【python】从零开始学习车牌识别项目（二）sobel算法改进和车牌区域定位

修改经典sobel算法

经典的不足：

1. 只采用了两个方向模板（水平和垂直），导致检测出来的边缘有断裂现象
2. 认为凡是灰度新值>=阈值的像素点都是边缘点，不合理。
   因为对于纹理复杂的车辆图像，边缘检测效果很差，并且容易导致在车牌识别系统中造成车辆图像中含有噪声太多、车牌定位难度大、车牌自负模糊

修改方案:
3. 将边缘检测模板增加到八个方向：0、45、90、135、180、225、270、315
4. 采用边缘跟踪的方法排除早点：噪声点会引起像素灰度值的跳变，造成改点灰度新值大于或等于阈值。采用边缘跟踪方法判别像素点是边缘点还是噪声点。

其他算法具体解释：
参考博客

这里仅仅观察两个方向上的sobel算法：

import cv2
import numpy as np


img = cv2.imread('test2D.jpg')
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)  #绝对值转换
 
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely= cv2.convertScaleAbs(sobely)   #绝对值转换
#分别为计算x和y，再求和
sobelxy=cv2.addWeighted(sobelx,0.5,sobely,0.5,0)  #将x和y融合起来

cv2.imshow('img',img)
cv2.imshow('sobelx',sobelx)
cv2.imshow('sobely',sobely)
cv2.imshow('sobelxy',sobelxy)

cv2.waitKey(0)

优化后的边缘检测

from PIL import Image
import numpy as np
import cv2

img_name = input("输入要处理的图片\n")
img = cv2.imread(img_name,0)

cv2.imshow("gray",img)
cv2.waitKey(0)

img_array = np.array(img)  # 转化为数组

w, h = img_array.shape

img_border = np.zeros((w-1, h-1))

for x in range(1, w - 1):
    for y in range(1, h - 1):
        Sx = img_array[x + 1][y - 1] + 2 * img_array[x + 1][y] + img_array[x + 1][y + 1] - img_array[x - 1][y - 1] - 2 * img_array[x - 1][y] - img_array[x - 1][y + 1]
        Sy = img_array[x - 1][y + 1] + 2 * img_array[x][y + 1] + img_array[x + 1][y + 1] - img_array[x - 1][y - 1] - 2 * img_array[x][y - 1] - img_array[x + 1][y - 1]
        img_border[x][y] = (Sx * Sx + Sy * Sy) ** 0.5
img2 = Image.fromarray(img_border)
img2.show()

定位车牌区域

使用了github开源项目已有的分类器cascade.xml(点击下载)，效果顶呱呱，具体使用方法如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt

def detect(img):
    # 导入定位器
    cascade_path = 'cascade.xml'
    cascade = cv2.CascadeClassifier(cascade_path)
    
    # 修改图片大小
    resize_h = 400
    height = img.shape[0]
    scale = img.shape[1] / float(height)
    img = cv2.resize(img,(int(scale*resize_h),resize_h))
    
    # 转为灰度值
    img_gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    
    # 车牌定位
    car_plates = cascade.detectMultiScale(img_gray,1.1,2,minSize=(36,9),maxSize=(36*40,9*40))
    print("检测到车牌数",len(car_plates))
    if len(car_plates)>0:
        i = 0
        for car_plate in car_plates:
            x,y,w,h = car_plate # 循环遍历每个车牌
            plate = img[y-10:y+h+10,x-10:x+w+10]
            cv2.rectangle(img,(x-10,y-10),(x+w+10,y+h+10),(255,0,0),2)
            cut_img = img[y-10:y+h+10, x-10:x+w+10]
            cv2.imshow('imgs'+str(i),cut_img)
            i+=1
    cv2.imshow("img",img)
    
if __name__ == '__main__':
    img = cv2.imread('testMultiply.jpg')
    detect(img)
    cv2.waitKey(0)

其中如果不影响观察的话，可以直接读入灰度图像，也就不需要后面的灰度化处理的操作了

img = cv2.imgread('picturename.jpg',0)

最后结果如下：

接下来会对提取出的车牌区域进行二值化处理后字符识别，敬请期待