python-opencv实战：车牌识别（一）：精度还不错的车牌定位

本文为基于python的opencv的车牌定位源码+讲解。

---

一. 车牌定位整体构架

1. 整体思路

首先，车牌定位是车牌识别的第一步也是必要的一步，同时，车牌定位的好坏直接性的决定了车牌识别的好坏，因此车牌定位是一定要尽量好的实现。对一张图片来说，车牌定位的几个过程其实很简单。

1. 去除噪音
2. 通过颜色特征筛选（或者通过形状筛选）
3. 通过形态特征再筛选（或通过颜色特征再筛选）
4. 定位候选区域列表
5. 选出最优的候选区域
6. 画出矩形，返回矩形的对角顶点。

其实过程并不复杂，但是每一步的各种操作混杂在一块就令如我这样的小白懵。不过问题不大，我们分开来看。

2. 分析原理

选择从通过形态特征先筛选入手。
先将图片转化为灰度图（边缘检测和轮廓识别需要灰度图），要去除噪音，防止不必要的干扰，通过灰度拉伸算法获取效果更良好的灰度图。做边缘检测，轮廓发现，之后找出所有的矩形轮廓，利用国内车牌的特征选出最优的几个轮廓。接着对这几个轮廓进行色彩特征分析，转化为HSV色彩空间（为了使用inrange方法找出掩膜），找出掩膜，利用算法求得每个掩膜的评分，选出最优评分的掩膜，并返回其图片下标。是不是一气呵成。

3. 算法构造

要实现良好的车牌定位，肯定是不能直接用其固定好的API因为，API终究是局限于语言，它考虑的没有办法像活生生的人那么多。如果你足够优秀的话，一定程度上是可以超越API的。

①. 灰度拉伸算法

灰度拉伸又叫对比度拉伸，它是最基本的一种灰度变换，使用的是最简单的分段线性变换函数，它的主要思想是提高图像处理时灰度级的动态范围。它可以改善图像，说的白一点，它可以让有些不可见的地方变得可见。这是防止图片的拍摄角度或者光线问题导致车牌不清晰。
公式：g(x,y) = 255 / (B - A) * [f(x,y) - A]

②. 二值化的阈值选取

图像二值化时边缘检测的必备，我们学习过二值化，不论是自适应二值化，还是otus二值化，其自动算出的阈值在部分图的表现很好，但我们不能直接带入车牌图像，因为APi提供的二值化时考虑全图，或者一个个部分块，但是我们需要的是足够清晰不会影响到车牌轮廓的二值化。因此选择自己构造阈值。
个人建议利用阈值如下：

ret=max_value-(max_value-min_value)/2

其中为最大像素点和最小像素点，不妨思考一下，如果图片为一张纯色图，那么阈值就为该像素值。如果图片是最大为250最小为0那么阈值为122，蓝色和白色为高像素值，这样无论如何都能找出其合适的轮廓。

③. 合适的分值的选取

学习目标识别的朋友一定经常和分值打交道把，通过一系列方法选出待选区域，最后评分，没有达到期望，就继续循环，继续评分，直到满足或者循环停止。
这里的评分当然没有用到神经网络的东西，而是利用选好的掩膜的像素值来评掩膜得到的像素值是255与0，那么我们寻找掩膜的条件是蓝色，注意这个蓝色，那么是不是可以想象，如果蓝色够多，那么分就够高呢，当然可以，于是可以对每个图像得到的HSV三个通道进行加权求和，若是分数最够则认定为车牌，目前测试的图片，该方法吗，没有失败的。

二. 代码

'''
车牌识别
2021/2/24 python3.6 by ksks14
'''
#导库
import cv2 as cv
import numpy as np
import os
#方法
#导入图片资源 path为路径
def load_image(path):
    src=cv.imread(path)
    return src
#灰度拉伸方法 
'''
它可以有选择的拉伸某段灰度区间以改善输出图像,如果一幅图像的灰度集中
在较暗的区域而导致图像偏暗，可以用灰度拉伸功能来拉伸(斜率>1)物体灰度区间以改善图像；同样如果图像灰度集中在较亮的区域而导致图像偏亮，也可以用灰
度拉伸功能来压缩(斜率<1)物体灰度区间以改善图像质量。
灰度拉伸
定义：灰度拉伸，也称对比度拉伸，是一种简单的线性点运算。作用：扩展图像的
      直方图，使其充满整个灰度等级范围内
公式：
g(x,y) = 255 / (B - A) * [f(x,y) - A],
其中，A = min[f(x,y)],最小灰度级；B = max[f(x,y)],最大灰度级；
     f(x,y)为输入图像,g(x,y)为输出图像
缺点：如果灰度图像中最小值A=0，最大值B=255，则图像没有什么改变
'''
def gray_stretch(image):
    max_value=float(image.max())
    min_value=float(image.min())
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            image[i,j]=(255/(max_value-min_value)*image[i,j]-(255*min_value)<