目錄
一、形態學車牌提取（簡單：單情景）
（單圖片還不錯，但多圖片不準確）
1、讀取圖片，轉灰度圖
# 1、讀取圖片，轉灰度圖 img = cv.imread('Resource/car.jpg') gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY) cv.imshow('gray', gray)2、提取輪廓（Sobel算子提取y方向邊緣）
為什么對Y方向取邊緣：讓圖像變“瘦”，便于把車牌揉成一團。
# 2、提取輪廓（Sobel算子提取y方向） y = cv.Sobel(gray, cv.CV_16S, 1, 0) # 注：對x/y微分和得到x/y方向圖像相反 要得到x/y方向邊緣，就要求y/x方向的微分。 absY = cv.convertScaleAbs(y) cv.imshow('Y', absY)3、自適應二值化
注：函數返回兩個參數，第二個參數才是二進制圖像！！！
# 3、自適應二值化 ret, binary = cv.threshold(absY, 0, 255, cv.THRESH_OTSU) cv.imshow('binary', binary)4、閉運算處理，把圖像閉合、揉團，使圖像區域化
閉運算處理，圖像區域化，便于找到車牌區域，進而得到輪廓
測試多組圖片，發現（17, 5）的卷積核比較好，能達到目的。
# 4、閉運算處理，把圖像閉合、揉團，使圖像區域化，便于找到車牌區域，進而得到輪廓 kernel = cv.getStructuringElement(cv.MORPH_RECT, (17,5)) print('kernel= /n', kernel) close = cv.morphologyEx(binary, cv.MORPH_CLOSE, kernel) cv.imshow('close', close)（這里采用矩形卷積核處理。）
5、腐蝕/膨脹去噪得到車牌區域
上面雖然得到了二進制圖像，且得到了大致區域，但是噪聲（雜質）仍然太多，下面通過腐蝕、膨脹去噪。
5-1、橫向腐蝕、膨脹
# 5-1、水平方向腐蝕/膨脹 erode = cv.morphologyEx(close, cv.MORPH_ERODE, kernel_x) cv.imshow('erode_x', erode) dilate = cv.morphologyEx(erode, cv.MORPH_DILATE, kernel_x) cv.imshow('dilate_x', dilate)橫向處理完之后，繼續對縱向進行處理。
5-2、縱向腐蝕、膨脹
# 5-2、豎直方向腐蝕/膨脹 erode = cv.morphologyEx(dilate, cv.MORPH_ERODE, kernel_y) cv.imshow('erode_y', erode) dilate = cv.morphologyEx(erode, cv.MORPH_DILATE, kernel_y) cv.imshow('dilate_y', dilate)如上圖，得到了想要的結果，基本只剩下幾個輪廓了，且車牌區域保留完好opencv中如何判別車牌是什么顏色opencv中如何判別車牌是什么顏色，不影響車牌的定位。
6、獲取外輪廓
這里想先把包括車牌輪廓的外輪廓一起顯示。
6-1、得到輪廓
# 6-1、得到輪廓 contours, hierarchy = cv.findContours(dilate_y, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)6-2、畫出輪廓并顯示
# 6-2、畫出輪廓 cv.drawContours(img_copy, contours, -1, (255,0,255), 2) cv.imshow('Contours', img_copy)獲取輪廓代碼及效果：
# 6、獲取外輪廓 img_copy = img.copy() # 6-1、得到輪廓 contours, hierarchy = cv.findContours(dilate_y, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) # 6-2、畫出輪廓并顯示 cv.drawContours(img_copy, contours, -1, (255,0,255), 2) cv.imshow('Contours', img_copy)7、截取得到車牌
首先判斷車牌的特征（比如寬：高一般在3~4），然后根據這個特征進行判斷，只保留符合特征的圖片（車牌）。
# 7、遍歷所有輪廓，找到車牌輪廓 for contour in contours: # 7-1、得到矩形區域：左頂點坐標、寬和高 rect = cv.boundingRect(contour) # 7-2、判斷寬高比例是否符合車牌標準，截取符合圖片 if rect[2]>rect[3]*3 and rect[2]二、形態學車牌提取（優化：多情景） 1、轉灰度圖
gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY) cv.imshow('gray', gray)2、頂帽運算
把較亮部分提取出來，使得車牌區域更加明顯。
# 2、頂帽運算 # gray = cv.equalizeHist(gray) kernel = cv.getStructuringElement(cv.MORPH_RECT, (17,17)) tophat = cv.morphologyEx(gray, cv.MORPH_TOPHAT, kernel) cv.imshow('tophat', tophat)3、Sobel算子提取Y方向邊緣
縱向化車牌區域，使車牌更加明顯。
# 3、Sobel算子提取y方向邊緣（揉成一坨） y = cv.Sobel(tophat, cv.CV_16S, 1, 0) absY = cv.convertScaleAbs(y) cv.imshow('absY', absY)4、二值化圖像
根據自己的實際情況選取閾值，閾值越大，變成白色(255)的門檻越多，則白色部分越少。 （這里閾值比較小，但閾值大也有不少利弊）
# 4、自適應二值化（閾值自己可調） ret, binary = cv.threshold(absY, 75, 255, cv.THRESH_BINARY) cv.imshow('binary', binary)5、開運算分割（縱向分割）
為了防止后面的閉運算錯誤連接外部的雜質，需要先用開運算把它們分隔開。
# 5、開運算處理（縱向去噪，分隔） kernel = cv.getStructuringElement(cv.MORPH_RECT, (1, 15)) Open = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel) cv.imshow('Open', Open)分割前：
可以看出來，這寫雜質已經完全融入車牌中了，后續想要分離它們就十分困難了。
分割后：
雖然也有少部分的連接，但不是之前的那種大塊連接，相對 比較好去除。
6、閉運算合并
# 6、閉運算合并，把圖像閉合、揉團，使圖像區域化，便于找到車牌區域，進而得到輪廓 kernel = cv.getStructuringElement(cv.MORPH_RECT, (41, 15)) close = cv.morphologyEx(Open, cv.MORPH_CLOSE, kernel) cv.imshow('close', close)效果上面有。
7、橫/縱方向腐蝕/膨脹
# 7、膨脹/腐蝕（去噪得到車牌區域） # 中遠距離車牌識別 kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (25, 7)) kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 11)) # 近距離車牌識別 # kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (91, 31)) # kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 31)) # 7-1、腐蝕、膨脹（去噪） erode_y = cv.morphologyEx(close, cv.MORPH_ERODE, kernel_y) cv.imshow('erode_y', erode_y) dilate_y = cv.morphologyEx(erode_y, cv.MORPH_DILATE, kernel_y) cv.imshow('dilate_y', dilate_y) # 7-1、膨脹、腐蝕（連接）（二次縫合） dilate_x = cv.morphologyEx(dilate_y, cv.MORPH_DILATE, kernel_x) cv.imshow('dilate_x', dilate_x) erode_x = cv.morphologyEx(dilate_x, cv.MORPH_ERODE, kernel_x) cv.imshow('erode_x', erode_x)7-1、縱方向： 腐蝕+膨脹
分割上下距離比較近的物體。
7-2、橫方向：膨脹+腐蝕
進一步連接橫向的物體 （繼上面的閉運算，再次連接車牌的內容）
8、腐蝕膨脹：去噪
# 8、腐蝕、膨脹：去噪 kernel_e = cv.getStructuringElement(cv.MORPH_RECT, (25, 11)) erode = cv.morphologyEx(erode_x, cv.MORPH_ERODE, kernel_e) cv.imshow('erode', erode) kernel_d = cv.getStructuringElement(cv.MORPH_RECT, (25, 13)) dilate = cv.morphologyEx(erode, cv.MORPH_DILATE, kernel_d) cv.imshow('dilate', dilate)9、獲取外輪廓
# 9、獲取外輪廓 img_copy = img.copy() # 9-1、得到輪廓 contours, hierarchy = cv.findContours(dilate, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) # 9-2、畫出輪廓并顯示 cv.drawContours(img_copy, contours, -1, (255, 0, 255), 2) cv.imshow('Contours', img_copy)10、根據車牌特征找到車牌輪廓
車牌寬高比一般為3~4之間，但我這里首先是圖比較多，有些圖附帶的雜質沒有清除干凈，所以就設置在3~6.5之間。
# 10、遍歷所有輪廓，找到車牌輪廓 i = 0 for contour in contours: # 10-1、得到矩形區域：左頂點坐標、寬和高 rect = cv.boundingRect(contour) # 10-2、判斷寬高比例是否符合車牌標準，截取符合圖片 if rect[2]>rect[3]*3 and rect[2]中遠距離：
正常車牌成功率：100%（測試了11例，均成功）
傾斜車牌成功率：67%（測試2例,，3車牌，最小的車牌識別失敗）（但是處理不是很好）
近距離車牌成功率：0%（測試2例，均失敗）
近距離：
（近距離成功率50%，因為只做了2個）
代碼
# 車牌識別import cv2 as cvimport numpy as npimport os# 提取車牌（形態學）def Morph_Distinguish(img): # 1、轉灰度圖 gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY) cv.imshow('gray', gray) # 2、頂帽運算 # gray = cv.equalizeHist(gray) kernel = cv.getStructuringElement(cv.MORPH_RECT, (17,17)) tophat = cv.morphologyEx(gray, cv.MORPH_TOPHAT, kernel) cv.imshow('tophat', tophat) # 3、Sobel算子提取y方向邊緣（揉成一坨） y = cv.Sobel(tophat, cv.CV_16S, 1, 0) absY = cv.convertScaleAbs(y) cv.imshow('absY', absY) # 4、自適應二值化（閾值自己可調） ret, binary = cv.threshold(absY, 75, 255, cv.THRESH_BINARY) cv.imshow('binary', binary) # 5、開運算分割（縱向去噪，分隔） kernel = cv.getStructuringElement(cv.MORPH_RECT, (1, 15)) Open = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel) cv.imshow('Open', Open) # 6、閉運算合并，把圖像閉合、揉團，使圖像區域化，便于找到車牌區域，進而得到輪廓 kernel = cv.getStructuringElement(cv.MORPH_RECT, (41, 15)) close = cv.morphologyEx(Open, cv.MORPH_CLOSE, kernel) cv.imshow('close', close) # 7、膨脹/腐蝕（去噪得到車牌區域） # 中遠距離車牌識別 kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (25, 7)) kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 11)) # 近距離車牌識別 # kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (79, 15)) # kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 31)) # 7-1、腐蝕、膨脹（去噪） erode_y = cv.morphologyEx(close, cv.MORPH_ERODE, kernel_y) cv.imshow('erode_y', erode_y) dilate_y = cv.morphologyEx(erode_y, cv.MORPH_DILATE, kernel_y) cv.imshow('dilate_y', dilate_y) # 7-1、膨脹、腐蝕（連接）（二次縫合） dilate_x = cv.morphologyEx(dilate_y, cv.MORPH_DILATE, kernel_x) cv.imshow('dilate_x', dilate_x) erode_x = cv.morphologyEx(dilate_x, cv.MORPH_ERODE, kernel_x) cv.imshow('erode_x', erode_x) # 8、腐蝕、膨脹：去噪 kernel_e = cv.getStructuringElement(cv.MORPH_RECT, (25, 9)) erode = cv.morphologyEx(erode_x, cv.MORPH_ERODE, kernel_e) cv.imshow('erode', erode) kernel_d = cv.getStructuringElement(cv.MORPH_RECT, (25, 11)) dilate = cv.morphologyEx(erode, cv.MORPH_DILATE, kernel_d) cv.imshow('dilate', dilate) # 9、獲取外輪廓 img_copy = img.copy() # 9-1、得到輪廓 contours, hierarchy = cv.findContours(dilate, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) # 9-2、畫出輪廓并顯示 cv.drawContours(img_copy, contours, -1, (255, 0, 255), 2) cv.imshow('Contours', img_copy) # 10、遍歷所有輪廓，找到車牌輪廓 i = 0 for contour in contours: # 10-1、得到矩形區域：左頂點坐標、寬和高 rect = cv.boundingRect(contour) # 10-2、判斷寬高比例是否符合車牌標準，截取符合圖片 if rect[2]>rect[3]*3 and rect[2]參考資料