读EasyPR开发详解实践感想1

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_25458977/article/details/70597939

实习期间看到了EasyPR这篇文章，作者写的特别详细，无论讲解还是代码，都可以说是业界良心，在此附上链接：EasyPR

看到之后就想这么详细的教程，不自己亲自实践一下简直浪费，于是乎，结合自己正在做的数字识别进行实践，在实践的过程中，遇到一些小问题，但同时也验证了坐着的一些思想，特作出总结。

1. 高斯模糊

高斯模糊就是在平均模糊的基础上为每一个像素点分配权重，分配方式则按照正态分布函数。高斯模糊一般用于图像的与处理阶段。插入一个很好地高斯模糊讲解。

之前学过高斯模糊，也接触过，但忘记具体效果，坐着在原文中给出了高斯模糊彩色图片对比，效果并不是特别明显，这里放上原图直接二值化和原图先进性高斯模糊再进行二值化的效果对比：

                                             

                                         原图                                                原图二值化                               高斯模糊后二值化

从二值化后的图像就可以看出，高斯模糊后的图像经过二值化后少了很多的噪点。

2. sobel算子

sobel算子主要用于边缘检测，本文中sobel的代码为：

	Mat grad_x, grad_y;
   	Mat abs_grad_x, abs_grad_y;

	Sobel( src_gray, grad_x, -1, 1, 0, 3, 1, 0, BORDER_DEFAULT );
	convertScaleAbs( grad_x, abs_grad_x );

	Sobel( src_gray, grad_y, -1, 0, 1, 3, 1, 0, BORDER_DEFAULT );
	convertScaleAbs( grad_y, abs_grad_y );

	addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0, src_sobel )

其中最后的两个0.5分别是x和y方向上的权重，我因为是数字，且没有明显的方向干扰，所以就取相同的权重，像原作者那样有很强的横向干扰，感觉可以提高y方向的权重。sobel算子是在灰度化之后做的，对于我之前的原图，其进行sobel再二值化后，效果如图：

                  

第一张图虽然看到效果，但是明显不如直接二值化效果好，所以，感觉如果已经实现了招标的过程，sobel就不在需要了，这里我的找表主要用SIFT实现，中间图像为最一开始的原图；