import cv2 import numpy as np import os def find_license_plate_and_cluster(image_path, k=2): """ 自动定位图像中的车牌，并使用K-means聚类分割车牌区域。 Args: image_path (str): 输入图像的文件路径。 k (int): K-means聚类的簇数 (默认为2)。 Returns: tuple: 包含以下元素的元组: - original_image (numpy.ndarray): 带有定位框的原始图像。 - license_plate_roi (numpy.ndarray): 提取出的车牌区域图像 (如果找到)。 - segmented_plate (numpy.ndarray): K-means聚类分割后的车牌图像 (如果找到)。 - None, None, None: 如果未找到车牌。 """ # --- 1. 读取图像 --- img = cv2.imread(image_path) if img is None: print(f"错误：无法加载图像: {image_path}") return None, None, None original_image_with_box = img.copy() # 用于绘制最终结果 # --- 2. 车牌定位 (基于颜色和轮廓) --- # 转换为HSV色彩空间，更容易分离颜色 hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 定义中国车牌蓝色的大致范围 (HSV) # 这些值可能需要根据实际光照和车牌情况微调 # H: 100-130, S: 40-255, V: 40-255 lower_blue = np.array([100, 40, 40]) upper_blue = np.array([130, 255, 255]) # 创建蓝色的掩码 mask = cv2.inRange(hsv, lower_blue, upper_blue) # (可选) 形态学操作去除小的噪点或连接断开的区域 kernel = np.ones((3, 3), np.uint8) mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=1) # 去除小噪点 # mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=2) # 填充小的空洞 # 查找轮廓 contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) possible_plates = [] min_area = 500 # 车牌区域最小面积阈值 max_area = 30000 # 车牌区域最大面积阈值 min_aspect_ratio = 2.0 # 车牌最小宽高比 max_aspect_ratio = 5.0 # 车牌最大宽高比 for contour in contours: area = cv2.contourArea(contour) if area > min_area and area < max_area: x, y, w, h = cv2.boundingRect(contour) aspect_ratio = float(w) / h # 检查宽高比是否在合理范围内 if aspect_ratio > min_aspect_ratio and aspect_ratio < max_aspect_ratio: # 计算轮廓面积与边界矩形面积的比率，进一步筛选 rect_area = w * h extent = float(area) / rect_area if extent > 0.6: # 过滤掉过于空心的矩形 possible_plates.append((x, y, w, h)) # 在原始图上画出候选框（调试用，可选） # cv2.rectangle(original_image_with_box, (x, y), (x + w, y + h), (0, 255, 0), 2) # 假设最大的候选区域是车牌 (这是一种简化假设，可能需要更复杂的逻辑) best_plate_rect = None if possible_plates: # 可以根据面积、位置等选择最佳候选，这里简单选择第一个找到的或面积最大的 # 按面积降序排序 possible_plates.sort(key=lambda p: p[2] * p[3], reverse=True) best_plate_rect = possible_plates[0] # 选择面积最大的 if best_plate_rect is None: print("未检测到可能的车牌区域。") return original_image_with_box, None, None # --- 3. 提取车牌 ROI --- x, y, w, h = best_plate_rect # 可以稍微扩大一点边界，避免切到字符 padding = 2 x_start = max(0, x - padding) y_start = max(0, y - padding) x_end = min(img.shape[1], x + w + padding) y_end = min(img.shape[0], y + h + padding) license_plate_roi = img[y_start:y_end, x_start:x_end] if license_plate_roi.size == 0: print("提取的车牌区域为空。") return original_image_with_box, None, None # 在原始图像上绘制最终定位框 cv2.rectangle( original_image_with_box, (x_start, y_start), (x_end, y_end), (0, 0, 255), 2 ) # --- 4. 对车牌区域进行 K-means 聚类分割 (K=2) --- # 将图像数据转换为 K-means 需要的格式 (n_samples, n_features) # n_samples 是像素总数, n_features 是 3 (BGR) pixel_values = license_plate_roi.reshape((-1, 3)) # 转换为 float32 类型 pixel_values = np.float32(pixel_values) # 定义 K-means 终止条件 # (type, max_iter, epsilon) criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.2) # 执行 K-means 聚类 compactness, labels, centers = cv2.kmeans( pixel_values, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS ) # 将中心点颜色转换为 uint8 centers = np.uint8(centers) # 将每个像素映射到其对应的中心点颜色 segmented_data = centers[labels.flatten()] # 将数据重塑回原始图像的形状 segmented_plate = segmented_data.reshape(license_plate_roi.shape) # 检查聚类结果的颜色，确保大致是蓝色和白色 # 可以通过计算两个中心点的颜色来判断 color1 = centers[0] color2 = centers[1] # 简单判断：哪个更像蓝色 (B分量大，R/G分量相对小) # 注意：这只是一个粗略的检查，实际颜色可能因光照变化很大 is_blue_white = False if (color1[0] > 100 and color1[1] < 150 and color1[2] < 150) or ( color2[0] > 100 and color2[1] < 150 and color2[2] < 150 ): if (color1[0] > 150 and color1[1] > 150 and color1[2] > 150) or ( color2[0] > 150 and color2[1] > 150 and color2[2] > 150 ): is_blue_white = True print(f"聚类中心颜色 (BGR): {centers.tolist()}") if is_blue_white: print("聚类结果大致分离为蓝色和白色系。") else: print("警告：聚类结果的颜色可能不是预期的蓝色和白色。") return original_image_with_box, license_plate_roi, segmented_plate # --- 主程序 --- if __name__ == "__main__": image_file = "T2.png" # 使用您上传的文件名 if not os.path.exists(image_file): print(f"错误: 文件 '{image_file}' 不存在。请确保文件路径正确。") else: # 执行处理 original_with_box, plate_roi, segmented_result = find_license_plate_and_cluster( image_file, k=2 ) # 显示结果 if plate_roi is not None and segmented_result is not None: cv2.imshow("Original", original_with_box) cv2.imshow("Extracted", plate_roi) cv2.imshow("Segmented", segmented_result) print("\n按任意键关闭所有窗口...") cv2.waitKey(0) cv2.destroyAllWindows() elif original_with_box is not None: cv2.imshow("Original Image (Plate not found)", original_with_box) print("\n按任意键关闭窗口...") cv2.waitKey(0) cv2.destroyAllWindows()