我在从车牌图像中分割字符时遇到问题。 我应用了以下方法来提取车牌字符”

1. 车牌图像的自适应阈值。
2. 选择具有特定纵横比的轮廓。

如果车牌图像中有任何阴影（如附件中所示），由于二值化不正确，我无法正确分割字符。图像中的阴影合并图像中的相邻字符。

我已经对具有不同窗口大小的图像进行了阈值处理。结果附后。如果图像中有阴影，如何从图像中分割字符？我正在使用 OpenCV。

我在 OpenCV 中使用了以下函数来对车牌图像进行阈值处理：

cvAdaptiveThreshold(licensePlateImg, threshImg, 255, CV_ADAPTIVE_THRESH_GAUSSIAN_C, CV_THRESH_BINARY_INV, wind);

我尝试过不同的窗口大小（wind）和不同的adaptiveMethod (ADAPTIVE_THRESH_MEAN_C and ADAPTIVE_THRESH_GAUSSIAN_C） 获得阈值图像。

在开始之前，我知道您正在寻求 OpenCV C++ 中该算法的实现，但我的算法需要 FFT 和numpy / scipy软件包对此非常棒。因此，我将为您提供 OpenCV 中该算法的实现使用Python反而。该代码实际上与 C++ API 非常相似，您可以轻松地对其进行转录。这样，它可以最大限度地减少我学习（或者更确切地说是重新学习......）API 所需的时间，我宁愿向您提供算法以及我执行此任务所执行的步骤，以免浪费任何时间。

因此，我将向您概述我将要做什么。然后我将向您展示使用的 Python 代码numpy, scipy和 OpenCV 包。作为对使用 MATLAB 的人的奖励，我将向您展示 MATLAB 等效项，并附带 MATLAB 代码！

你能做的就是尝试使用同态过滤 http://en.wikipedia.org/wiki/Homomorphic_filtering。基本上，我们可以用照明和反射率的乘积来表示图像。假设照明是缓慢变化的并且是动态范围的主要贡献者。这本质上是低频内容。反射率代表物体的细节，并假设变化很快。这也是局部对比度的主要贡献者，本质上是高频内容。

该图像可以表示为product这两个。同态过滤尝试并拆分这些组件，然后我们单独过滤它们。完成后，我们将结果合并在一起。由于这是一个乘法模型，因此通常使用log运算，以便我们可以将乘积表示为两项之和。这两项被单独过滤，缩放以强调或弱化它们对图像的贡献，求和，然后取反对数。

阴影是由照明引起的，所以我们能做的就是减少这种阴影对图像的贡献。我们还可以提高反射率，这样我们就可以获得更好的边缘，因为边缘与高频信息相关。

我们通常使用低通滤波器过滤照明，而使用高通滤波器过滤反射率。在本例中，我将选择 sigma 为 10 的高斯核作为低通滤波器。高通滤波器可以通过以下方式获得1并用低通滤波器进行减法。我将图像变换到对数域，然后使用低通和高通滤波器在频域中对图像进行滤波。然后，我缩放低通和高通结果，将这些分量加回去，然后取反对数。该图像现在更适合进行阈值处理，因为图像变化较小。

我所做的额外后处理是对图像进行阈值处理。这些字母比整体背景更暗，因此任何低于特定阈值的像素都将被归类为文本。我选择的阈值是强度 65。之后，我还清除了接触边界的所有像素，然后删除图像中总面积小于 160 (MATLAB) 或 120 (Python) 像素的任何区域。我还裁剪了图像的一些列，因为我们的分析不需要它们。

以下是一些注意事项：

注意事项 #1 - 消除边界

删除接触边框的任何像素是not内置于 OpenCV 中。然而，MATLAB 有一个等效的函数，称为imclearborder http://www.mathworks.com/help/images/ref/imclearborder.html。我将在 MATLAB 代码中使用它，但对于 OpenCV，这是以下算法：

• 找到图像中的所有轮廓
• 对于图像中的每个轮廓，检查是否有任何轮廓像素位于图像的边界内
• 如果有，请标记该轮廓以进行删除
• 对于我们想要删除的每个轮廓，只需将整个轮廓绘制为黑色

我创建了一个名为imclearborder(imgBW, radius)在我的代码中，其中radius是您想要清除边框内的像素数。

注意事项 #2 - 删除特定区域以下的像素区域

删除小于一定数量的任何区域也是如此not在 OpenCV 中实现。在 MATLAB 中，可以方便地使用bwareaopen http://www.mathworks.com/help/images/ref/bwareaopen.html。其基本算法是：

• 找到图像中的所有轮廓
• 如果要填充内部，请分析每个轮廓的区域填充了多少
• 任何小于一定数量的区域，通过用黑色填充内部来清除该轮廓

我创建了一个名为bwareaopen(imgBW)这对我们来说是这样的。

注意事项 #3 - 用于移除像素区域的区域参数

对于 Python 代码，我必须尝试使用​​此参数，最终选择了 120。MATLAB 使用了 160。对于 python，120 去掉了一些字符，这是不希望的。我猜我的实现bwareaopen与 MATLAB 相比是不同的，这可能就是我得到不同结果的原因。

话不多说，这是代码。请注意，我没有使用空间过滤。你可以使用filter2D在 OpenCV 中，并将该图像与高斯核进行卷积，但我没有这样做，因为使用低通和高通滤波器时的同态滤波传统上是在频域中完成的。您可以使用空间过滤来探索这一点，但您还必须知道size事先准备好你的内核。对于频域滤波，您只需要知道滤波器的标准偏差，这只是与两个参数相比的一个参数。

另外，对于 Python 代码，我将您的图像下载到我的计算机上并运行脚本。对于 MATLAB，您可以在使用图像处理工具箱读取图像时直接引用图像的超链接。

Python代码

import cv2 # For OpenCV modules (For Image I/O and Contour Finding)
import numpy as np # For general purpose array manipulation
import scipy.fftpack # For FFT2 

#### imclearborder definition

def imclearborder(imgBW, radius):

    # Given a black and white image, first find all of its contours
    imgBWcopy = imgBW.copy()
    contours,hierarchy = cv2.findContours(imgBWcopy.copy(), cv2.RETR_LIST, 
        cv2.CHAIN_APPROX_SIMPLE)

    # Get dimensions of image
    imgRows = imgBW.shape[0]
    imgCols = imgBW.shape[1]    

    contourList = [] # ID list of contours that touch the border

    # For each contour...
    for idx in np.arange(len(contours)):
        # Get the i'th contour
        cnt = contours[idx]

        # Look at each point in the contour
        for pt in cnt:
            rowCnt = pt[0][1]
            colCnt = pt[0][0]

            # If this is within the radius of the border
            # this contour goes bye bye!
            check1 = (rowCnt >= 0 and rowCnt < radius) or (rowCnt >= imgRows-1-radius and rowCnt < imgRows)
            check2 = (colCnt >= 0 and colCnt < radius) or (colCnt >= imgCols-1-radius and colCnt < imgCols)

            if check1 or check2:
                contourList.append(idx)
                break

    for idx in contourList:
        cv2.drawContours(imgBWcopy, contours, idx, (0,0,0), -1)

    return imgBWcopy

#### bwareaopen definition
def bwareaopen(imgBW, areaPixels):
    # Given a black and white image, first find all of its contours
    imgBWcopy = imgBW.copy()
    contours,hierarchy = cv2.findContours(imgBWcopy.copy(), cv2.RETR_LIST, 
        cv2.CHAIN_APPROX_SIMPLE)

    # For each contour, determine its total occupying area
    for idx in np.arange(len(contours)):
        area = cv2.contourArea(contours[idx])
        if (area >= 0 and area <= areaPixels):
            cv2.drawContours(imgBWcopy, contours, idx, (0,0,0), -1)

    return imgBWcopy

#### Main program

# Read in image
img = cv2.imread('5DnwY.jpg', 0)

# Number of rows and columns
rows = img.shape[0]
cols = img.shape[1]

# Remove some columns from the beginning and end
img = img[:, 59:cols-20]

# Number of rows and columns
rows = img.shape[0]
cols = img.shape[1]

# Convert image to 0 to 1, then do log(1 + I)
imgLog = np.log1p(np.array(img, dtype="float") / 255)

# Create Gaussian mask of sigma = 10
M = 2*rows + 1
N = 2*cols + 1
sigma = 10
(X,Y) = np.meshgrid(np.linspace(0,N-1,N), np.linspace(0,M-1,M))
centerX = np.ceil(N/2)
centerY = np.ceil(M/2)
gaussianNumerator = (X - centerX)**2 + (Y - centerY)**2

# Low pass and high pass filters
Hlow = np.exp(-gaussianNumerator / (2*sigma*sigma))
Hhigh = 1 - Hlow

# Move origin of filters so that it's at the top left corner to
# match with the input image
HlowShift = scipy.fftpack.ifftshift(Hlow.copy())
HhighShift = scipy.fftpack.ifftshift(Hhigh.copy())

# Filter the image and crop
If = scipy.fftpack.fft2(imgLog.copy(), (M,N))
Ioutlow = scipy.real(scipy.fftpack.ifft2(If.copy() * HlowShift, (M,N)))
Iouthigh = scipy.real(scipy.fftpack.ifft2(If.copy() * HhighShift, (M,N)))

# Set scaling factors and add
gamma1 = 0.3
gamma2 = 1.5
Iout = gamma1*Ioutlow[0:rows,0:cols] + gamma2*Iouthigh[0:rows,0:cols]

# Anti-log then rescale to [0,1]
Ihmf = np.expm1(Iout)
Ihmf = (Ihmf - np.min(Ihmf)) / (np.max(Ihmf) - np.min(Ihmf))
Ihmf2 = np.array(255*Ihmf, dtype="uint8")

# Threshold the image - Anything below intensity 65 gets set to white
Ithresh = Ihmf2 < 65
Ithresh = 255*Ithresh.astype("uint8")

# Clear off the border.  Choose a border radius of 5 pixels
Iclear = imclearborder(Ithresh, 5)

# Eliminate regions that have areas below 120 pixels
Iopen = bwareaopen(Iclear, 120)

# Show all images
cv2.imshow('Original Image', img)
cv2.imshow('Homomorphic Filtered Result', Ihmf2)
cv2.imshow('Thresholded Result', Ithresh)
cv2.imshow('Opened Result', Iopen)
cv2.waitKey(0)
cv2.destroyAllWindows()

MATLAB代码

clear all;
close all;

% Read in image
I = imread('https://i.stack.imgur.com/5DnwY.jpg');

% Remove some columns from the beginning and end
I = I(:,60:end-20);

% Cast to double and do log.  We add with 1 to avoid log(0) error.
I = im2double(I);
I = log(1 + I);

% Create Gaussian mask in frequency domain
% We must specify our mask to be twice the size of the image to avoid
% aliasing.
M = 2*size(I,1) + 1;
N = 2*size(I,2) + 1;
sigma = 10;
[X, Y] = meshgrid(1:N,1:M);
centerX = ceil(N/2);
centerY = ceil(M/2);
gaussianNumerator = (X - centerX).^2 + (Y - centerY).^2;

% Low pass and high pass filters
Hlow = exp(-gaussianNumerator./(2*sigma.^2));
Hhigh = 1 - Hlow;

% Move origin of filters so that it's at the top left corner to match with
% input image
Hlow = ifftshift(Hlow);
Hhigh = ifftshift(Hhigh);

% Filter the image, and crop
If = fft2(I, M, N);
Ioutlow = real(ifft2(Hlow .* If));
Iouthigh = real(ifft2(Hhigh .* If));

% Set scaling factors then add
gamma1 = 0.3;
gamma2 = 1.5;
Iout = gamma1*Ioutlow(1:size(I,1),1:size(I,2)) + ...
       gamma2*Iouthigh(1:size(I,1),1:size(I,2));

% Anti-log then rescale to [0,1]
Ihmf = exp(Iout) - 1;
Ihmf = (Ihmf - min(Ihmf(:))) / (max(Ihmf(:)) - min(Ihmf(:)));

% Threshold the image - Anything below intensity 65 gets set to white
Ithresh = Ihmf < 65/255;

% Remove border pixels
Iclear = imclearborder(Ithresh, 8);

% Eliminate regions that have areas below 160 pixels
Iopen = bwareaopen(Iclear, 160);

% Show all of the results
figure;
subplot(4,1,1);
imshow(I);
title('Original Image');
subplot(4,1,2);
imshow(Ihmf);
title('Homomorphic Filtered Result');
subplot(4,1,3);
imshow(Ithresh);
title('Thresholded Result');
subplot(4,1,4);
imshow(Iopen);
title('Opened Result');

这是我得到的结果：

Python

请注意，我重新排列了窗口，使它们在单列中对齐。

MATLAB