车牌字符分割时出现额外轮廓的技术求助

针对车牌字符分割中形态学操作产生额外轮廓（左侧片段、右侧线条）的问题，结合车牌字符的几何特征与结构规则，可通过降噪+特征过滤+结构兜底的组合策略优化处理流程：

改进后的处理代码 #

import cv2
import numpy as np

# 假设ex_plate是透视变换后的灰度车牌图像
mask = cv2.adaptiveThreshold(
    ex_plate, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 17, 5
)
# 前置高斯模糊：提前过滤局部噪点，减少阈值后的无效轮廓
mask = cv2.GaussianBlur(mask, (3, 3), 0)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, np.ones((3, 3)))

# 微调腐蚀核：根据字符宽度调整，避免过度腐蚀有效字符
marker = cv2.erode(mask, cv2.getStructuringElement(cv2.MORPH_RECT, (3, 18)))
obr = open_by_reconstruction(marker, mask)

# 自定义边界清除：只清除边缘5像素内的轮廓，避免误删靠近边缘的首字符
def custom_clear_border(img, border_width=5):
    h, w = img.shape
    img[:border_width, :] = 0
    img[-border_width:, :] = 0
    img[:, :border_width] = 0
    img[:, -border_width:] = 0
    return img

obr = custom_clear_border(obr)
obr = cv2.morphologyEx(obr, cv2.MORPH_CLOSE, np.ones((3, 3)))
obr = hole_filler(obr)

# 核心步骤：轮廓检测+几何特征过滤
contours, _ = cv2.findContours(obr, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 根据国内车牌字符特征定义过滤阈值（可根据实际场景调整）
plate_h = obr.shape[0]
min_char_h = int(plate_h * 0.6)
max_char_h = plate_h
min_char_w = int(plate_h * 0.3)
max_char_w = int(plate_h * 0.6)
min_char_area = min_char_h * min_char_w * 0.5

filtered_contours = []
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    aspect_ratio = w / h
    area = cv2.contourArea(cnt)
    # 过滤不符合字符宽高比、面积、高度的轮廓
    if (min_char_h <= h <= max_char_h and
        min_char_w <= w <= max_char_w and
        0.3 <= aspect_ratio <= 0.6 and
        area >= min_char_area):
        filtered_contours.append(cnt)

# 按x坐标排序，保证字符顺序从左到右
filtered_contours = sorted(filtered_contours, key=lambda c: cv2.boundingRect(c)[0])

# 提取字符ROI，适当扩展边界避免裁剪
char_rois = []
for cnt in filtered_contours:
    x, y, w, h = cv2.boundingRect(cnt)
    roi = obr[max(0, y-2):min(plate_h, y+h+2), max(0, x-2):min(obr.shape[1], x+w+2)]
    char_rois.append(roi)

# 兜底策略：若轮廓数量不符合（如非7个），按固定区域分割
if len(char_rois) != 7:
    plate_w = obr.shape[1]
    seg_w = plate_w // 7
    char_rois = []
    for i in range(7):
        start_x = i * seg_w
        end_x = plate_w if i == 6 else (i+1)*seg_w
        segment = obr[:, start_x:end_x]
        seg_contours, _ = cv2.findContours(segment, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        if seg_contours:
            # 取区域内面积最大的轮廓作为字符
            max_cnt = max(seg_contours, key=cv2.contourArea)
            x, y, w, h = cv2.boundingRect(max_cnt)
            roi = segment[y:y+h, x:x+w]
            char_rois.append(roi)

关键优化点说明 #

1. 前置高斯模糊：在阈值处理前加入模糊，直接减少局部噪点产生的无效轮廓，降低后续形态学操作的压力。
2. 自定义边界清除：替换默认clear_border，只清除边缘少量像素内的轮廓，避免误删车牌首字符。
3. 几何特征过滤：利用车牌字符固定的宽高比（0.3-0.6）、高度占比（60%-100%车牌高度）、面积阈值，精准过滤左侧小片段和右侧长线条类干扰。
4. 结构兜底策略：当轮廓检测数量不符合车牌字符数时，强制按水平方向分割7个区域，每个区域取最大轮廓，保证分割结果的完整性。

额外建议 #

• 若仍有干扰，可尝试Otsu全局阈值+局部自适应阈值的组合，提升复杂光照下的二值化效果。
• 加入直方图均衡化（cv2.equalizeHist）增强字符与背景的对比度，降低分割难度。

内容的提问来源于stack exchange，提问作者m.marian