車牌識別01__車牌摳圖（CNN深度學習—opencv實現方法）

一、安裝依賴

1、mac安裝brem

/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"
2、mac安裝opencv
brew install opencv
3、安裝opencv-python
pip3.6 install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python
參考以下地址
https://www.jianshu.com/p/797e5dc4a279

二、步驟解析

opencv解析圖片的大概步驟
1、加載圖片
2、把圖片轉化為灰度
3、利用高斯模糊、中值濾波進行消除噪音點（可以理解成tensorflow中的卷積和池化）
4、邊緣檢測
5、二值化：只顯示黑白效果
6、進行膨脹和腐蝕，對邊緣放大效果
7、查找輪廓（計算輪廓面積、找到輪廓的矩陣的坐標計算長寬比例，找到現實中物體合理的比例）
8、找到矩陣坐標，並根據原圖進行剪切

三、代碼呈現

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

#1、imread加載圖片
img = cv2.imread('0.jpg')

#2、將圖像轉換為灰度圖

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必須為正奇數
img = cv2.GaussianBlur(img, (3, 3), 0, 0, cv2.BORDER_DEFAULT)

#3、中值濾波(池化)，消除噪音數據，medianBlur(InputArray src, OutputArray dst, int ksize)   ksize必須為奇數
img = cv2.medianBlur(img, 5)


#4、利用Sobel方法可以進行sobel邊緣檢測，突出邊緣
img = cv2.Sobel(img, cv2.CV_8U, 1, 0, ksize=3)

#圖像的二值化就是將圖像上的像素點的灰度值設置為0或255，這樣將使整個圖像呈現出明顯的黑白效果，<150的全為黑，>150的全為白
ret, binary = cv2.threshold(img, 150, 255, cv2.THRESH_BINARY)

#膨脹，讓輪廓突出
element1 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 7))
img = cv2.dilate(binary, element1, iterations=1)
#腐蝕
element2 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 1))
img = cv2.erode(img, element2, iterations=1)
#膨脹，讓輪廓更明顯
img = cv2.dilate(img, element1, iterations=3)

###############################################
# 查找輪廓(img: 原始圖像，contours：矩形坐標點，hierarchy：圖像層次)
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]

    #計算輪廓面積
    area = cv2.contourArea(cnt)
    if area < 1000:
        continue

    #四邊形的最小外接矩形,得到最小外接矩形的（中心(x,y), (寬,高), 旋轉角度）
    rect = cv2.minAreaRect(cnt)

    # 矩形的四個坐標（順序不定，但是一定是一個左下角、左上角、右上角、右下角這種循環順序(開始是哪個點未知)）
    box = cv2.boxPoints(rect)
    # 轉換為long類型
    box = np.int0(box)

    # 計算長寬高
    height = abs(box[0][1] - box[2][1])
    weight = abs(box[0][0] - box[2][0])
    ratio = float(weight) / float(height)
    # 正常的車牌寬高比在2.7~5之間
    if ratio > max_ratio:
        max_box = box

    if ratio > 5.5 or ratio < 2:
        continue

    num +=1
    ratios.append((max_box,ratio))


#返回就是車牌的矩陣的四個點的坐標
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)

# 獲取x上的坐標
x1 = box[xs_sorted_index[0], 0]
print(x1)
x2 = box[xs_sorted_index[3], 0]
print(x2)

# 獲取y上的坐標
y1 = box[ys_sorted_index[0], 1]
print(y1)
y2 = box[ys_sorted_index[3], 1]
#
img2 = cv2.imread('0.jpg')
# # 截取圖像
img_plate = img2[y1:y2, x1:x2]
cv2.imwrite('test1.jpg', img_plate)