首页 - 技术栈

慈溪做无痛同济 amp 网站凡科免费网站能用吗

作者: 五速梦信息网
时间: 2026年03月21日 11:31

当前位置：首页 > news >正文

慈溪做无痛同济 amp 网站,凡科免费网站能用吗,高端的程序开发,知名网站的org域名文章目录 1、任务描述2、代码实现3、完整代码4、结果展示5、涉及到的库函数6、参考 1、任务描述基于 python opencv 的连通分量标记和分析函数#xff0c;分割车牌中的数字、号码、分隔符 cv2.connectedComponentscv2.connectedComponentsWithStatscv2.connectedComponents… 文章目录 1、任务描述2、代码实现3、完整代码4、结果展示5、涉及到的库函数6、参考 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.connectedComponentscv2.connectedComponentsWithStatscv2.connectedComponentsWithAlgorithmcv2.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

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) outputcv2.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 labelsarray([[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]], dtypeint32)[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]], dtypeint32)[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(foutput-{str(i).zfill(3)}.jpg, output)cv2.imshow(Connected Component, componentMask)cv2.imwrite(fcomponentMask-{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, default1.jpeg, helppath to input image) ap.add_argument(-c, –connectivity, typeint, default4, helpconnectivity 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(foutput-{str(i).zfill(3)}.jpg, output)cv2.imshow(Connected Component, componentMask)cv2.imwrite(fcomponentMask-{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, connectivity8, ltypeCV_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(fComponent {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