opencv python 获取可用设备列表 python opencv findcontours

1 说明：

=====

1.1 环境：

python3.8，深度操作系统deepin-linux，微软编辑器vscode，opencv版本4.2.0。

1.2 上一篇：

《强！全套完整中文车牌识别，纯python来实现和代码分析》

1.3 本次讲解：超级详细，一步一步，注释分析，小白都会。

1.4 注意：代码为注释讲解版，有点繁琐，但是可读性较高，大神可以封装成函数，去掉注释和窗口显示过程。

图片：来自今日头条免费正版图库

2 图片：来自今日头条免费正版图库：

仅供学习

===代码逐步分析===

3 读取图片并显示原始图片：额外知识

=============================

3.1 cv2法：显示是原图，省略。牵涉到知识点是图片的通道的拆分和合并。

import cv2origin_image = cv2.imread('/home/xgj/Desktop/car911/2.jpeg')cv2.imshow('image', origin_image)cv2.waitKey(0)

3.2 matplotlib法：

import cv2#---第2步：读取待检测原始的图片---origin_image = cv2.imread('/home/xgj/Desktop/car911/2.jpeg')#---第3步：显示图片法---'''# cv2显示图片法：原图cv2.imshow('image', origin_image)cv2.waitKey(0)''''''# matplotlib法直接显示，不是原图from matplotlib import pyplot as pltplt.imshow(origin_image)plt.show()'''# 调整通道的顺序，显示原图# 分割通道from matplotlib import pyplot as plt#说明cv2读取的顺序是bgr#而matplotlib显示rgb，故显示plt原图法需要转换b,g,r = cv2.split(origin_image)# 合并通道img = cv2.merge([r, g, b])plt.imshow(img)plt.show()

3.3 图：

原图显示

不是原图显示

4 提取蓝色车牌：

============

4.1 代码：

#---第1步：导入所需模块---import cv2from matplotlib import pyplot as plt#---第2步：读取待检测原始的图片---origin_image = cv2.imread('/home/xgj/Desktop/car911/2.jpeg')# 可注释掉# 调整通道的顺序# 分割通道b,g,r = cv2.split(origin_image)# 合并通道img = cv2.merge([r, g, b])#用matplotlib的plt显示图片plt.imshow(img)plt.show()#---第3步：提取车牌部分图片---#图像去噪灰度处理# 3-1：对原始图片origin_image进行高斯模糊Gausiian_image = cv2.GaussianBlur(origin_image, (3, 3), 0)#可注释掉plt.imshow(Gausiian_image)plt.show()# 3-2：灰度化处理图像gray_image = cv2.cvtColor(Gausiian_image, cv2.COLOR_RGB2GRAY)#可注释掉plt.imshow(gray_image)plt.show()# 3-3：Sobel算子Sobel_x = cv2.Sobel(gray_image, cv2.CV_16S, 1, 0) # 对x求一阶导，垂直检测#Sobel_y = cv2.Sobel(gray_image, cv2.CV_16S, 0, 1) # 附注：对y求一阶导，水平检测absX = cv2.convertScaleAbs(Sobel_x)  # 转回uint8#定义车牌imagechepai = absX# 3-4：图像二值化ret, image2 = cv2.threshold(imagechepai, 0, 255, cv2.THRESH_OTSU)# 3-5：闭操作可以将目标区域连成一个整体，便于后续轮廓的提取。kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5))image3 = cv2.morphologyEx(image2, cv2.MORPH_CLOSE, kernelX,iterations = 3)#可注释掉plt.imshow(image3)plt.show()# 3-6：膨胀和腐蚀#通过膨胀连接相近的图像区域，通过腐蚀去除孤立细小的色块。kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (20, 1))kernelY = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 19))#膨胀第1次image4 = cv2.dilate(image3, kernelX)plt.imshow(image4)plt.show()#腐蚀第1次image5 = cv2.erode(image4, kernelX)plt.imshow(image5)plt.show()#腐蚀第2次image6 = cv2.erode(image5, kernelY)plt.imshow(image6)plt.show()#膨胀第2次image7 = cv2.dilate(image6, kernelY)plt.imshow(image7)plt.show()# 3-7：中值滤波：去除图像或者其它信号中的噪声。image8 = cv2.medianBlur(image7, 15)plt.imshow(image8)plt.show()# 3-8：查找轮廓contours, hierarchy = cv2.findContours(image8, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 3-9：判断车牌区域：for item in contours:    rect = cv2.boundingRect(item)    x = rect[0]    y = rect[1]    weight = rect[2]    height = rect[3]    if (weight > (height * 3)) and (weight < (height * 4)):        image9 = origin_image[y:y + height, x:x + weight]  #侧位车牌和黄色车牌报错        #提取车牌，生成车牌图片        cv2.imwrite('/home/xgj/Desktop/car911/chepai1.png', image9)        cv2.imshow('image', image9)        cv2.waitKey(0)

4.2 操作和效果图：

4.3 正位绿色车牌：OK，省略。(新能源汽车车牌，正面非侧位OK)

5 bug分析：

============

5.1 图：

侧位车牌：bug

黄色车牌：bug：(3.jpeg)

报错原因

侧位车牌：bug

6 黄色车牌定位和提取(图：3.jpeg)：

=============================

6.1 代码：换一种思维

#---第1步：导入模块--import cv2import numpy as np#---第2步：读取原图---img = cv2.imread('/home/xgj/Desktop/car911/3.jpeg')#可注释掉cv2.imshow("pic1",img) #显示原图cv2.waitKey(0)#---第3步：预处理---# 包括灰度处理，高斯滤波平滑处理，Sobel提取边界，图像二值化# 3-1：灰度处理gray_img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)cv2.imshow("pic2", gray_img)cv2.waitKey(0)# 3-2：高斯滤波平滑处理GaussianBlur_img = cv2.GaussianBlur(gray_img, (3, 3), 0)cv2.imshow("pic3", GaussianBlur_img)cv2.waitKey(0)# 3-3：Sobel提取边界Sobel_img = cv2.Sobel(GaussianBlur_img, -1, 1, 0, ksize=3)cv2.imshow("pic4", Sobel_img)cv2.waitKey(0)# 3-4：图像二值化ret, binary_img = cv2.threshold(Sobel_img, 127, 255, cv2.THRESH_BINARY)#---第4步：形态学运算---kernel = np.ones((5, 15), np.uint8)# 先闭运算将车牌数字部分连接，再开运算将不是块状的或是较小的部分去掉close_img = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)open_img = cv2.morphologyEx(close_img, cv2.MORPH_OPEN, kernel)# 再来一次：修改部分图像得到的轮廓边缘不整齐kernel2 = np.ones((10, 10), np.uint8)open_img2 = cv2.morphologyEx(open_img, cv2.MORPH_OPEN, kernel2)#结构元素可以是矩形/椭圆/十字形，可以用cv2.getStructuringElement()来生成不同形状的结构元素element = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))  #矩形结构dilation_img = cv2.dilate(open_img, element, iterations=3)cv2.imshow("pic4", dilation_img)cv2.waitKey(0)#---第5步：获取轮廓---# 5-1:2个指标，易报错，与opencv版本有关contours, hierarchy = cv2.findContours(dilation_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 测试边框识别结果，注释掉，否则汽车车牌提取后有绿色轮廓，不好看#cv2.drawContours(img, contours, -1, (0, 255, 0), 3)#cv2.imshow("pic5", img)  #绘制轮廓图#cv2.waitKey(0)# 5-2：从轮廓中提取坐标# 将轮廓规整为长方形rectangles = []for c in contours:    x = []    y = []    for point in c:        y.append(point[0][0])        x.append(point[0][1])    r = [min(y), min(x), max(y), max(x)]    rectangles.append(r)    # 5-3：用颜色识别出车牌区域dist_r = []max_mean = 0for r in rectangles:    carmask = img[r[1]:r[3], r[0]:r[2]]  #车牌区域面积大小    hsv = cv2.cvtColor(carmask, cv2.COLOR_BGR2HSV)    '''    #蓝色车牌，可以使用    low = np.array([100, 60, 60])    up = np.array([140, 255, 255])    '''    #黄色车牌    low = np.array([15, 55, 55])    up = np.array([50, 255, 255])        '''    #绿色车牌：系能源汽车报错，因为车牌底色不是全绿，白色渐变绿色    low = np.array([50, 50, 50])    up = np.array([100, 255, 255])    '''    result = cv2.inRange(hsv, low, up)    # 用计算均值的方式找蓝色最多的区块    mean = cv2.mean(result)    if mean[0] > max_mean:        max_mean = mean[0]        dist_r = r# 画出识别结果，定位用，截取车牌时就不要了，否则车牌上有绿色框，不好看#cv2.rectangle(img, (dist_r[0]+3, dist_r[1]), (dist_r[2]-3, dist_r[3]), (0, 255, 0), 2)#参数格式：cv2.rectangle(image, (x,y), (x+w,y+h), (0,255,0), 2)#一般格式#qichechepai = img[y:y + height, x:x + weight]qichechepai = img[dist_r[1]:dist_r[3], dist_r[0]+3:dist_r[2]-3]#提取车牌，生成车牌图片cv2.imwrite('/home/xgj/Desktop/car911/chepai3.png', qichechepai)cv2.imshow('qichechepaitiqu', qichechepai)cv2.waitKey(0)

6.2 操作和效果图：

6.3 新能源汽车车牌就不适合。

号码底色上白下绿，不适合这种方法

7 侧面车牌定位和提取：

=================

7.1 分类器：下载地址

https://github.com/zeusees/HyperLPR/blob/master/model/cascade.xml  #分类器来自别人，感谢

7.2 代码：

#---第1步：导出模块--import cv2import numpy as np#---第2步：定义侦测函数def detect(image):    # 调用分类器，提前下载好    cascade_path = '/home/xgj/Desktop/car911/cascade.xml'    cascade = cv2.CascadeClassifier(cascade_path)      # 修改图片大小    resize_h = 400    height = image.shape[0]    scale = image.shape[1] / float(height)    image = cv2.resize(image, (int(scale * resize_h), resize_h))    # 转为灰度图    image_gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)    #查找车牌    car_plates = cascade.detectMultiScale(image_gray, 1.1, 2, minSize=(36, 9), maxSize=(36 * 40, 9 * 40))    # print("检测到车牌数", len(car_plates))    #判断    if len(car_plates) > 0:        for car_plate in car_plates:            x, y, w, h = car_plate            #画汽车车牌矩形并截取            qichechepai = image[y-10: y + h + 10, x-10: x + w + 10]             cv2.imshow('plate', qichechepai)  #显示车牌窗口            cv2.imwrite('/home/xgj/Desktop/car911/ccnew.png', qichechepai) #保存提取汽车车牌            #画车牌识别定位框            cv2.rectangle(image, (x - 10, y - 10), (x + w + 10, y + h + 10), (0, 255, 0), 2)    cv2.imshow("image", image) #显示原图上定位并画出识别框    if __name__ == '__main__':    #导入原图    image = cv2.imread('/home/xgj/Desktop/1-chepai-dingwei/fenleiqi/cc.jpeg')     detect(image)    cv2.waitKey(0)    cv2.destroyAllWindows()

7.3 操作和效果图：

7.4 侧面新能源汽车车牌，可以搞定，小bug：

2个识别车牌，提取一个车牌