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opencv
brew install opencv
3、安装opencv-python
pip3.6 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)