图像预处理

图像预处理
将拍摄到的原始图像预处理为识别的图像，这个阶段需要对原始图像中的数字物体进行定位、切割等操作。
import cv2
import numpy as np
import sys
import os
def position(pic):
arr = []

  # 复制图像，防止图像被更改
  img = pic.copy()
  # 将RGB转换为HSV
  img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
  lower_red = np.array([20, 43, 46])
  upper_red = np.array([40, 255, 255])
  # 获取每一个像素点的HSV值，将黄色像素点转换为黑色像素点，其余为白色
  img = cv2.inRange(img_hsv, lower_red, upper_red)
  ret, img=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
  # 进行闭操作
  kenel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 5))
  close = cv2.morphologyEx(img, cv2.MORPH_OPEN, kenel, iterations=1)
  # 查找轮廓，只检查外轮廓
  binary,contours,hierarchy = cv2.findContours(\
         close, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  for i in range(len(contours)):
         cnt = contours[i]
         # 计算该轮廓的面积
         area = cv2.contourArea(cnt)
         # 面积小的都筛选掉
         if (area < 1800):
                continue
         # 轮廓近似，作用很小
         epsilon = 0.001 * cv2.arcLength(cnt, True)
         approx = cv2.approxPolyDP(cnt, epsilon, True)
         # 找到最小的矩形
         rect = cv2.minAreaRect(cnt)
         # box是4个点的坐标
         box = cv2.boxPoints(rect)
         box = np.int0(box)
         # 计算高和宽
         height = abs(box[0][1] - box[2][1])
         width = abs(box[0][0] - box[2][0])
         # 物体正常情况下的长宽比在0.5～1.5之间
         ratio =float(width) / float(height)
         if (ratio > 1.5 or ratio < 0.5):
                continue
         # 得到上、下边的坐标
         box = cv2.boxPoints(rect)
         box = np.int0(box)
         ys = [box[0, 1], box[1, 1], box[2, 1], box[3, 1]]
         xs = [box[0, 0], box[1, 0], box[2, 0], box[3, 0]]
         ys_sorted_index = np.argsort(ys)
         xs_sorted_index = np.argsort(xs)
         if box[xs_sorted_index[0], 0] > 0:
               x1 = box[xs_sorted_index[0], 0]
         else:
               x1 = 0
         if box[xs_sorted_index[3], 0] > 0:
               x2 = box[xs_sorted_index[3], 0]
         else:
               x2 = 0
         if box[ys_sorted_index[0], 1] > 0:
               y1 = box[ys_sorted_index[0], 1]
         else:
               y1 = 0
         if box[ys_sorted_index[3], 1] > 0:
               y2 = box[ys_sorted_index[3], 1]
         else:
               y2 = 0
         img_plate = binary[y1:y2, x1:x2]
         arr.append(y1)
         arr.append(y2)
         arr.append(x1)
         arr.append(x2)
  return arr

得到4个物体在原始图像上的坐标后，将切割后的图像放入神经网络中就可以开始预测过程。