自动车牌识别（ALPR）系统中如何去除图像黑边优化OCR识别

嘿，我在做自动车牌识别系统的时候也遇到过几乎一模一样的问题——二值化后的黑边会让OCR把边缘当成字符的一部分，或者直接干扰字符区域的定位。结合你提到的图像质量水平，我给你几个实际测试过有效的解决思路：

方法1：基于行/列像素统计的快速裁剪（最适合你当前的图像情况） #

如果黑边是均匀分布在图像四周的，这种方法高效又精准，核心是通过统计白色像素（字符）的分布范围来定位有效区域：

1. 先读取二值化图像，统计每行的白色像素数量：

   import cv2
   import numpy as np
   
   # 读取二值化图像（0表示灰度模式）
   img = cv2.imread('binary_plate.jpg', 0)
   img_h, img_w = img.shape
   

2. 筛选出包含字符的行范围：

   # 统计每行的白色像素数
   row_sum = np.sum(img == 255, axis=1)
   # 设置阈值：只保留白色像素数超过图像宽度5%的行（过滤噪声）
   row_threshold = img_w * 0.05
   # 找到第一个和最后一个符合条件的行
   top_row = np.argmax(row_sum > row_threshold)
   bottom_row = img_h - np.argmax(row_sum[::-1] > row_threshold) - 1
   

3. 同理筛选出包含字符的列范围：

   col_sum = np.sum(img == 255, axis=0)
   col_threshold = img_h * 0.05
   left_col = np.argmax(col_sum > col_threshold)
   right_col = img_w - np.argmax(col_sum[::-1] > col_threshold) - 1
   

4. 直接裁剪到有效区域：

   clean_plate = img[top_row:bottom_row, left_col:right_col]
   

方法2：基于轮廓检测的字符区域提取 #

如果黑边和字符边缘有粘连，或者存在局部不规则黑边，可以用轮廓检测筛选出符合字符尺寸的区域：

1. 先做形态学开操作去除小噪声：

   kernel = np.ones((3,3), np.uint8)
   # 开操作：先腐蚀再膨胀，弱化细黑边+去除噪声点
   cleaned_img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
   

2. 提取轮廓并筛选符合字符特征的轮廓：

   contours, _ = cv2.findContours(cleaned_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
   valid_contours = []
   # 车牌字符高度一般占图像高度的60%-95%，根据实际情况调整
   for cnt in contours:
       x, y, w, h = cv2.boundingRect(cnt)
       if h > img_h * 0.6 and h < img_h * 0.95:
           valid_contours.append(cnt)
   

3. 生成掩码并提取干净的字符区域：

   mask = np.zeros_like(cleaned_img)
   cv2.drawContours(mask, valid_contours, -1, 255, thickness=cv2.FILLED)
   # 用掩码过滤黑边
   result = cv2.bitwise_and(cleaned_img, mask)
   # 裁剪到所有有效轮廓的最小外接矩形
   x_min = min([cv2.boundingRect(cnt)[0] for cnt in valid_contours])
   y_min = min([cv2.boundingRect(cnt)[1] for cnt in valid_contours])
   x_max = max([cv2.boundingRect(cnt)[0]+cv2.boundingRect(cnt)[2] for cnt in valid_contours])
   y_max = max([cv2.boundingRect(cnt)[1]+cv2.boundingRect(cnt)[3] for cnt in valid_contours])
   clean_plate = result[y_min:y_max, x_min:x_max]
   

方法3：自适应阈值二次过滤 #

如果黑边的灰度和字符边缘接近，可以用自适应阈值强化字符和黑边的区分度：

# 自适应高斯阈值：只保留亮度较高的字符区域，过滤弱黑边
adaptive_img = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
# 用小核膨胀补全字符缺口
kernel = np.ones((2,2), np.uint8)
clean_plate = cv2.dilate(adaptive_img, kernel, iterations=1)

你可以先试试方法1，它最适配你当前的图像质量；如果黑边有粘连情况，再换方法2调整参数就行。

内容的提问来源于stack exchange，提问作者Luis Ramon Ramirez Rodriguez