目录

试错

1、没有膨胀/膨胀过小：无法连接上单个字符。 

2、膨胀过大：错误连接相邻字符。

一、直方图处理原理

1、横向分割

2、纵向分割

过程：

一、中值滤波、灰度化

二、二值化（统一黑底白字）

三、膨胀处理

四、统计各行各列白色像素个数（为绘制直方图做准备）

五、绘制直方图（横、纵）

六、分割车牌图像

1、横向分割：分割上下边框

1-1、下半图波谷

 1-2、上半图波谷

代码 及效果

2、纵向分割：分割字符

2-0、极大值判断（去除左右两边过大的噪声）

2-1、前谷（前一个波谷）

 2-2、字符开始（上升）

2-3、字符结束

2-4、分割尾部杂质

 2-5、最后的处理：检查收尾情况

 总代码及效果

参考资料

试错

一开始尝试的是形态学提取字符，但发现有些情况是相悖的，会顾此失彼，无法兼顾很多情况。 

1、没有膨胀/膨胀过小：无法连接上单个字符。 

可以看到，一些没有连接上的汉字，轮廓提取就把它们当成了多个字符。

2、膨胀过大：错误连接相邻字符。

给予膨胀之后，膨胀又太大了，虽然同一个字符的不同笔画连接成功，但是又错误地把两个字符连接在了一起。 

        上面的算法感觉很难行得通了，除非借助其他分割算法。下面是优化后的更佳算法，用直方图处理。

一、直方图处理原理

1、横向分割

分割上下边框

        把图像分为上下两部分，根据像素点的个数，找到最小的像素行（最小波谷）。 上半部分的最小波谷作为顶，下半部分的最小波谷作为底。

2、纵向分割

切割字符。

每一个字符前面都一定会有波谷出现，波谷出现再上升的时候，作为字符开始的判断标志。

过程：

一、中值滤波、灰度化

# 1、中值滤波    mid = cv.medianBlur(image, 5)    # 2、灰度化    gray = cv.cvtColor(mid, cv.COLOR_BGR2GRAY)

二、二值化（统一黑底白字）

# 3、二值化    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_OTSU)    # 统一得到黑底白字    if(IsWhiteMore(binary)):     #白色部分多则为真，意味着背景是白色，需要黑底白字        ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_OTSU | cv.THRESH_BINARY_INV)    cv.imshow("binary", binary)

# 得到黑底白字（白色多则返回真）def IsWhiteMore(binary):    white = black = 0    height, width = binary.shape    # 遍历每个像素    for i in range(height):        for j in range(width):            if binary[i,j]==0:                black+=1            else:                white+=1    if white >= black:        return True    else:        return False

三、膨胀处理

 主要就是为了连接像“川”这样的横向不连接的字符。

# 4、膨胀（粘贴横向字符）    kernel = cv.getStructuringElement(cv.MORPH_RECT, (7,1))     #横向连接字符    dilate = cv.dilate(binary, kernel)    cv.imshow("dilate", dilate)

四、统计各行各列白色像素个数（为绘制直方图做准备）

# 5、统计各行各列白色像素个数（为了得到直方图横纵坐标）    ptx, pty = White_Statistic(dilate)

# 二-5、统计白色像素点（分别统计每一行、每一列）def White_Statistic(image):    ptx = []  # 每行白色像素个数    pty = []  # 每列白色像素个数    height, width = image.shape    # 逐行遍历    for i in range(height):        num = 0        for j in range(width):            if(image[i][j]==255):                num = num+1        ptx.append(num)    # 逐列遍历    for i in range(width):        num = 0        for j in range(height):            if (image[j][i] == 255):                num = num + 1        pty.append(num)    return ptx, pty

五、绘制直方图（横、纵）

有了直方图，可以很直观地看出每一行、每一列的像素分布情况。 

# 6、绘制直方图（横、纵）    Draw_Hist(ptx, pty)

# 二-6、绘制直方图def Draw_Hist(ptx, pty):    # 依次得到各行、列    rows, cols = len(ptx), len(pty)    row = [i for i in range(rows)]    col = [j for j in range(cols)]    # 横向直方图    plt.barh(row, ptx, color="black", height=1)    #       纵    横    plt.show()    # 纵向直方图    plt.bar(col, pty, color="black", width=1)    #       横    纵    plt.show()

六、分割车牌图像

# 二-7、分割车牌图像（根据直方图）def Cut_Image(ptx, pty, binary, dilate):    h1 = h2 = 0    #顶  底    begin = False        #标记开始/结束    # 1、依次得到各行、列    rows, cols = len(ptx), len(pty)    row = [i for i in range(rows)]    col = [j for j in range(cols)]    # 2、横向分割：上下边框    h1, h2 = Cut_X(ptx, rows)    # 3、纵向分割：分割字符    Cut_Y(pty, cols, h1, h2, binary)

1、横向分割：分割上下边框

        把图像分为两部分：上半图和下半图，分别找它们的波谷，就可以确定字符上下边缘，进行分割。 

1-1、下半图波谷

在下半图找波谷，确定字符的下边缘。 

# 1、下半图波谷    min, r = 300, 0    for i in range(int(rows / 2)):        if ptx[i] < min:            min = ptx[i]            r = i    h1 = r  # 添加下行（作为顶）

 1-2、上半图波谷

在上半图找波谷，确定字符的上边缘。 

# 2、上半图波谷    min, r = 300, 0    for i in range(int(rows / 2), rows):        if ptx[i] < min:            min = ptx[i]            r = i    h2 = r  # 添加上行（作为底）

代码 及效果

# 2、横向分割：上下边框    h1, h2 = Cut_X(ptx, rows)    cut_x = binary[h1:h2, :]    cv.imshow("cut_x", cut_x)

# 二-7-2、横向分割：上下边框def Cut_X(ptx, rows):    # 横向切割（分为上下两张图，分别找其波谷，确定顶和底）    # 1、下半图波谷    min, r = 300, 0    for i in range(int(rows / 2)):        if ptx[i] < min:            min = ptx[i]            r = i    h1 = r  # 添加下行（作为顶）    # 2、上半图波谷    min, r = 300, 0    for i in range(int(rows / 2), rows):        if ptx[i] < min:            min = ptx[i]            r = i    h2 = r  # 添加上行（作为底）    return h1, h2

 可以看到，上下边框明显得到了适当的切割，尤其是下边框。

2、纵向分割：分割字符

2-0、极大值判断（去除左右两边过大的噪声）

如果在左边或者右边出现极大值（左右按10%计算），则视为噪声，进行处理。

# 0、极大值判断        if pty[j] == max(pty):            if j < 30:  # 左边（跳过）                w2 = j                if begin == True:                    begin = False                continue            elif j > 270:  # 右边（直接收尾）                if begin == True:                    begin = False                w2 = j                b_copy = binary.copy()                b_copy = b_copy[h1:h2, w1:w2]                cv.imshow("binary%d-%d" % (count, con), b_copy)                cv.imwrite("car_characters/image%d-%d.jpg" % (count, con), b_copy)                con += 1                break

2-1、前谷（前一个波谷）

# 1、前谷（前面的波谷）        if pty[j] < 12 and begin == False:  # 前谷判断：像素数量<12            last = pty[j]            w = j

 2-2、字符开始（上升）

# 2、字符开始（上升）        elif last < 12 and pty[j] > 20:            last = pty[j]            w1 = j            begin = True

2-3、字符结束

情景一：单个字符：直接分割（判断语句中过滤掉噪声）

# 3-1、分割并显示（排除过小情况）            if 10 < width < WIDTH + 3:  # 要排除掉干扰，又不能过滤掉字符”1“                b_copy = binary.copy()                b_copy = b_copy[h1:h2, w1:w2]                cv.imshow("binary%d-%d" % (count, con), b_copy)                cv.imwrite("car_characters/image%d-%d.jpg" % (count, con), b_copy)                con += 1

情景二：多个字符：从多字符中分割单字符

# 3-2、从多个贴合字符中提取单个字符            elif width >= WIDTH + 3:                # 统计贴合字符个数                num = int(width / WIDTH + 0.5)  # 四舍五入                for k in range(num):                    # w1和w2坐标向后移（用w3、w4代替w1和w2）                    w3 = w1 + k * WIDTH                    w4 = w1 + (k + 1) * WIDTH                    b_copy = binary.copy()                    b_copy = b_copy[h1:h2, w3:w4]                    cv.imshow("binary%d-%d" % (count, con), b_copy)                    cv.imwrite("car_characters/image%d-%d.jpg" % (count, con), b_copy)                    con += 1

2-4、分割尾部杂质

由于车牌提取的时候没处理好，导致车牌尾部有些许杂质 。

# 4、分割尾部噪声（距离过远默认没有字符了）        elif begin == False and (j - w2) > 30:            break

 2-5、最后的处理：检查收尾情况

 如果最后没有下降沿（波谷），那么它就不会判断为字符，那么可能会遗漏掉最后一个字符。所以我们进行一个收尾的操作。

# 最后检查收尾情况    if begin == True:        w2 = 295        b_copy = binary.copy()        b_copy = b_copy[h1:h2, w1:w2]        cv.imshow("binary%d-%d" % (count, con), b_copy)        cv.imwrite("car_characters/image%d-%d.jpg" % (count, con), b_copy)

 总代码及效果

# 车牌识别import cv2 as cvimport numpy as npimport osfrom matplotlib import pyplot as plt# 得到黑底白字（白色多则返回真）def IsWhiteMore(binary):    white = black = 0    height, width = binary.shape    # 遍历每个像素    for i in range(height):        for j in range(width):            if binary[i,j]==0:                black+=1            else:                white+=1    if white >= black:        return True    else:        return False# 限制图像大小（车牌）def Limit(image):    height, width, channel = image.shape    # 设置权重    weight = width/300    # 计算输出图像的宽和高    last_width = int(width/weight)    last_height = int(height/weight)    image = cv.resize(image, (last_width, last_height))    return image# 二-5、统计白色像素点（分别统计每一行、每一列）def White_Statistic(image):    ptx = []  # 每行白色像素个数    pty = []  # 每列白色像素个数    height, width = image.shape    # 逐行遍历    for i in range(height):        num = 0        for j in range(width):            if(image[i][j]==255):                num = num+1        ptx.append(num)    # 逐列遍历    for i in range(width):        num = 0        for j in range(height):            if (image[j][i] == 255):                num = num + 1        pty.append(num)    return ptx, pty# 二-6、绘制直方图def Draw_Hist(ptx, pty):    # 依次得到各行、列    rows, cols = len(ptx), len(pty)    row = [i for i in range(rows)]    col = [j for j in range(cols)]    # 横向直方图    plt.barh(row, ptx, color="black", height=1)    #       纵    横    plt.show()    # 纵向直方图    plt.bar(col, pty, color="black", width=1)    #       横    纵    plt.show()# 二-7-2、横向分割：上下边框def Cut_X(ptx, rows):    # 横向切割（分为上下两张图，分别找其波谷，确定顶和底）    # 1、下半图波谷    min, r = 300, 0    for i in range(int(rows / 2)):        if ptx[i] < min:            min = ptx[i]            r = i    h1 = r  # 添加下行（作为顶）    # 2、上半图波谷    min, r = 300, 0    for i in range(int(rows / 2), rows):        if ptx[i] < min:            min = ptx[i]            r = i    h2 = r  # 添加上行（作为底）    return h1, h2# 二-7-3、纵向分割：分割字符def Cut_Y(pty, cols, h1, h2, binary):    WIDTH = 32          # 经过测试，一个字符宽度约为32    w = w1 = w2 = 0     # 前谷 字符开始 字符结束    begin = False       # 字符开始标记    last = 10           # 上一次的值    con = 0             # 计数    # 纵向切割（正式切割字符）    for j in range(int(cols)):        # 0、极大值判断        if pty[j] == max(pty):            if j < 30:  # 左边（跳过）                w2 = j                if begin == True:                    begin = False                continue            elif j > 270:  # 右边（直接收尾）                if begin == True:                    begin = False                w2 = j                b_copy = binary.copy()                b_copy = b_copy[h1:h2, w1:w2]                cv.imshow("binary%d-%d" % (count, con), b_copy)                cv.imwrite("car_characters/image%d-%d.jpg" % (count, con), b_copy)                con += 1                break        # 1、前谷（前面的波谷）        if pty[j] < 12 and begin == False:  # 前谷判断：像素数量<12            last = pty[j]            w = j        # 2、字符开始（上升）        elif last < 12 and pty[j] > 20:            last = pty[j]            w1 = j            begin = True        # 3、字符结束        elif pty[j] < 13 and begin == True:            begin = False            last = pty[j]            w2 = j            width = w2 - w1            # 3-1、分割并显示（排除过小情况）            if 10 < width < WIDTH + 3:  # 要排除掉干扰，又不能过滤掉字符”1“                b_copy = binary.copy()                b_copy = b_copy[h1:h2, w1:w2]                cv.imshow("binary%d-%d" % (count, con), b_copy)                cv.imwrite("car_characters/image%d-%d.jpg" % (count, con), b_copy)                con += 1            # 3-2、从多个贴合字符中提取单个字符            elif width >= WIDTH + 3:                # 统计贴合字符个数                num = int(width / WIDTH + 0.5)  # 四舍五入                for k in range(num):                    # w1和w2坐标向后移（用w3、w4代替w1和w2）                    w3 = w1 + k * WIDTH                    w4 = w1 + (k + 1) * WIDTH                    b_copy = binary.copy()                    b_copy = b_copy[h1:h2, w3:w4]                    cv.imshow("binary%d-%d" % (count, con), b_copy)                    cv.imwrite("car_characters/image%d-%d.jpg" % (count, con), b_copy)                    con += 1        # 4、分割尾部噪声（距离过远默认没有字符了）        elif begin == False and (j - w2) > 30:            break    # 最后检查收尾情况    if begin == True:        w2 = 295        b_copy = binary.copy()        b_copy = b_copy[h1:h2, w1:w2]        cv.imshow("binary%d-%d" % (count, con), b_copy)        cv.imwrite("car_characters/image%d-%d.jpg" % (count, con), b_copy)# 二-7、分割车牌图像（根据直方图）def Cut_Image(ptx, pty, binary, dilate):    h1 = h2 = 0    #顶  底    begin = False        #标记开始/结束    # 1、依次得到各行、列    rows, cols = len(ptx), len(pty)    row = [i for i in range(rows)]    col = [j for j in range(cols)]    # 2、横向分割：上下边框    h1, h2 = Cut_X(ptx, rows)    # cut_x = binary[h1:h2, :]    # cv.imshow("cut_x", cut_x)    # 3、纵向分割：分割字符    Cut_Y(pty, cols, h1, h2, binary)# 一、形态学提取车牌def Get_Licenses(image):    # 1、转灰度图    gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY)    # cv.imshow("gray", gray)    # 2、顶帽运算    # 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方向边缘（揉成一坨）    y = cv.Sobel(tophat, cv.CV_16S, 1,     0)    absY = cv.convertScaleAbs(y)    # cv.imshow("absY", absY)    # 4、自适应二值化（阈值自己可调）    ret, binary = cv.threshold(absY, 75, 255, cv.THRESH_BINARY)    # cv.imshow("binary", binary)    # 5、开运算分割（纵向去噪，分隔）    kernel = cv.getStructuringElement(cv.MORPH_RECT, (1, 15))    Open = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel)    # cv.imshow("Open", Open)    # 6、闭运算合并，把图像闭合、揉团，使图像区域化，便于找到车牌区域，进而得到轮廓    kernel = cv.getStructuringElement(cv.MORPH_RECT, (41, 15))    close = cv.morphologyEx(Open, cv.MORPH_CLOSE, kernel)    # cv.imshow("close", close)    # 7、膨胀/腐蚀（去噪得到车牌区域）    # 中远距离车牌识别    kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (25, 7))    kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 11))    # 近距离车牌识别    # kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (79, 15))    # kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 31))    # 7-1、腐蚀、膨胀（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、膨胀、腐蚀（连接）（二次缝合）    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、腐蚀、膨胀：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、获取外轮廓    img_copy = image.copy()    # 9-1、得到轮廓    contours, hierarchy = cv.findContours(dilate, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)    # 9-2、画出轮廓并显示    cv.drawContours(img_copy, contours, -1, (255, 0, 255), 2)    # cv.imshow("Contours", img_copy)    # 10、遍历所有轮廓，找到车牌轮廓    i = 0    for contour in contours:        # 10-1、得到矩形区域：左顶点坐标、宽和高        rect = cv.boundingRect(contour)        # 10-2、判断宽高比例是否符合车牌标准，截取符合图片        if rect[2]>rect[3]*3 and rect[2]