聲明 本文暫時禁止任何形式的轉載, 以下示例圖片為了不侵犯個人行駛證隱私，全部做打碼處理。

感想

做了近一個月的圖形圖像識別，從互聯網，書籍上了解了最基礎的圖形圖像知識以及處理知識。對圖形圖像可以說做了基本入門。基礎算法是最重要的！這個為以后調整參數和自己分析圖片幫助都很大。業務需求不一樣，也許用同樣的處理流程，調整不同的參數和邏輯就可以達到目的。目前有個現象，機器學習的人不多，機器學習還被分為例如語音識別，自然語言處理，圖像識別等等，圖像識別又有做各種業務的，所以能碰上業務要求一樣的少之又少。所以互聯網資料甚少，開源能商業用的產品基本不要想，3、4百人的群可能一天都超不多20句技術溝通，作者問問題幾乎得不到回答。底層庫是C/C++所寫，沒有這方面經驗的人看代碼，寫代碼會非常辛苦。這也是該技術門檻高，回報大的所在。因此學習機器學習人首先要有毅力，獨立學習，獨立解決問題，獨立探索，開放性思維，與大家共勉之！

思路分析

一、我們常常會有各種證件來證明自己，比如出生證，護照。那么“行駛證如何證明自己是一張行駛證呢？” 這句話非常繞口，但實際就是這么一回事。隨便一張照片如何判斷是不是行駛證，在實際用戶上傳的照片中，用戶最有可能上傳的就是行駛證照片，本人照片，小貓小狗車照片等三大類。 我們發現行駛證最明顯的特征是，在其最上方明確的寫著“中華人民共和國機動車行駛證”字樣，那么好， 如果照片上有這個字樣，不就說明是一張行駛證了么!
二、因為一張用戶上傳的圖可能會很大，比如1080x720的，再加上是彩色圖，可能都有幾百K，這個識別對人類眼睛來講不會造成很大負擔，你可能0.幾秒就可以判斷出到底是不是行駛證，但對于機器（電腦）來說，他只懂得0和1，如何判斷？我們可以通過對圖片做一系列處理挖掘其特征，分割我們感興趣矩形區域，這樣機器處理起來就相對容易很多了，下面會講。
三、我們判斷一個物體是 太陽？月亮？ 是如何判別呢。是小時候我們還在上幼兒園時，老師指著 ?? = 太陽   ?? = 月亮    也就是圖像+標簽方式。機器就是小時候的我們，他不知道，他需要我們作為老師教授。SVM 支持向量機就是這個原理。我們把認識的過程叫訓練，人類會把這個訓練記在腦海里形成記憶片段，而機器會生成的叫訓練模型，我們取個名字叫《 行駛證判斷模型》 有了這個模型，機器下次看到圖片是 會告訴我們，這到底是不是行駛證。

行駛證特征提取大概流程

1.原圖
2.圖像統一寬度，防止圖片過小，影響現有參數，所以取相同寬度等比縮放
3.圖像濾波(高斯低濾波 也叫高斯模糊)
4.灰度化處理   
5.二值化（局部處理算法）
6.形態學操作 （閉操作）
7.取輪廓
8.去掉邏輯上不符合要求的矩形，做過濾
9.截取感興趣區域并輸出

接下來一步步解釋采用這種方式處理圖片的作用以及效果

原圖展示

image.png

原圖統一寬度

image.png

我設置的是寬度1000px 高度根據圖片的比例自適應，這樣的好處是避免一些圖片極端過大或者過小，影響以后的參數，按理論上講圖片大小不會影響識別率，但是統一尺寸可以讓參數更好調整。舉個例子形態學閉操作的核大小參數如果適應寬度1000px的圖像，如果放在寬度300px的圖像上，那結果完全不是自己想要的。但是如果圖像統一了寬度（或者高度）按比例縮放了，那么參數就容易調整的多。

高斯模糊

image.png

高斯模糊主要是為了去掉圖片上的噪點。噪點是什么呢？ 可以想一下你在馬路上打電話，這個時候周圍環境的車的喇叭聲，周圍人說聲音，小鳥嘰嘰喳喳的叫聲對你聽筒聲音有了干擾，就是噪聲。在相機成像過程中也會出現類似的噪點。
去掉噪點的好處是，忽略了圖片上無用信息，減少了數據量。你可以認為去掉了圖片中你不關心的像素。
具體講解高斯濾波請看阮一峰講的高斯濾波
話說阮大俠講的也不是很清楚，其實濾波分為高低之分，高斯模糊叫高斯低通道濾波才準確的哈。詳細了解濾波知識
代碼

   //! 圖像濾波,處理噪點
    cv::Mat image_filter;
    int k_width = 7;
    int k_height = 7 ;
//    boxFilter(image, image_filter, -1,cv::Size(3,3));//方塊濾波
//    blur(image, image_filter, cv::Size(3, 3));//均值濾波
    GaussianBlur(image, image_filter, cv::Size( k_width, k_height), 0, 0 );//高斯濾波
    if( !image_filter.data ){
        std::cout << "image is not exist" << std::endl;
        return -1 ;
    }
    cv::imwrite(filter_name,image_filter);
    cv::namedWindow("image", CV_WINDOW_AUTOSIZE);
    cv::imshow("image_filter", image_filter);
    cv::waitKey();

k_width、 k_height分別是高斯內核的寬和高，兩個值可以不相等，但必須是正值，奇數。亦可為0

灰度化處理

image.png

圖像的灰度化即是將彩色圖像轉化成為灰度圖像的過程成為圖像的灰度化處理。彩色圖像中的每個像素的顏色有R、G、B三個分量決定，而每個分量有255中值可取，這樣一個像素點可以有1600多萬（255255255）的顏色的變化范圍。而灰度圖像是R、G、B三個分量相同的一種特殊的彩色圖像，其一個像素點的變化范圍為255種，所以在數字圖像處理種一般先將各種格式的圖像轉變成灰度圖像以使后續的圖像的計算量變得少一些。
OpenCV中代碼實現

 //! 轉成灰度圖并展示
    cv::Mat grey;
    cvtColor(image, grey, CV_BGR2GRAY);
    if( !grey.data ){
        std::cout << "image_gary is not exist" << std::endl;
        return -1 ;
    }
    cv::imwrite(grey_name,grey);
    cv::namedWindow("image", CV_WINDOW_AUTOSIZE);
    cv::imshow("image_grey", grey);
    cv::waitKey();

圖片的灰度化的最有利的是顏色變少，數據量變少，提高計算效率。
但黑白圖片的識別率會相應降低。舉個例子，貓有很多品種，如果是彩色圖片你可容易記住它的特征。但是如果是黑白圖片，你下次再見到相同品種的貓時，恐怕你就不太容易辨認了。機器學習一樣的道理。要時刻記住機器學習就是模擬人類的記憶，總結，判斷，推測。

直方圖均衡化 ?

直方圖如果有攝影的朋友肯定會知道，照片的對比度，曝光度，直方圖就是展示了這一關系。直方圖越均衡，像素分布及起伏越均勻則照片的顏色對比和反差越小。
處理后的圖片

image.png

我們來看下代碼

  //! 直方圖均衡化  用這個效果似乎不太好 暫時舍掉
    cv::Mat image_hist;
    equalizeHist(grey,image_hist);
    if( !grey.data ){
        std::cout << "image_hist is not exist" << std::endl;
        return -1 ;
    }
    cv::imwrite(hist_name,image_hist);
    cv::namedWindow("image", CV_WINDOW_AUTOSIZE);
    cv::imshow("image_grey", image_hist);
    cv::waitKey();

經過大量圖片對比，我肉眼發現，很多圖片不用直方圖均衡化處理會更加的好。因為很多人在拍攝照片時，底部背景是黑色車座椅，或者方向盤之類的，總之會導致本來清晰的圖片，整個都變的灰色了。這樣二值化反而不太好。
！！！直方圖均衡化暫時舍掉！！！

二值化

二值化是選定一個像素等級的閾值 0~255之間，圖片只存在0或者255 也就是生產黑白圖，這樣去把圖像的里的物體輪廓展示出來。那么這個閾值到底選擇哪個好呢，有一個現成的算法叫OTSU，它會根據圖像中具體的灰度值選擇一個合理值，處理結果看圖

image.png

但是如果圖片的有光照不均勻如圖

image.png

再經過OSTU算法進行二值化處理會是什么樣子呢？如圖

圖片.png

哇塞，怎么變成這樣了。我的文字區域呢？我一番思考知道原因了，原來二值化做的是全局處理，但是這張圖片正好有光照從圖片上明顯看出分隔，這樣一個閾值就有些不合理了，似乎應該分塊處理，是了，opencv想到這個情況了，提供了局部處理函數，我們來看下整個代碼，包括全局處理的代碼。

 //! 二值化
    int blockSize = 25;
    int constValue = 10;
    cv::Mat image_threshold;
//    cv::threshold(image_hist , image_threshold ,0,255,CV_THRESH_OTSU); //整體二值化
    cv::adaptiveThreshold(grey, image_threshold, 255, CV_ADAPTIVE_THRESH_MEAN_C, CV_THRESH_BINARY_INV, blockSize, constValue);//局部二值化
    cv::imwrite(threshold_name,image_threshold);
    cv::imshow("image_threshold", image_threshold);
    cv::waitKey();

換成局部二值化處理，效果好多了，問題解決。如圖

圖片.png

形態學操作

形態學有諸如 開/閉/頂帽/黑帽/腐蝕/膨脹操作 ，形態學操作的目的是為了使得原本白色區域連成一片的效果，如下：

圖片.png

取輪廓

代碼

vector<vector<Point> > contours;
        findContours(morphology, contours, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE);

我們做了取輪廓操作，同時為了直觀看到效果，我加入了代碼在原圖上畫輪廓，看下效果

image.png

我在原圖上畫出了我們得到的所有矩形，我們想要的頭部帶有“中華人民共和國機動車行駛證”字樣的矩形，那么其他矩形對我們來說就屬于Negative類型圖樣。盡量的在合理邏輯下過濾，這個過濾條件有個度的把握，比如如果就針對這一張圖片，通過Positive圖片面積就能把其他矩形做到完全過濾，但是不同圖片這個矩形幾乎不能一樣，所以這樣你的這個流程意義就不大了。我們的目的是盡可能過濾掉明顯不是Positive的矩形。所以有了下面的過濾參數設置。

 if ( !(1.0 * rect.y > 100 || 1.0 * rect.width * rect.height < 510.0f || rect.x == 0 || rect.y == 0) ) {
                outRects.push_back(rect);
                cv::Mat tempImg;
                zoom(rect).copyTo(tempImg);
                string filename = folder_out + "/"+VLUtil::getFileName(file_path_,false)+"_"+VLUtil::int2str(i) + ".jpg";
                files.push_back(filename);
                imwrite(filename, tempImg);
            }

這段代碼的過濾條件是

1. 矩形的y軸 >100的去掉，我參考了很多張圖片，得出的數據
   2.矩形的寬*高 = 面積 小于510 去掉，去掉了過小的矩形

2. 矩形的開始坐標x,y是0的去掉
   然后就得了相對少的矩形，如圖所示

   
   
   image.png

我們會發現剩下的矩形不多了，其中包含我們想要的特征 - 帶有中華人民共和國機動車行駛證字樣的矩形。OK！非常棒！

這些矩形就是SVM的訓練樣本，請繼續關注下一篇文章，如果做SVM訓練，完成行駛證的識別工作。