車牌識別流程：
高斯模糊：
車牌識別中利用高斯模糊將圖片平滑化，去除干擾的噪聲對后續圖像處理的影響。
高斯模糊（GaussianBlur()），也叫高斯平滑。
周邊像素的平均值，所謂"模糊"，可以理解成每一個像素都取周邊像素的平均值。
上圖中，2是中間點，周邊點都是1。"中間點"取"周圍點"的平均值，就會變成1。在數值上，這是一種"平滑化"。在圖形上，就相當于產生"模糊"效果，"中間點"失去細節（上圖右）。顯然，計算平均值時，取值范圍越大，"模糊效果"越強烈。
左圖分別是原圖、模糊半徑3像素、模糊半徑10像素的效果。模糊半徑越大，圖像就越模糊。從數值角度看，就是數值越平滑。
接下來的問題就是，既然每個點都要取周邊像素的平均值，那么應該如何分配權重呢？
如果使用簡單平均，顯然不是很合理，因為圖像都是連續的，越靠近的點關系越密切，越遠離的點關系越疏遠。因此，加權平均更合理，距離越近的點權重越大，距離越遠的點權重越小。
OpenCV中函數
void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT)
參數詳解：
src：輸入圖片，可以使是任意通道數，該函數對通道是獨立處理的，但是深度只能是CV_8U, CV_16U, CV_16S, CV_32F or CV_64F.
dst：輸出圖片，和輸入圖片相同大小和深度。
ksize：高斯內核大小。ksize.width和ksize.height允許不相同但他們必須是正奇數。或者等于0，由參數sigma的乘機決定。
sigmaX：高斯內核在X方向的標準方差。
sigmaY：高斯內核在Y方向的標準方差。如果sigmaY為0，他將和sigmaX的值相同，如果他們都為0，那么他們由ksize.width和ksize.height計算得出。
borderType：用于判斷圖像邊界的模式。
1 Mat Gaussian(Mat &img) {2 Mat out;3 GaussianBlur(img, out, Size(3, 3),4 0, 0, BORDER_DEFAULT);5 return out;6 7 }
View Code
原圖：（來自百度）
灰度化：
在車牌識別中我們需要將圖像轉化為灰度圖像，這樣有利于后續步驟的開展，如Soble算子只能作用于灰度圖像。
灰度化，在RGB模型中，如果R=G=B時，則彩色表示一種灰度顏色，其中R=G=B的值叫灰度值，因此，灰度圖像每個像素只需一個字節存放灰度值（又稱強度值、亮度值），灰度范圍為0-255。
Opencv中函數
void cvtColor(InputArray src, OutputArray dst, int code, int dstCn=0 )
參數詳解：
src：輸入圖像：8位無符號的16位無符號（cv_16uc…）或單精度浮點。
dst：的大小和深度src.
code：輸出圖像顏色空間轉換的代碼。
dstCn：目標圖像中的信道數；如果參數為0，則從SRC和代碼自動導出信道的數目。
1 Mat Grayscale(Mat &img) {2 Mat out;3 cvtColor(img, out, CV_RGB2GRAY);4 5 return out;6 }
View Code
Sobel算子（X方向）：
車牌定位的核心算法，水平方向上的邊緣檢測，檢測出車牌區域。
主要用于獲得數字圖像的一階梯度，常見的應用和物理意義是邊緣檢測。在技術上，它是一個離散的一階差分算子，用來計算圖像亮度函數的一階梯度之近似值。在圖像的任何一點使用此算子，將會產生該點對應的梯度矢量或是其法矢量。
該算子包含兩組3x3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。如果以A代表原始圖像，Gx及Gy分別代表經橫向及縱向邊緣檢測的圖像，其公式如下:
圖像的每一個像素的橫向及縱向梯度近似值可用以下的公式結合，來計算梯度的大小。
可用以下公式計算梯度方向。
在以上例子中，如果以上的角度Θ等于零，即代表圖像該處擁有縱向邊緣，左方較右方暗。
OpenCV中函數：
void Sobel(InputArray src, OutputArray dst, int ddepth, int xorder, int yorder, int ksize=3, double scale=1, double delta=0, int borderType=BORDER_DEFAULT )
參數:
src： 源圖像。
dst：相同大小和相同數量的通道的目標圖像。
ddepth：目標圖像的深度。
xorder：階導數的X.
yorder：階導數的Y.
ksize：擴展Sobel算子–大小。它必須是1, 3, 5，或者7。
scale：計算衍生值的可選刻度因子。默認情況下，不應用縮放。看到getderivkernels()詳情。
delta ：可選的delta值，在將它們存儲在DST之前添加到結果中。
bordertype：像素外推方法。
convertScaleAbs()——先縮放元素再取絕對值，最后轉換格式為8bit型。
1 Mat Sobel(Mat &img) { 2 Mat out; 3 Mat grad_x, grad_y; 4 Mat abs_grad_x, abs_grad_y; 5 6 //X方向 7 //Sobel(img, grad_x, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT); 8 //convertScaleAbs(grad_x, abs_grad_x); 9 Sobel(img, img, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT);10 convertScaleAbs(img, out);11 12 //Y方向13 //Sobel(img, grad_y, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT);14 //convertScaleAbs(grad_y, abs_grad_y);15 //convertScaleAbs(img, out);16 17 //合并18 //addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, out);19 20 return out;21 }
View Code
二值化：
進一步對圖像進行處理，強化目標區域，弱化背景。
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，也就是將整個圖像呈現出明顯的只有黑和白的視覺效果。
OpenCV中函數
double threshold(InputArray src, OutputArray dst, double thresh, double maxVal, int thresholdType)
參數:
src：源陣列（單通道，32位浮點8位）。
dst：相同大小和類型的目標數組。
thresh：門限閾值。
Maxval：最大值使用的thresh_binary和thresh_binary_inv閾值類型。
thresholdtype：閾值型，如下。
THRESH_BINARY 當前點值大于閾值時，取Maxval,也就是第四個參數，下面再不說明，否則設置為0
THRESH_BINARY_INV 當前點值大于閾值時，設置為0，否則設置為Maxval
THRESH_TRUNC 當前點值大于閾值時，設置為閾值，否則不改變
THRESH_TOZERO 當前點值大于閾值時，不改變，否則設置為0
THRESH_TOZERO_INV 當前點值大于閾值時，設置為0，否則不改變
1 Mat TwoValued(Mat &img) {2 Mat out;3 threshold(img, out, 0, 255, CV_THRESH_OTSU + CV_THRESH_BINARY);4 //threshold(img, out, 100, 255, CV_THRESH_BINARY);5 6 return out;7 }
View Code
閉操作：
閉操作可以將目標區域連成一個整體，便于后續輪廓的提取。
閉操作可使輪廓線更光滑，但與開操作相反的是，閉操作通常消彌狹窄的間斷和長細的鴻溝，消除小的空洞，并填補輪廓線中的斷裂。
使用結構元素B對集合A進行閉操作，定義為
這個公式表明，使用結構元素B對集合A的閉操作就是用B對A進行膨脹，然后用B對結果進行腐蝕。
OpenCV中函數
void morphologyEx(InputArray src, OutputArray dst, int op, InputArray element, Point anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar& borderValue=morphologyDefaultBorderValue() )
參數:
src：源圖像。
dst：相同大小和類型的目標圖像。
element：內核類型 用getStructuringElement函數得到。
OP：
可以是以下形式之一的形態學操作的類型：
morph_open -開啟操作
morph_close -閉合操作
morph_gradient -形態學梯度
morph_tophat“頂帽”
morph_blackhat -“黑帽”
iterations：侵蝕和膨脹的次數被應用。
bordertype–像素外推方法。
bordervalue–邊界值在一個恒定的邊界情況。默認值有特殊含義。
關注前4個參數即可，后面用默認參數。
1 Mat Close(Mat &img) {2 Mat out;3 //Mat element(5, 5, CV_8U, cv::Scalar(1));4 Mat element = getStructuringElement(MORPH_RECT, Size(17, 5));5 morphologyEx(img, out, cv::MORPH_CLOSE, element);6 7 return out;8 }
View Code
取輪廓：
將前面處理的車牌目標區域提取出來。
相關函數：
查找輪廓：
void findContours(InputOutputArray image, OutputArrayOfArrays contours, OutputArray hierarchy, int mode, int method, Point offset=Point())
image： 輸入的 8-比特、單通道圖像. 非零元素被當成 1， 0 象素值保留為 0 - 從而圖像被看成二值的。為了從灰度圖像中得到這樣的二值圖像，可以使用 cvThreshold, cvAdaptiveThreshold 或 cvCanny. 本函數改變輸入圖像內容。
storage :得到的輪廓的存儲容器
first_contour :輸出參數：包含第一個輸出輪廓的指針
header_size ：如果 method=CV_CHAIN_CODE，則序列頭的大小 >=sizeof(CvChain)，否則 >=sizeof(CvContour) .
mode ：
提取模式.
CV_RETR_EXTERNAL - 只提取最外層的輪廓
CV_RETR_LIST - 提取所有輪廓，并且放置在 list 中
CV_RETR_CCOMP - 提取所有輪廓，并且將其組織為兩層的 hierarchy: 頂層為連通域的外圍邊界，次層為洞的內層邊界。
CV_RETR_TREE - 提取所有輪廓，并且重構嵌套輪廓的全部 hierarchy
method :
逼近方法 (對所有節點, 不包括使用內部逼近的 CV_RETR_RUNS).
CV_CHAIN_CODE - Freeman 鏈碼的輸出輪廓. 其它方法輸出多邊形(定點序列).
CV_CHAIN_APPROX_NONE - 將所有點由鏈碼形式翻譯(轉化）為點序列形式
CV_CHAIN_APPROX_SIMPLE - 壓縮水平、垂直和對角分割，即函數只保留末端的象素點;
CV_CHAIN_APPROX_TC89_L1,
CV_CHAIN_APPROX_TC89_KCOS - 應用 Teh-Chin 鏈逼近算法. CV_LINK_RUNS - 通過連接為 1 的水平碎片使用完全不同的輪廓提取算法。僅有 CV_RETR_LIST 提取模式可以在本方法中應用.
offset :
每一個輪廓點的偏移量. 當輪廓是從圖像 ROI 中提取出來的時候，使用偏移量有用，因為可以從整個圖像上下文來對輪廓做分析.
函數 cvFindContours 從二值圖像中提取輪廓，并且返回提取輪廓的數目。指針 first_contour 的內容由函數填寫。它包含第一個最外層輪廓的指針，如果指針為 NULL，則沒有檢測到輪廓（比如圖像是全黑的）。其它輪廓可以從 first_contour 利用 h_next 和 v_next 鏈接訪問到。 在 cvDrawContours 的樣例顯示如何使用輪廓來進行連通域的檢測。輪廓也可以用來做形狀分析和對象識別 - 見CVPR2001 教程中的 squares 樣例。該教程可以在 SourceForge 網站上找到。
繪制輪廓：
void drawContours(InputOutputArray image, InputArrayOfArrays contours, int contourIdx, const Scalar& color, intthickness=1, int lineType=8, InputArray hierarchy=noArray(), int maxLevel=INT_MAX, Point offset=Point() )
相關參數參考——http://www.opencv.org.cn/opencvd ... urs#cv.DrawContours
漫水填充算法：
int floodFill(InputOutputArray image, Point seed, Scalar newVal, Rect* rect=0, Scalar loDiff=Scalar(), ScalarupDiff=Scalar(), int flags=4 )
相關參數參考——http://www.opencv.org.cn/opencvd ... odfill#cv.FloodFill
|
