Opencv学习记录【九】———芯片字符分割、车牌字符分割

车牌识别算法流程

1、分类器（adboost方法）得到含有车牌的rect（或传统的找轮廓方法）
2、颜色阈值，筛选出正确的车牌区域
3、直方图统计，精确定位字符区域
4、字符分割
５、字符识别

本文记录基于直方图像素统计进行芯片字符分割和车牌字符分割，两种场景不同但方法相似。

☞ 芯片字符区域的提取

0 ——mask0 ，基于颜色阈值法＋找轮廓实现；
mask0——mask1，全局矩阵腐蚀算法，定义一个合适大小的矩阵，遍历扫描，扫描到矩阵平均像素值小于一定值，就全部赋值０。
mask1——mask2，边界腐蚀算法，定义一个偏大的矩阵，只扫描四个边界，如果满足平均像素值大于一定值，则赋值０，然后内层扫描都同上一次操作，完成该层后该边界扫描完成。（代码在后面贴出）
mask2——result ，通过边界扫描，确定ｒｏｉ范围。
下面贴出两个腐蚀算法的实现：

#全局腐蚀算法，可优化为边界腐蚀
@jit
def scan_rect(img,w,h,thred):

	deal_img = img.copy()
	#print(deal_img.shape)
	for x in range(0,deal_img.shape[1]-w):
		for y in range(0,deal_img.shape[0]-h):
			#sum_pixels = np.sum(deal_img[x:x+w,y:y+h])
			my_mean = np.mean(deal_img[y:(y+h),x:(x+w)])
		#	print(deal_img[y,x],my_mean)
			if  my_mean < thred:
				img[y:(y+h),x:(x+w)] =  np.zeros(deal_img[y:(y+h),x:(x+w)].shape).copy()
	return  img

#边界腐蚀算法，返回腐蚀好的矩形原图(芯片区域是白色)
#矩阵扫描(大一点)
@jit
def erode_rect(rect,binary,w,thred):

	h = w
	flag_jump = 0
	deal_i