对图像进行降噪和过滤

Question

我正在进行牌照识别。我已经裁掉了盘子，但它非常模糊。因此，我无法拆分数字/字符并识别它。

这是我的形象：

我尝试使用 scikit image 功能去噪。

首先，导入库：

import cv2
from skimage import restoration
from skimage.filters import threshold_otsu, rank
from skimage.morphology import closing, square, disk

然后，我读取图像并将其转换为灰度

image = cv2.imread("plate.jpg")
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

我尝试消除噪音：

denoise = restoration.denoise_tv_chambolle(image , weight=0.1)
thresh = threshold_otsu(denoise)
bw = closing(denoise  > thresh, square(2))

我得到的是：

如您所见，所有数字都是混合在一起。因此，我无法将分开并逐一识别这些字符。

我期待的是这样的事情（我画了）：

我正在寻求帮助如何更好地过滤图像？谢谢。

=============================================== ====================== 的更新：

使用skimage.morphology.erosion后，我得到了：

Answer 1

首先，这个图像似乎比模糊更加污损，而不是noize，所以没有充分的理由对其进行去噪，而是尝试去除。

最简单的是反向滤波甚至是维纳滤波。然后，您需要通过光度级别将图像的背景与字母分开，例如使用分水岭算法。然后，您将获得单独的字母，您需要通过其中一个分类器，例如，基于神经网络（即使是简单的前馈网也可以）。

然后你终于得到了文字表达。这就是通常如此认可的方式。 有好的book by Gonzalez&Woods，试着在那里寻找详细的解释。

Answer 2

带有图像增强二值化内核的ChanVeseBinarize给了我这个结果。这有助于突出显示4,8,1和2.我猜你需要对每个字符进行单独的卷积，如果卷积的峰值高于阈值，我们可以假设该字母出现在峰值的位置。为了处理失真，你需要使用给定字符的几种不同类型的字体进行卷积。

使用导数滤波器和少量高斯平滑的另一个潜在改进。 K＆amp; X不像以前的解决方案那样扭曲。