明显了，我们可以按照轮廓面积、矩形的长款比、矩形和轮廓的覆盖率、矩形和掩膜的覆盖率等来筛选出车牌所在的区域。

# 通过循环来筛选车牌位置
# 定义一个空列表，用来存储可能的车牌区域
plates = []

# 遍历所有的轮廓
for contour in contours:
    # 计算轮廓面积
    # 【11】
    area = cv2.contourArea(contour)
    # 计算轮廓的最小外接矩形
    # 【12】
    x, y, w, h = cv2.boundingRect(contour)
    # 计算矩形的长宽比
    ratio = w / h
    # 如果长宽比太小或太大，忽略该轮廓【pass】
    if ratio < 2 or ratio > 6:
        image_pass = image2[y:y+h,x:x+w]
        plt_show(image_pass)
        print('长宽不通过')
        continue
    # 计算矩形和轮廓的覆盖率
    rect_area = w * h
    coverage = area / rect_area
    # 如果覆盖率太小，忽略该轮廓【pass】
    if coverage < 0.5:
        image_pass = image2[y:y+h,x:x+w]
        plt_show(image_pass)
        print('矩形和轮廓的覆盖率不通过')
        continue
    # 计算掩膜在矩形区域内的覆盖率
    # 【13】
    mask_area = cv2.countNonZero(mask[y:y+h, x:x+w])#掩膜的面积
    mask_coverage = mask_area / rect_area
    # 如果掩膜覆盖率太小，忽略该轮廓
    if mask_coverage < 0.5:
        image_pass = image2[y:y+h,x:x+w]
        plt_show(image_pass)
        print('掩膜覆盖率不通过')
        continue
    # 将符合条件的矩形区域添加到列表中
    plates.append((x, y, w, h))

# 如果没有找到任何可能的车牌区域，打印提示信息
if len(plates) == 0:
    print("No plates found.")
# 如果找到了多个可能的车牌区域，打印提示信息
elif len(plates) > 1:
    print("Multiple plates found.")
# 如果只找到了一个可能的车牌区域，绘制矩形框并显示结果
else:
    # 获取唯一的车牌区域
    x, y, w, h = plates[0]
    # 在原图上绘制矩形框
    cv2.rectangle(image2, (x, y), (x+w, y+h), (0, 255, 0), 1)
    # 显示结果
    plt_show0(image2)
    #单独保存车牌为test1.png
    image3 = image2[y:y+h,x:x+w]
    cv2.imwrite('./car_license/test1.png',image3)

　　【11】计算面积area = cv2.contourArea(contour, oriented = False)

　　contour 表示输入的单个轮廓，是一个由点坐标组成的数组。

　　cv2.contourArea函数的作用是根据轮廓的点坐标，使用格林公式计算轮廓的面积，格林公式是一个将平面曲线积分转化为沿曲线的线积分的公式。

　　【12】最小外接矩形 x, y, w, h = cv2.boundingRect(contour)

　　contour 表示输入的单个轮廓，是一个由点坐标组成的数组，可以使用OpenCV的findContours函数获取。

　　x, y, w, h 表示输出的矩形的左上角坐标 (x, y) ，以及宽度 w 和高度 h 。

　　cv2.boundingRect函数的作用是根据轮廓的点坐标，找到一个能够包围轮廓的最小矩形。这个矩形是水平的，不会发生旋转。

　　如果想要找到一个可能旋转的最小矩形，可以使用cv2.minAreaRect函数。

　　【13】统计图像非零像素的个数count = cv2.countNonZero(src)

　　例子：结合掩膜可以统计任何颜色的数目

　　hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)　　＃定义蓝色的颜色范围

　　lower_blue = np.array([100, 50, 50]) # 下界阈值

　　upper_blue = np.array([130, 255, 255]) # 上界阈值　　＃应用颜色范围阈值

　　mask_blue = cv2.inRange(hsv, lower_blue, upper_blue)　　＃统计非零像素值的个数

　　count = cv2.countNonZero(mask_blue)

第2章车牌字符分割

　　先看看提取出来的车牌。

license = cv2.imread('./car_license/test1.png')
plt_show0(license)

　　还是老规矩，先高斯去噪，再转为灰度，再阈值化。

#高斯去噪
licence_GB = cv2.GaussianBlur(license,(1,3),0)
plt_show0(licence_GB)
#灰度
licence_gray = cv2.cvtColor(licence_GB,cv2.COLOR_BGR2GRAY)
plt_show(licence_gray)
#自适应阈值
ret , img = cv2.threshold(licence_gray,0,255,cv2.THRESH_OTSU)
plt_show(img)

#创建一个两行一列的矩形卷积核，来闭运算，将分开的小块连起来
#这个卷积核的大小要根据实际情况来自己调整
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(2,1))
img_close = cv2.dilate(img,kernel)
plt_show(img_close)
#轮廓检测
number_contours , hierarchy = cv2.findContours(img_close,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
img1 = license.copy()
cv2.drawContours(img1,number_contours,-1,(0,255,0),1)
plt_show0(img1)

　　然后根据轮廓的位置和大小进行筛选，并分割处每个字符。

# 根据轮廓的位置和大小进行筛选
chars = []
for cnt in number_contours:
    x, y, w, h = cv2.boundingRect(cnt)
    # 去除过小或过大的轮廓
    if w < 5 or h < 10 or w > 50 or h > 50:
        continue
    #去除过宽或过高的轮廓
    ratio = w / h
    if ratio < 0.25 or ratio > 0.7:
        continue
    # 保存符合条件的轮廓
    chars.append((x, y, w, h))

# 根据轮廓的水平位置进行排序
chars = sorted(chars, key=lambda x: x[0])
print(chars)

# 分割每个字符
i = 0
for x, y, w, h in chars:
    i = i+1
    # 提取字符的图像
    char = license[y:y+h, x:x+w]
    # 调整字符的大小为64x64
    char = cv2.resize(char, (64, 64))
    plt_show(char)
    #重新命名
    cv2.imwrite('./words/test2_'+str(i)+'.png',char)