北京新浪网站制作公司/广州seo网络营销培训

1、任务描述

基于 python opencv 的连通分量标记和分析函数，分割车牌中的数字、号码、分隔符

• cv2.connectedComponents
• cv2.connectedComponentsWithStats
• cv2.connectedComponentsWithAlgorithm
• cv2.connectedComponentsWithStatsWithAlgorithm

2、代码实现

导入必要的包，加载输入图像，将其转换为灰度，并对其进行二值化处理

# 导入必要的包
import argparse
import cv2# 解析构建的参数解析器
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", default="1.jpeg", help="path to input image")
ap.add_argument("-c", "--connectivity", type=int, default=4, help="connectivity for connected analysis")
args = vars(ap.parse_args())  # 将参数转为字典格式# 加载输入图像，将其转换为灰度，并对其进行阈值处理
image = cv2.imread(args["image"])  # (366, 640, 3)
cv2.imshow("src", image)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imwrite("gray.jpg", gray)thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv2.imshow("threshold", thresh)
cv2.imwrite("threshold.jpg", thresh)

对阈值化后的图像应用连通分量分析

# 对阈值化后的图像应用连通分量分析
output = cv2.connectedComponentsWithStats(thresh, args["connectivity"], cv2.CV_32S)
(numLabels, labels, stats, centroids) = output

cv2.connectedComponentsWithStats 可以结合后面章节的介绍查看

输入图片的尺寸假如是 (366, 640, 3)，看看 cv2.connectedComponentsWithStats 的返回情况

"""
[labels] (366, 640)array([[1, 1, 1, ..., 1, 1, 1],[1, 1, 1, ..., 1, 1, 1],[1, 1, 1, ..., 1, 1, 1],...,[1, 1, 1, ..., 1, 1, 1],[1, 1, 1, ..., 1, 1, 1],[1, 1, 1, ..., 1, 1, 1]], dtype=int32)[state]
array([[    83,     83,    482,    163,  57925],[     0,      0,    640,    366, 155776],[    96,     96,    456,    138,   2817],[   113,    108,     75,    113,   5915],[   194,    119,     52,     90,   2746],[   270,    120,     62,     90,   2260],[   489,    124,     46,     85,   2370],[   344,    126,     29,     82,   1398],[   394,    126,     29,     82,   1397],[   445,    126,     29,     82,   1396],[   253,    149,     17,     18,    240]], dtype=int32)[centroids]
array([[333.22577471, 163.75948209],[317.48520953, 191.81337305],[323.41924033, 174.62051828],[148.71885038, 163.47658495],[219.46686089, 164.00837582],[299.82566372, 161.7420354 ],[512.84767932, 165.38818565],[362.91773963, 161.85479256],[412.91481747, 161.956335  ],[463.91833811, 161.96919771],[261.3125    , 157.22083333]])
"""

注意这里是质心，不是连通区域矩形框的中心

对于 x 方向的质心，图像在质心左右两边像素和相等，y 同理，上下两边像素和相等

遍历每个连通分量，忽略 label = 0 背景，提取当前标签的连通分量统计信息和质心，可视化边界框和当前连通分量的质心

# 遍历每个连通分量
for i in range(0, numLabels):# 0表示的是背景连通分量，忽略if i == 0:text = "examining component {}/{} (background)".format(i + 1, numLabels)# otherwise, we are examining an actual connected componentelse:text = "examining component {}/{}".format(i + 1, numLabels)# 打印当前的状态信息print("[INFO] {}".format(text))# 提取当前标签的连通分量统计信息和质心x = stats[i, cv2.CC_STAT_LEFT]  # 左上角横坐标y = stats[i, cv2.CC_STAT_TOP]  # 左上角纵坐标w = stats[i, cv2.CC_STAT_WIDTH]  # 边界框的宽h = stats[i, cv2.CC_STAT_HEIGHT]  # 边界框的高area = stats[i, cv2.CC_STAT_AREA]  # 边界框的面积(cX, cY) = centroids[i]  # 边界框的质心# 可视化边界框和当前连通分量的质心# clone原始图，在图上画当前连通分量的边界框以及质心output = image.copy()cv2.rectangle(output, (x, y), (x + w, y + h), (0, 255, 0), 3)  # 绿色边界框cv2.circle(output, (int(cX), int(cY)), 4, (0, 0, 255), -1)  # 红色质心# 创建掩码componentMask = (labels == i).astype("uint8") * 255  # 绘制 mask，对应label 置为 255，其余为 0# 显示输出图像和掩码cv2.imshow("Output", output)cv2.imwrite(f"output-{str(i).zfill(3)}.jpg", output)cv2.imshow("Connected Component", componentMask)cv2.imwrite(f"componentMask-{str(i).zfill(3)}.jpg", componentMask)cv2.waitKey(0)

创建掩码的时候比较巧妙 componentMask = (labels == i).astype("uint8") * 255

3、完整代码

# 导入必要的包
import argparse
import cv2# 解析构建的参数解析器
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", default="1.jpeg", help="path to input image")
ap.add_argument("-c", "--connectivity", type=int, default=4, help="connectivity for connected analysis")
args = vars(ap.parse_args())  # 将参数转为字典格式# 加载输入图像，将其转换为灰度，并对其进行阈值处理
image = cv2.imread(args["image"])  # (366, 640, 3)
cv2.imshow("src", image)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imwrite("gray.jpg", gray)thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv2.imshow("threshold", thresh)
cv2.imwrite("threshold.jpg", thresh)# 对阈值化后的图像应用连通分量分析
output = cv2.connectedComponentsWithStats(thresh, args["connectivity"], cv2.CV_32S)
(numLabels, labels, stats, centroids) = output# 遍历每个连通分量
for i in range(0, numLabels):# 0表示的是背景连通分量，忽略if i == 0:text = "examining component {}/{} (background)".format(i + 1, numLabels)# otherwise, we are examining an actual connected componentelse:text = "examining component {}/{}".format(i + 1, numLabels)# 打印当前的状态信息print("[INFO] {}".format(text))# 提取当前标签的连通分量统计信息和质心x = stats[i, cv2.CC_STAT_LEFT]  # 左上角横坐标y = stats[i, cv2.CC_STAT_TOP]  # 左上角纵坐标w = stats[i, cv2.CC_STAT_WIDTH]  # 边界框的宽h = stats[i, cv2.CC_STAT_HEIGHT]  # 边界框的高area = stats[i, cv2.CC_STAT_AREA]  # 边界框的面积(cX, cY) = centroids[i]  # 边界框的质心# 可视化边界框和当前连通分量的质心# clone原始图，在图上画当前连通分量的边界框以及质心output = image.copy()cv2.rectangle(output, (x, y), (x + w, y + h), (0, 255, 0), 3)  # 绿色边界框cv2.circle(output, (int(cX), int(cY)), 4, (0, 0, 255), -1)  # 红色质心# 创建掩码componentMask = (labels == i).astype("uint8") * 255  # 绘制 mask，对应label 置为 255，其余为 0# 显示输出图像和掩码cv2.imshow("Output", output)cv2.imwrite(f"output-{str(i).zfill(3)}.jpg", output)cv2.imshow("Connected Component", componentMask)cv2.imwrite(f"componentMask-{str(i).zfill(3)}.jpg", componentMask)cv2.waitKey(0)

4、结果展示

输入图片

output

[INFO] examining component 1/11 (background)
[INFO] examining component 2/11
[INFO] examining component 3/11
[INFO] examining component 4/11
[INFO] examining component 5/11
[INFO] examining component 6/11
[INFO] examining component 7/11
[INFO] examining component 8/11
[INFO] examining component 9/11
[INFO] examining component 10/11
[INFO] examining component 11/11

灰度图

二值化后的结果

遍历每个连通分量

componentMask0

output0，车牌外矩形轮廓

componentMask1

output1，图像边界的大框

componentMask2

output2，车牌内矩形轮廓

componentMask3

output3，汉字豫

componentMask4

output4，字母 U

componentMask5

output5，字母 V

componentMask6

output6，数字 9

componentMask7

output7，数字 1

componentMask8

output8，数字 1

componentMask9

output9，数字 1

componentMask10

output10，分隔符

总结，配合车牌检测，和 OCR 就能形成一个简略的车牌识别系统 😊

5、涉及到的库函数

cv2.connectedComponentsWithStats 是 OpenCV 库中的一个函数，用于寻找图像中的连通区域，并计算每个连通区域的统计信息。这个函数在处理二值图像时非常有用，可以帮助我们了解图像中不同对象的数量和特征。

一、函数原型

retval, labels, stats, centroids = cv2.connectedComponentsWithStats(image, connectivity=8, ltype=CV_32S)

二、参数说明

• image: 输入图像，应为二值图像（黑白图像），即图像中的每个像素点非黑即白。
• connectivity: 像素的连通性。4 或 8，表示每个像素点与其上下左右（4连通）或上下左右加对角线方向（8连通）的像素点是否视为连通。默认值为 8。
• ltype: 输出标签图像的类型，通常为 cv2.CV_32S。

三、返回值

• retval: 连通区域的数量（包括背景，如果背景被视为一个连通区域的话）。
• labels: 与输入图像同样大小的标签图像，其中每个连通区域被赋予一个唯一的标签值。
• stats: 一个矩阵，包含了每个连通区域的统计信息。对于每个连通区域，矩阵中存储了以下信息：(x, y, width, height, area)，其中 (x, y) 是连通区域的边界框的左上角坐标，width 和 height 是边界框的宽度和高度，area 是连通区域的面积。
• centroids: 连通区域的质心坐标矩阵，每个连通区域有一个对应的 (cx, cy) 坐标。

四、示例

下面是一个简单的使用 cv2.connectedComponentsWithStats 的示例：

import cv2  
import numpy as np  # 读取图像并转换为灰度图像  
image = cv2.imread('example.png', 0)  # 二值化处理（例如，阈值分割）  
_, binary = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)  # 查找连通区域及统计信息  
num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(binary)  # 打印连通区域的数量  
print('Number of connected components:', num_labels)  # 遍历每个连通区域，并打印其统计信息  
for i in range(1, num_labels):  # 注意：背景区域的标签为0，从1开始遍历  x, y, w, h, area = stats[i, 0:5]  print(f'Component {i}: (x, y) = ({x}, {y}), Width = {w}, Height = {h}, Area = {area}')

五、注意事项

• 在处理二值图像时，确保图像已经正确地进行了二值化处理。
• 连通区域的数量（返回值 retval）包括了背景区域，如果背景被视为一个连通区域的话。
• 输出的标签图像 labels 中的每个像素值代表了对应像素点所属的连通区域的标签。

通过 cv2.connectedComponentsWithStats，我们可以方便地获取图像中连通区域的数量和统计信息，这对于图像分析和处理中的许多任务都是非常有用的。

6、参考

• OpenCV 连通分量标记和分析
• https://pyimagesearch.com/2021/02/22/opencv-connected-component-labeling-and-analysis/
• https://docs.opencv.org/4.x/de/d01/samples_2cpp_2connected_components_8cpp-example.html