OpenCV——总结《车牌识别》之《常用的函数介绍》

1.

cv2.getStructuringElement(cv2.MORPH_RECT, (10, 10))

element = cv2.getStructuringElement(shape, ksize[, anchor])

用于创建形态学操作的结构元素（structuring element）。

参数解释：

shape：结构元素的形状，可以是以下值之一：
cv2.MORPH_RECT：矩形结构元素。
cv2.MORPH_CROSS：十字形结构元素。
cv2.MORPH_ELLIPSE：椭圆形结构元素。

ksize：结构元素的尺寸，表示结构元素的宽度和高度。可以是一个整数，表示正方形结构元素的边长；或者是一个元组 (width, height)，表示矩形结构元素的宽度和高度。

anchor：可选参数，表示结构元素的锚点位置，默认为 (-1, -1)，表示将锚点设置在结构元素的中心位置。
返回值：

element：创建的结构元素，可以用于形态学操作（如膨胀、腐蚀、开运算、闭运算等）。

2.

cv2.morphologyEx(img_edge, cv2.MORPH_CLOSE, kernel)#进行闭运算，sd。首先进行膨胀后进行腐蚀操作，去除白色中的黑色点。

dst = cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])

形态学操作函数之一，用于对图像进行形态学运算。

参数解释：

src：输入图像，可以是单通道（灰度图）或多通道（彩色图）。
op：形态学操作类型，可以是以下值之一：
cv2.MORPH_ERODE：腐蚀操作。
cv2.MORPH_DILATE：膨胀操作。
cv2.MORPH_OPEN：开运算（先腐蚀后膨胀）。
cv2.MORPH_CLOSE：闭运算（先膨胀后腐蚀）。
cv2.MORPH_GRADIENT：形态学梯度（膨胀图像与腐蚀图像的差异）。
cv2.MORPH_TOPHAT：顶帽运算（原始图像与开运算结果的差异）。
cv2.MORPH_BLACKHAT：黑帽运算（闭运算结果与原始图像的差异）。
kernel：结构元素（kernel）用于指定形态学操作的范围和形状。

dst：可选参数，输出图像，与输入图像具有相同的大小和通道数。

anchor：可选参数，锚点位置，默认为 (-1, -1)，表示将锚点设置在结构元素的中心位置。

iterations：可选参数，指定形态学操作的迭代次数，默认为 1。

borderType：可选参数，边界扩充类型，默认为 cv2.BORDER_CONSTANT。

borderValue：可选参数，边界填充值，默认为 0。
返回值：

dst：形态学操作的结果图像。

3.

cv2.threshold(img_opening, 0, 255, cv2.THRESH_BINARY)#可以理解为简单滤波

ret, thresh = cv2.threshold(src, thresh, maxval, type[, dst])

用于将图像进行二值化处理。
参数解释：

src：输入的图像，通常为灰度图像（单通道图像）。
thresh：阈值，用于将图像的像素值与该阈值进行比较。
maxval：当像素值大于阈值时，设置的像素值。
type：二值化类型，指定了如何将像素值与阈值进行比较和赋值。常用的类型有：
cv2.THRESH_BINARY：大于阈值的像素值设置为 maxval，小于等于阈值的像素值设置为 0。
cv2.THRESH_BINARY_INV：大于阈值的像素值设置为 0，小于等于阈值的像素值设置为 maxval。
cv2.THRESH_TRUNC：大于阈值的像素值设置为阈值，小于等于阈值的像素值保持不变。
cv2.THRESH_TOZERO：大于阈值的像素值保持不变，小于等于阈值的像素值设置为 0。
cv2.THRESH_TOZERO_INV：大于阈值的像素值设置为 0，小于等于阈值的像素值保持不变。
dst：可选参数，输出的二值化图像，与输入图像 src 的大小和类型相同。
返回值：

ret：计算得到的阈值。
thresh：二值化后的图像。
例子代码

import cv2

# 读取灰度图像
image = cv2.imread('image.jpg', 0)

# 进行二值化处理
ret, thresh = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)

# 显示原图和二值化图像
cv2.imshow('Original Image', image)
cv2.imshow('Thresholded Image', thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.

# 查找图像边缘整体形成的矩形区域，可能有很多，车牌就在其中一个矩形区域中
contours, hierarchy = cv2.findContours(img_edge2, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

contours, hierarchy = cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]])

参数解释：

image：输入图像，通常为二值图像（黑白图像）。
mode：轮廓检索模式，定义了轮廓的层次结构。常见的取值有：
cv2.RETR_EXTERNAL：仅检测外部轮廓。
cv2.RETR_LIST：检测所有轮廓，不建立层次关系。
cv2.RETR_CCOMP：检测所有轮廓，建立两层层次关系。
cv2.RETR_TREE：检测所有轮廓，建立完整的层次结构。
method：轮廓近似方法，用于压缩轮廓。常见的取值有：
cv2.CHAIN_APPROX_NONE：存储所有的轮廓点。
cv2.CHAIN_APPROX_SIMPLE：仅存储轮廓的端点。
cv2.CHAIN_APPROX_TC89_L1：使用 Teh-Chin 链逼近算法。
cv2.CHAIN_APPROX_TC89_KCOS：使用 Teh-Chin 链逼近算法。
contours：可选参数，检测到的轮廓列表。
hierarchy：可选参数，轮廓层次结构。
返回值：

contours：检测到的轮廓列表。
hierarchy：轮廓的层次结构，每个轮廓对应四个整数 [Next, Previous, First_Child, Parent]。
这个是contours返回的值的内容。

5.

for c in contours:
    x, y, w, h = cv2.boundingRect(c)#这个函数就是用来返回值使用的。

x, y, w, h = cv2.boundingRect(contour)

函数用于计算轮廓的边界矩形，即给出包围轮廓的最小矩形框。
参数解释：

contour：输入的轮廓。
返回值：

x：边界矩形左上角点的 x 坐标。
y：边界矩形左上角点的 y 坐标。
w：边界矩形的宽度。
h：边界矩形的高度。
使用 cv2.boundingRect() 函数可以获取轮廓的边界矩形信息，包括左上角点的坐标 (x, y) 以及矩形的宽度 w 和高度 h。这些信息可以用于进一步分析和处理轮廓，例如在图像中绘制边界矩形或提取矩形区域内的图像内容。在这里能够找到车牌的信息。

6.

rect = cv2.minAreaRect(c)

retval, box = cv2.minAreaRect(points)

用于计算给定点集的最小外接矩形。最小外接矩形是能够完全包围点集并且具有最小面积的矩形。

参数解释：

points：要计算最小外接矩形的输入点集，可以是一个 Numpy 数组或者一个包含点的 Python 列表。
retval：返回值，表示最小外接矩形的相关信息。通常不会使用到该返回值。
box：最小外接矩形的信息，返回一个 ((center_x, center_y), (width, height), angle) 的元组，其中：
(center_x, center_y)：最小外接矩形的中心点坐标。
(width, height)：最小外接矩形的宽度和高度。
angle：最小外接矩形相对于水平方向的旋转角度。
例子

import cv2
import numpy as np

# 定义一个点集
points = np.array([[100, 50], [200, 100], [150, 200], [50, 150]], dtype=np.int32)

# 计算最小外接矩形
retval, box = cv2.minAreaRect(points)

# 提取最小外接矩形的信息
center, size, angle = box
width, height = size

# 在图像上绘制最小外接矩形
rect_points = cv2.boxPoints(box).astype(np.int32)
cv2.drawContours(image, [rect_points], 0, (0, 255, 0), 2)

# 显示图像
cv2.imshow("Image", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

7.

area = cv2.contourArea(contour)

用于计算给定轮廓的面积。轮廓是由一系列连续的点组成的闭合曲线。

参数解释：

contour：要计算面积的轮廓，可以是一个包含点的 Numpy 数组。
返回值：

area：轮廓的面积，以像素为单位。
代码

import cv2
import numpy as np

# 读取图像并进行灰度化和二值化处理
image = cv2.imread("image.jpg")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 寻找轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 计算轮廓的面积
for contour in contours:
    area = cv2.contourArea(contour)
    print("Contour Area:", area)

# 绘制轮廓
cv2.drawContours(image, contours, -1, (0, 255, 0), 2)

# 显示图像
cv2.imshow("Image", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

9.

points = cv2.boxPoints(box)

参数解释：

box：输入的旋转矩形，可以通过 cv2.minAreaRect() 函数计算得到。
返回值：

points：旋转矩形的四个角点坐标，返回的是一个包含四个坐标点的 Numpy 数组。
示例用法：

import cv2

# 创建一个旋转矩形
center = (100, 100)
size = (200, 100)
angle = 30
rect = (center, size, angle)

# 计算旋转矩形的四个角点坐标
points = cv2.boxPoints(rect)
print("Points:", points)

# 将浮点型坐标点转换为整数型
points = np.int0(points)

# 绘制旋转矩形
image = np.zeros((200, 200), dtype=np.uint8)
cv2.drawContours(image, [points], 0, 255, 2)

# 显示图像
cv2.imshow("Image", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.boxPoints() 函数的输入参数是一个旋转矩形，该旋转矩形可以通过 cv2.minAreaRect() 函数计算得到。cv2.boxPoints() 函数返回的角点坐标是按照顺时针方向排列的。

10.

cv2.drawContours() 和 cv2.rectangle() 是 OpenCV 中用于绘制轮廓和矩形的函数，它们之间有以下区别：

绘制对象：

cv2.drawContours(image, contours, contourIdx, color, thickness) 用于绘制轮廓，其中 image 是要在其上绘制轮廓的图像，contours 是轮廓的列表或数组，contourIdx 是要绘制的轮廓索引（-1 表示绘制所有轮廓），color 是轮廓的颜色，thickness 是轮廓的线宽度。
cv2.rectangle(image, pt1, pt2, color, thickness) 用于绘制矩形，其中 image 是要在其上绘制矩形的图像，pt1 是矩形的左上角坐标，pt2 是矩形的右下角坐标，color 是矩形的颜色，thickness 是矩形的边框线宽度。
使用场景：

cv2.drawContours() 适用于绘制复杂的轮廓，可以绘制闭合的和非闭合的轮廓，可以选择绘制单个轮廓或多个轮廓，常用于轮廓检测和分析。
cv2.rectangle() 适用于绘制简单的矩形，绘制的矩形是一个闭合的四边形，常用于标记和定位目标区域。
总结：cv2.drawContours() 用于绘制轮廓，而 cv2.rectangle() 用于绘制矩形。它们的主要区别在于绘制的对象不同，cv2.drawContours() 可以绘制任意形状的轮廓，而 cv2.rectangle() 绘制的是矩形。