【正文】 ,有待于進(jìn)一步探索研究。 數(shù)學(xué)形態(tài)學(xué)是一種非線性圖 像處理和分析理論它的成功應(yīng)歸功于一個新的 思路，即摒棄了傳統(tǒng)的數(shù)值建模及分析方法，而從集合的角度來刻畫和分 析圖 像。數(shù)學(xué)形態(tài)學(xué)中基于集合的觀點是非常重要的，這意味著：它的運算由集合運 算（如并、交 、補等）來定義；所有的圖像都必須以合理的方式轉(zhuǎn)換為集合。這一基于集合的觀點的一個自然結(jié)果是形態(tài)學(xué)算子的性能將主要以幾何方式進(jìn)行刻畫，而傳統(tǒng)的理論則以解析的方式描述算子的性能。這種顯式的幾何描述特 點更適合于視覺信息的處理和分析，因此，數(shù)學(xué)形態(tài)學(xué)與幾何的直接關(guān)系是它的 — 個十分吸引人的優(yōu)點。數(shù)學(xué)形態(tài)學(xué)是在集合論的基礎(chǔ)上發(fā)展起來的，這就使它 同計算機視覺問題緊密地結(jié)合了起來。從視覺心理角度看待“看見” 或“看不 見”，實 際上是一種“并集”或“交集”運算，因為對于所有能看到的東西來說，其理 解的結(jié)果是它們的“并”，而對于所有因遮擋而不能看到的東西來說，其理解的 結(jié)果是它們“交”。因此，集合變換反映著視覺過程。數(shù)學(xué)形態(tài)學(xué)采用具有一定結(jié)構(gòu)和特征（即形態(tài)）的結(jié)構(gòu)元素（ structure element） 去量度影像中的形態(tài) ,進(jìn)而解決理解問題，這和影像的低層次處理和高層次處理都是一致的。 因 而，數(shù)學(xué)形態(tài)學(xué)是適宜于解決計算機視覺不同階段（由低層次到高層次）問題的 統(tǒng)一的理論、方法和分析工具。從集合論的角度看，數(shù)學(xué)形態(tài)學(xué)包含了從一個集 合轉(zhuǎn)換到另外一個集合的運算方法。 數(shù)學(xué)形態(tài)學(xué)是在集合論的基礎(chǔ)上發(fā)展起來的 ,這就決定了它的運算必須由集合運算 (并、交、補 )來定義。而數(shù)字圖像是由一系列離散的像素點組成 ,可以以某種合理的方式將其轉(zhuǎn)換為集合。這樣 ,數(shù)學(xué)形態(tài)學(xué)就可以對數(shù)字圖像進(jìn)行移位、交、并等集合運算 ,用具有一定結(jié)構(gòu)和特征的結(jié)構(gòu)元素 ( 實際上也是一個集合 ) 量度圖像中的形態(tài) ,進(jìn)而達(dá)到對圖像分析和識別的目的。腐蝕和膨脹是數(shù)學(xué)形態(tài)學(xué)中的基本運算 ,其它運算都是由這兩種基本運算復(fù)合而成的。數(shù)學(xué)形態(tài)學(xué)最先應(yīng)用于二值圖像 ,后來才被推廣到灰度圖像的形態(tài)變換。這些 基本運算在二值圖像和灰度圖像中各有特點。下面介紹數(shù)學(xué)形態(tài)學(xué)在二值圖像中的基本定義 ,設(shè) A 是原始圖像 ,B 是“結(jié)構(gòu)元素” 。 這 種轉(zhuǎn)換的目的是要找到原始集合的特 定幾何結(jié)構(gòu)，而轉(zhuǎn)換后的集合包括了這種結(jié)構(gòu)的信息。同時這種轉(zhuǎn)換是通過一種 稱為結(jié)構(gòu)元素的特征集合來實現(xiàn)的。對集合進(jìn)行分析就是對集合進(jìn)行變換，以突 出所需要的信息，所采用的方法是使主觀“探針”與客觀物體相互作用?！疤结? 也是一個集合，它由我們分析的目的來決定。這個“探針”的集合稱為結(jié)構(gòu)元素。剩下的問題就是如何用結(jié)構(gòu)元素對物體集合進(jìn)行變換。在形態(tài)學(xué)中定義了兩 個 基本的變換，即腐蝕（ Erosion）和膨脹（ Dilation）。一般將形態(tài)學(xué)變換作用于實際圖像的過程稱為形態(tài)學(xué)運算 車牌字符識別是車牌自動識別技術(shù)的另一項關(guān)鍵技術(shù) ,字符識別的方法有很多 , 主要有 :(1)模板匹配法 ,即利用 M N 模板與待識別字符逐個像素的比較。該方法簡單 ,但只適用于尺寸固定 ,車牌水平放置的情況 。(2)特征匹配法 ,每個字符都有它獨特的筆畫特征 ,字符可以分解為具有橫、豎、撇、捺、弓、洞中的一種或幾種特征集合。把輸入字符分解為具有上述筆畫的結(jié)構(gòu)特征集合 ,與字符庫中的特征集合進(jìn)行匹配 , 結(jié)構(gòu)特征最匹配 的字符就是該輸入字符的識別結(jié)果。這種方法排除了南京郵電大學(xué) 2021 屆本科生畢業(yè)設(shè)計（論文） 3 尺寸、方向變化帶來的干擾 ,但這類方法不適用于出現(xiàn)筆劃融合、斷裂、部分缺失的字符的識別 。 (3)人工神經(jīng)網(wǎng)絡(luò)法 ,人工神經(jīng)網(wǎng)絡(luò)通過對大量樣本的學(xué)習(xí)獲取知識 ,不斷改進(jìn)自身性能 ,從而保證系統(tǒng)對字符的高識別率。這種方法適用于學(xué)習(xí)系統(tǒng)所處的環(huán)境平穩(wěn)的情況 ,而對于所處的環(huán)境不平穩(wěn)的情況 ,很難自適應(yīng)學(xué)習(xí)環(huán)境特性 ,因此 ,很難保證字符識別系統(tǒng)的要求。近年來隨著數(shù)學(xué)形態(tài)學(xué)在數(shù)字圖像處理中的廣泛應(yīng)用 ,人們開始探索用數(shù)學(xué)形態(tài)學(xué)的理論來解決字符識別的問題。在圖像處理過程中 ,先利用數(shù)學(xué)形態(tài)學(xué) 的開啟運算和閉合運算去除噪聲或連接目標(biāo) ,從而達(dá)到恢復(fù)圖像的目的。一般情況下 ,利用開啟運算可以消除散點和“毛刺” ,而利用閉運算則可以在選擇適當(dāng)?shù)慕Y(jié)構(gòu)元素后將兩個鄰近的分離目標(biāo)進(jìn)行連接。然后再利用變形的數(shù)學(xué)形態(tài)學(xué)運算識別車牌字符。 傳統(tǒng)的 車牌 字符識別方法很多 ,但運用數(shù)學(xué)形態(tài)學(xué)進(jìn)行車牌字符識別的研究還比較少。數(shù)學(xué)形態(tài)學(xué)的理論非常嚴(yán)謹(jǐn) ,對圖像的處理簡明、直觀 ,在定量描述圖像的形態(tài)特征上具有獨特的優(yōu)勢。因此 ,它在車牌字符識別中的應(yīng)用 ,開辟了字符識別研究的新領(lǐng)域 ,有廣闊的發(fā)展空間。 圖像二值化是圖像處理的一項基本技術(shù) , 也是很多圖像處理技術(shù)的預(yù)處理技術(shù) . 在模式識別技術(shù)、光學(xué)字符識別 (OCR ) 、醫(yī)學(xué)數(shù)據(jù)可視化中的切片配準(zhǔn)、及在如銀行驗印系統(tǒng)等工程應(yīng)用中 , 圖像二值化是它們進(jìn)行數(shù)據(jù)預(yù)處理的重要技術(shù) . 在很多圖像處理技術(shù)中 , 圖像特征對于最終的識別結(jié)果起著關(guān)鍵作用 . 如在醫(yī)學(xué)數(shù)據(jù)可視化中的切片配準(zhǔn)中 , 切片圖像的邊界輪廓特征對于配準(zhǔn)是至關(guān)重要。 在上述各系統(tǒng)中 , 圖像來源各不相同 , 有手寫紙張、印刷紙張、醫(yī)學(xué)圖像、銀行支票等 。 獲取圖像的途徑也各不相同 , 如 CCD、數(shù)字相機、掃描儀、 X 光、 CT、 MR I、顯微鏡等 , 掃描 到計算機里的圖像質(zhì)量也參差不齊 , 其中 CCD 和數(shù)字相機受環(huán)境光的影響很大 . 同時 , 圖像來源如紙張、支票也可能質(zhì)量很差 . 因此 我們需要一種能處理低質(zhì)量、甚至單峰直方圖的圖像的二值化方法 , 以盡可能地保留我們所需要的信息 , 特別是原圖的特征信息 。 車牌字符識別實際上是依附在車牌上的印刷體文字的識別，能否正確識別不僅是文字識別技術(shù)的問題，還是考慮其載體 —— 車牌區(qū)域的影響。車牌字符識別技術(shù)是文字識別技術(shù)與車牌圖像自身因素協(xié)調(diào)兼顧的綜合性技術(shù)。由于攝像機的性能、車牌的整潔度、光照條件、拍攝時的傾斜角度及車輛運動 等因素的影響使牌照中的字符可能出現(xiàn)比較嚴(yán)重的模糊、歪斜、缺損或污跡干擾，這些都給字符識別帶來了難度。盡管如此，我國依然有大量的學(xué)者從事車牌字符識別研究，文獻(xiàn)給出了基于神經(jīng)網(wǎng)絡(luò)的車牌識別方法，對于解析度較高和圖像比較清晰的車牌，這些方法能有效識別車牌中的字符，但對于較低解析度和較為模糊的車牌無能為力。 由于攝像條件和客觀因素的限制 ,如車輛牌照不整潔、光照條件不好、角度不合適、車速較快等原因 ,采集的圖像可能模糊、歪斜或缺損 ,因此要對圖像進(jìn)行平滑和增強處理。圖像去噪 :為了消除噪聲 ,常采用濾波的方法 ,可分為空域濾波和 頻域濾波。按照空域濾波器的功能又可以分為平滑濾波器和銳化濾波器 ,平滑濾波器常用的方法有鄰域平均法、選擇平均法、中值濾波、自適應(yīng)濾波等 ,其中 ,去噪處理多采用中值濾波 ,能獲得較好的效果。實際應(yīng)用中可能采用傳統(tǒng)的鄰域平均平滑算法 ,也可能采用某些改進(jìn)的算法 ,如應(yīng)用灰度差倒數(shù)加權(quán)算法進(jìn)行濾波處理。圖像增強 :最常用的方法是灰度直方圖變換 ,包括直方圖均衡化和直方圖規(guī)定化。直方圖的基本思想是把原始圖的直方圖變換為均勻分布的形式 ,這樣就增加了像素灰度值的動態(tài)范圍從而達(dá)到增強圖像整體對比度的效果。實際中有時需要變換直方圖使之成 為某個特定的形狀 ,從而有選擇地增強某個灰度值范圍內(nèi)的對比度 ,這時可以采用比較靈活的直方圖規(guī)定化方法。南京郵電大學(xué) 2021 屆本科生畢業(yè)設(shè)計（論文） 4 車牌 字符識別簡介 車牌 字符識別發(fā)展概況 字符識別發(fā)展可分為三個階段：第一個階段為初級階段，在這一階段中，技術(shù)上是應(yīng)用一維圖像的處理方法完成二維圖像的識別任務(wù)。這樣萌芽了一個基本思想 — 抽取特征向量的構(gòu)造和它的相關(guān)函數(shù)?，F(xiàn)在此法仍不失為一種重要的匹配方法。第二個階段為基礎(chǔ)理論研究階段。提出了表示邊界的鏈碼法，用于結(jié)構(gòu)分析的細(xì)化思想，以及一些離散圖形上的拓?fù)湫匝芯?，形成了不僅能抽取局部特征，而且能抽取大范圍的凹凸區(qū)域、連通性、孔等特征的算法，完成了作為基礎(chǔ)理論核心的“特征抽取理論”，及所謂的 KL 展開法工作。第三個階段為發(fā)展階段。這一階段的研究工作是技術(shù)和實際相結(jié)合，針對實際系統(tǒng)的要求和設(shè)備可能提供的條件，提出了更為復(fù)雜的技術(shù)。但就多種方法分類來說為二大方法：相關(guān)法和構(gòu)造解析法。在這兩類方法的基礎(chǔ)上，已研究出了不同類各具特色的實用系統(tǒng)。字符識別系統(tǒng)根據(jù)輸入設(shè)備的不同有如下分類，如圖 所示： 目前開展比較多，并進(jìn)入實用階段的是光學(xué)字符識別系統(tǒng) (OCR 系統(tǒng) )。 日本雖說起步不是最早，但因投入了大量的人力和物力，目前處于世界領(lǐng)先地位。七五年日本擁有 650 臺光學(xué)字符識別機，進(jìn)入了實用階段。到一九七八年，能閱讀英文字母、數(shù)字、片假名和平假名等 118 種 OCRT0300 上市。之后，其研究方向轉(zhuǎn)向了漢字識別。 我國是從七十年代開始字符研究的。一九七八年，中科院自動化研究所等合作研制出了“倍函自動化分檢機”，可識別 0～ 9 個數(shù)字；一九八七年清華大學(xué)研制的漢字識別系統(tǒng)通過了技術(shù)鑒定，可識別國家二級漢字庫 6000 多字，識別率可達(dá) 99%，速度為 1 字 /4 秒；一九八七年十二月，西安交大人 工智能和機器人研究所研制的漢字識別系統(tǒng)也通過了技術(shù)鑒定，同樣可識別漢字 6000 多，識別速度可達(dá) 1 字 /1 秒，識別率達(dá) 98%以上，處于國內(nèi)領(lǐng)先地位。這都為字符識別的實際應(yīng)用提供了廣闊的前景。 車牌 字符識別系統(tǒng)用到的方法 字符識別系統(tǒng)用到的方法很多。下面以表格的形式，其用到的方法作一簡單的介紹和比較。 字符識別 磁識別 光學(xué)識別 機械識別 在線識別 脫機識別 單個字符識別 連筆字符識別 印刷體字符識別 手寫體字符識別 圖 字符識別分 類 南京郵電大學(xué) 2021 屆本科生畢業(yè)設(shè)計（論文） 5 表 幾種識別方法的比較 統(tǒng)計決策 句法結(jié)構(gòu) 模糊判決 邏輯推理 神經(jīng)網(wǎng)絡(luò) 主要理論支柱 概率論 數(shù)理統(tǒng)計 形式語言 自動機技術(shù) 模糊數(shù)學(xué) 演繹邏輯 布爾代數(shù) 神經(jīng)生理學(xué) 模式描述方法 特征向量 符號串、樹、圖 模糊集合 字符串表示的事實 以不同活躍度表示的輸入結(jié)點集 模式類判定 是一個聚合類。用條件概率分布 P(X| wi)表示， m 類就有m 個分布，然后判定未知模式屬于哪一個分布。 是一種語言。用一個文法表示一類， m類就有 m 個文法，然后判定未知模式遵循哪一個文法。 是一種集合運算。用隸屬度將模糊集合劃分為若干子集， m類就有 m 個子集，然后根據(jù)擇近原則分類。 是一種布爾演算。從事實出發(fā)運用一系列規(guī)則，推理得到不同結(jié)果， m類就有 m 個結(jié)果。 是一個非線性動態(tài)系統(tǒng)。通過對樣本的學(xué)習(xí)建立起記憶，然后將 未知模式判決為其最接近的記憶。 主要方法 幾何分類：線性分類、非線性分類 統(tǒng)計分類： Bayes 決策 無教師的分類：聚類分析 自動機技術(shù) CYK 剖析算法 Early 算法 轉(zhuǎn)移圖法 隸屬度函數(shù)的設(shè)計：模糊設(shè)計法二元對比排序法 推理法 模糊集運算規(guī)則 模糊矩陣 產(chǎn)生式推理 語義網(wǎng)推理 框架推理 BP 模型 HOP 模型 高階網(wǎng) 主要優(yōu)缺點 優(yōu)點：比較成熟，能考慮干擾、噪聲等影響，識別模式基元能力強。 缺點：對結(jié)構(gòu)復(fù)雜的模式抽取特征困難。不能反映模式的結(jié)構(gòu)特征，難以描述模式的性質(zhì)，難以從整體考慮識別問題。 優(yōu)點： 識別方便，可從簡單的基元開始，由繁至簡。能反映模式的結(jié)構(gòu)特性，能描述模式的性質(zhì)，對圖像的畸變的抗干擾能力較強。 缺點：當(dāng)存在干擾及噪聲時，抽取基元困難，且易失誤。 優(yōu)點：由于用隸屬度函數(shù)作為樣品與模板間相似度的度量，故往往能反映它們整體的與主要的特性，從而允許樣品有相當(dāng)?shù)母蓴_與畸變。 缺點：準(zhǔn)確合理的隸屬度往往難以建立，故限制了它的應(yīng)用。 優(yōu)點：已建立了關(guān)于知識表示及組織，目標(biāo)搜索及匹配的完整體系。對需同過眾多規(guī)則的推理達(dá)到目標(biāo)確認(rèn)的問題，有很好的效果。 缺點：當(dāng)樣品有缺損，背景不清晰，規(guī)則不明確甚至有歧義 時，效果不好。 優(yōu)點：可處理一些環(huán)境信息十分復(fù)雜，背景知識不清楚，推理規(guī)則不明確的問題。允許樣品有較大的缺損和畸變。 缺點：模型在不斷豐富與完善中，目前能識別的程式類還不夠多。 南京郵電大學(xué) 2021 屆本科生畢業(yè)設(shè)計（論文） 6 本系統(tǒng)中主要用到的是基于神經(jīng)網(wǎng)絡(luò)的字符識別方法。 車牌定位和字符分割兩個模塊的處理實際上都可看作是字符識別模塊的預(yù)處理，車牌識別的根本目的是輸出牌照號碼，因此字符識別是整個系統(tǒng)的核心。和其他模式識別一樣，字符識別的基本思想也是匹配判別。其基本過程如下：首先對分割出來的字符進(jìn)行預(yù)處理，并抽取出代表未知字符模式本質(zhì)的表達(dá)形式〔如各種 特征