HyperLPR源码分析10

最新推荐文章于 2024-03-29 09:48:23 发布

CyberHayek

最新推荐文章于 2024-03-29 09:48:23 发布

阅读量191

点赞数

文章标签： python 人工智能

本文链接：https://blog.csdn.net/CyberHayek/article/details/121735354

版权

本文深入分析了HyperLPR中用于车牌文字裁剪优化的refineCrop函数。该函数首先找到图片中心，进行二值化处理，分离文字与背景。接着利用findContours识别边缘，通过boundingRect确定最小包围矩形，从而精确裁剪出文字区域。最终，计算出最优的裁剪框new_box，以备后续文字识别使用。

摘要由CSDN通过智能技术生成

2021SC@SDUSC

在上一次分析中，提到了refineCrop函数，对裁剪下来含有车牌文字的图片区域进行了修剪，这次我们就分析一下具体是如何实现的。

这是refineCrop函数的全部代码：

def refineCrop(sections,width=16):
    new_sections = []
    for section in sections:
        # cv2.imshow("section¡",section)

        # cv2.blur(section,(3,3),3)

        sec_center = np.array([section.shape[1]/2,section.shape[0]/2])
        binary_niblack = nt.niBlackThreshold(section,17,-0.255)
        imagex, contours, hierarchy  = cv2.findContours(binary_niblack,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
        boxs = []
        for contour in contours:
            x,y,w,h = cv2.boundingRect(contour)

            ratio = w/float(h)
            if ratio<1 and h>36*0.4 and y<16\
                    :
                box = [x,y,w,h]

                boxs.append([box,np.a