【正文】 試 ”字標(biāo)志； 第四類(lèi)是底色為白色字為黑色的牌照是汽車(chē)補(bǔ)用牌照； 第五類(lèi)是底色為黑色字為白色的牌照是使館、領(lǐng)事館所使用的外籍汽車(chē)牌照； 第六類(lèi)是底色為白色字為紅字、黑字的牌照是武警或軍隊(duì)專(zhuān)用汽車(chē)的牌照 [4]。 第 2 章主要介紹數(shù)字圖像的組成要素、數(shù)字圖像的基礎(chǔ)以及 MATLAB 軟件在數(shù)字圖像中的應(yīng)用。 5 2 數(shù)字圖像處理概述 圖像及其組成要素 圖像是對(duì)客觀 對(duì)象的一種相似性的、生動(dòng)的描述或表示。數(shù)字圖像是一種空間坐標(biāo)和灰度均不連續(xù)的、用離散的數(shù)字表示的圖像，它的基本組成單元包括像素和灰度，計(jì)算機(jī)能直接處理的圖像是數(shù)字圖像。我們平時(shí)常見(jiàn)的彩色圖像是在每個(gè)點(diǎn)具有紅 (R)、綠 (G)、藍(lán) (B) 3 個(gè)亮度值，這 3 個(gè)值表示在不同光波段上的強(qiáng)度，比如：純紅色 R 值為 255， G 值為 0， B 值為 0；灰色的 R、 G、 B 3 個(gè)值相等（除了 0 和 255）；白色的 R、 G、 B 都為 255；同理黑色的 R、 G、 B 都為 0，所以人眼看來(lái)就是不同的顏色。一幅模擬圖像的坐標(biāo)及幅度都是連續(xù)的，為了把它轉(zhuǎn)換為數(shù)字形式 ，必須對(duì)坐標(biāo)和幅度都作離散化操作。 數(shù)字圖像處理基礎(chǔ) 數(shù)字圖像處理就是利用計(jì)算機(jī)對(duì)各種圖像信息進(jìn)行處理，以期得到某種預(yù)期的效果或從圖像中提取有用的信息。對(duì)圖像進(jìn)行處理后，計(jì)算機(jī)逐 行按像素生成一幅輸出圖像，并將其逐行送入緩存 [6]。它將 數(shù)值分析 、 矩陣計(jì)算 、科學(xué)數(shù)據(jù)可視化以及非 線性 動(dòng)態(tài)系統(tǒng)的 建模 和仿真等諸多強(qiáng)大功能集成在一個(gè)易于使用的視窗環(huán)境中，為科學(xué)研究、工程設(shè)計(jì)以及必須進(jìn)行有效 數(shù)值計(jì)算 的眾多科學(xué) 領(lǐng)域 提供了一種全面的解決方案，并在很大程度上擺脫了傳統(tǒng)非交互式 程序設(shè)計(jì)語(yǔ)言 （如 C、 Fortran）的編輯模式，代表了當(dāng)今國(guó)際科學(xué)計(jì)算軟件的先進(jìn)水平 [7]。 MATLAB 中圖像最基本的數(shù)據(jù)結(jié)構(gòu)是數(shù)組。對(duì)于彩色 圖像，如 RGB 圖像，需要用三維矩陣來(lái)存儲(chǔ)，第一維表示紅色像素的深度值，第二維表示綠色像素的深度值，第三維表示藍(lán)色像素的深度值。 由于 在 MATLAB 中用到的某些 函數(shù)對(duì) 所使用的 圖像 的圖像 類(lèi)型有限制， 所以 這四種 圖像 類(lèi)型 可以相互轉(zhuǎn)換，所用的轉(zhuǎn)換方式是使用 MATLAB 的圖像處理工具箱的類(lèi)型轉(zhuǎn)換函數(shù)。車(chē)牌識(shí)別系統(tǒng)的流程圖如圖 31 所 示 圖 31 車(chē)牌識(shí)別系統(tǒng)流程圖 汽車(chē)牌照識(shí)別技術(shù)主要包括車(chē)牌定位、字符分割、字符識(shí)別等。切割出單個(gè)字符后，放入 char_(i)中，并切 割 掉每個(gè)字符的上下的空白區(qū)域，完成精確切割。例如，一幅圖像有 256 個(gè)可能的灰度級(jí)，稱(chēng)其為 8 比特圖像。由于每一像素的取值僅有 0、 1 兩種可能，所以計(jì)算機(jī)中二值圖像的數(shù)據(jù)類(lèi)型通常為一個(gè)二進(jìn)制位。它分別用紅（ R）、綠（ G）、藍(lán)（ B）三原色的組合來(lái)表示每個(gè)像素的顏色。 邊緣檢測(cè) 所謂邊緣，是指其周?chē)袼鼗叶扔凶兓哪切┫袼氐募希菆D像分割、目標(biāo)區(qū)域識(shí)別、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ)，而且在車(chē)牌識(shí)別系統(tǒng)中提取車(chē) 10 牌位置占了很重要的地位。圖像中的每個(gè)點(diǎn)都用這兩個(gè)核做卷積。據(jù)此，定義的 Sobel 算子表示為 ( , ) | [ ( 1 , 1 ) 2 ( 1 , ) ( 1 , 1 ) ][ ( 1 , 1 ) 2 ( 1 , ) ( 1 , 1 ) ] || [ ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 ) ][ ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 ) ] |S i j f i j f i j f i jf i j f i j f i jf i j f i j f i jf i j f i j f i j? ? ? ? ? ? ? ?? ? ? ? ? ? ? ?? ? ? ? ? ? ? ?? ? ? ? ? ? ? ? （ 31） 適當(dāng)取閥值 T,做如下判斷：若 ( , )S i j T? ，則 (, )ij 點(diǎn)為邊緣點(diǎn)，所有邊緣點(diǎn)的集合{ (, )}Si j ，為邊緣圖像 [14]。上式表明，用 B 對(duì) A 進(jìn)行膨脹的運(yùn)算過(guò)程如下：首先作 B 關(guān)于原點(diǎn)的映射，再將其映像平移 x，當(dāng) A 與 B 映像的交集不為空時(shí)， B 的原點(diǎn)就是膨脹集合的像素。腐蝕運(yùn)算會(huì)使圖像的區(qū)域進(jìn)行收縮。另外，如果在過(guò)程中產(chǎn)生污染則會(huì)將要處理的圖像上表現(xiàn)出一些較強(qiáng)的視覺(jué)效果孤立像素點(diǎn)和像素塊。 車(chē)牌定位原理 我們已經(jīng)對(duì)車(chē)牌在圖像中的位置作了初步的定位，移除小對(duì)象后的二值圖像中白色區(qū)域基本就是車(chē)牌的位置了。在圖像處理中灰度大于或等于閥值的像素被判定為屬于特定物體，其灰度值為 255 表示，否則這些像素點(diǎn)被排除在物體區(qū)域以外，灰度值為 0，表示背景或者例外的物體區(qū)域 在實(shí)際的圖像處理系統(tǒng)中，進(jìn)行圖像二值變換的關(guān)鍵是要確定合適的 閾 值，使得字符與背景能夠分割開(kāi)來(lái)。通過(guò)這兩個(gè)坐標(biāo)將車(chē)牌分割出來(lái)，最后在對(duì)分割出的車(chē)牌進(jìn)行二值化處理。也可以選擇雙閾值，把所需灰度級(jí)范圍內(nèi)的像素變?yōu)?1，而把此范圍外的像數(shù)變?yōu)?0，即 1212( , ) 1 , ( , )( , ) 0,TT T f x y Tf x y ???????? 其 他 （ 37） 或者 1212( , ) 0 , ( , )( , ) 1,TT T f x y Tf x y ???????? 其 他 （ 38） 更為一般地，如果 Z 是一個(gè)任意的灰度級(jí)的集合， [ , ]lkZ z z? ，就可以定義一種廣義的“閾值化”運(yùn)算，它把放在 Z 中的灰度級(jí)變?yōu)?1，把不在 Z 中的灰度級(jí) 變?yōu)?0，即 13 1 , ( , )( , ) 0,Z f x y Zf x y ??????? 其 他 （ 39） 車(chē)牌字符分割 字符分割 在汽車(chē)牌照識(shí)別過(guò)程中，字符分割有承前啟后的作用。 字符歸一化處理 由于數(shù)碼相機(jī)拍攝的汽車(chē)圖像大小不一樣， 所以得到的牌照上的字符大小就不一樣，為了便于字符的識(shí)別，需要對(duì)字符進(jìn)行歸一化處理。人們?cè)谏a(chǎn)和生活中，要處理大量的文字、報(bào)表和文本。如用于信函分揀的 手寫(xiě)體 數(shù)字識(shí)別機(jī)和印刷體英文數(shù)字識(shí)別機(jī)。 (2) 統(tǒng)計(jì)識(shí)別 ； 確定已知樣本所屬的類(lèi)別 是 統(tǒng)計(jì)模式識(shí)別的目的。 (4) 基于模板匹配的字符識(shí)別； 模板匹配是數(shù)字圖像處理的重要組成部分之一。遍歷整幅圖像即可完成對(duì)所有目標(biāo)的識(shí)別與分割，這種方法稱(chēng)為模板匹配技術(shù)。 設(shè)目標(biāo)圖像為 ( , )gxy ，圖像中相同大小的子區(qū)域 D 上的圖像為 ( , )f xy 。 模板圖像通常要比待測(cè)圖像小，設(shè)模板圖像大小為，待測(cè)圖像大小，在匹配操作時(shí)，模板在待測(cè)圖像上滑動(dòng)，并在每一個(gè)可能的位置與其做相關(guān)運(yùn)算。如果是在變換域里進(jìn)行匹配，此時(shí)的模板要根據(jù)目標(biāo)的變換域特征來(lái)建立，比如在頻率域匹配，建立的模板要具有目標(biāo)的頻域特征，實(shí)際就是目標(biāo)所具有的頻譜分布。在實(shí)際 制作 模板 的過(guò)程中 ， 因?yàn)閳D像中的 各 個(gè) 區(qū)域形狀 都有 特點(diǎn)， 所以在設(shè)計(jì)模板時(shí)重點(diǎn)是凸顯 各 相似 區(qū)域之間 的不同的地方 ， 其次，還需 要考慮的問(wèn)題是位移 和 噪聲（這兩個(gè)因素的由圖像經(jīng)過(guò)處理時(shí)引起的） ， 并且構(gòu)建模板時(shí)通過(guò) 一些特征量來(lái) 建造模板，這些特征量是 基于圖像不變特性所設(shè)計(jì)的， 這樣子就不會(huì)遇到以上的幾個(gè) 問(wèn)題 了 。最后識(shí)別完成后輸出識(shí)別的車(chē)牌的結(jié)果，流程圖如圖 33 所示。 車(chē)牌圖像灰度化 在車(chē)牌識(shí)別系統(tǒng)中，將一幅圖像轉(zhuǎn)換為另一種類(lèi)型是非常有用的，因?yàn)槿绻捎迷疾杉牟噬珗D像，它里面則包含了大量的無(wú)用信息，從而對(duì)定位、識(shí)別的過(guò)程中造成干擾，會(huì)造成存儲(chǔ)的浪費(fèi)以及在車(chē)牌識(shí)別系統(tǒng)中拖慢識(shí)別的速度，而且投入使用中將大大的提高硬件的要求，從而造成了經(jīng)濟(jì)成本的上 升，所以我們將要對(duì)原始采集的對(duì)象通過(guò)代碼進(jìn)行灰度化處理，將其變成灰度圖像。39。原始圖像 39。 imshow(I_gray),title(39。 通過(guò)了圖像灰度化處理，才有利于車(chē)牌定位的實(shí)現(xiàn)。sobel39。邊緣檢測(cè)后圖像 39。1]。腐蝕后邊緣圖像 39。,[25,25])。填充后圖像 39。 imshow(I_final),title(39。所以，如果一個(gè)點(diǎn)的二維一階導(dǎo)數(shù)比指定的門(mén)限大，我們就定義圖像中的次點(diǎn)是一個(gè)邊緣點(diǎn)，一組這樣的依據(jù)事先 定好的連接準(zhǔn)則相連的邊緣點(diǎn)就定義為一條邊緣。 20 邊緣檢測(cè)選用不同的額算子或者閾值都會(huì)對(duì)結(jié)果造成很大的影響，經(jīng)過(guò)反復(fù)試驗(yàn)，我選取了 Sobel 算子 進(jìn)行邊緣檢測(cè)，通過(guò)代碼 I_edge=edge(I_gray,39。經(jīng)過(guò)腐蝕過(guò)后，圖像中目標(biāo)周?chē)倪吘壉桓g了，大大的縮小目標(biāo)的范圍，為后面提取車(chē)牌的進(jìn)行提供了先決條件。 通過(guò)對(duì)比原始圖片，我們可以發(fā)現(xiàn)形態(tài)濾波后的圖像已經(jīng)很接近正確的車(chē)牌位置了，因此后期處理將通過(guò)這張圖來(lái)找出車(chē)牌位置。 location_of_1=[]。newlocation]。 if tempmini mini=temp。 end end 23 first_point=location_of_1(a,:)。 y1=first_point(2)+4。 g_min=double(min(min(I_plate)))。 I_plate=bwareaopen(I_plate,20)。這樣才有助于字符分割的進(jìn)行。 %用來(lái)存放水平分割線的橫坐標(biāo) flag=0。 end end figure for n=1:7 char=I_plate(:,X(2*n1):X(2*n)1)。 subplot(2,4,n)。)。=char。一般分割出來(lái)的字符要進(jìn)行進(jìn)一步的處理，以滿(mǎn)足下一步字符識(shí)別的需要 ，但是對(duì)于車(chē)牌的識(shí)別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識(shí)別的目的，在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。車(chē)牌字符識(shí)別與一般 文字識(shí)別在于它的字符數(shù)有限， 十個(gè)阿拉伯?dāng)?shù)字 0～ 9， 24 個(gè)大寫(xiě)英文字母 A～ Z 以及相關(guān)的車(chē)牌用漢字：京、滬、蘇、臺(tái)、港、澳、甲、乙、丙、使、領(lǐng)、學(xué)、試、境、消、邊、警等，以及新式軍牌中的漢字南、蘭、廣、北、沈、濟(jì)、空、海等。num 的文件夾中 接下來(lái)是對(duì)前面分割出的字符進(jìn)行識(shí)別，運(yùn)用的是模板匹 配字符識(shí)別算法，過(guò)程是把切割出的字符與庫(kù)里的漢字和字符的模板做減法運(yùn)算，找到差別點(diǎn)最少的模板為對(duì)應(yīng)模板，輸出該模板對(duì)應(yīng)的字符，最后識(shí)別出車(chē)牌 。,39。,39。,39。,39。,39。,39。,39。)。,num2str(j),39。 Differ=ImTemplate。 store2=strcat(39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。)。 27 Template=imread(strcat(39。.jpg39。 Compare(j)=sum(sum(abs(Differ)))。車(chē)牌為 :39。對(duì)于光照條件不理想的圖象，可先進(jìn)行一次圖象增強(qiáng)處理，使得圖象灰度動(dòng)態(tài)范圍擴(kuò)展和對(duì)比度增強(qiáng)，再進(jìn)行定位和分割，這樣可以提高分割的正 28 確率。隨之進(jìn)行定位及分割還有識(shí)別。 而車(chē)牌識(shí)別技術(shù)恰好能滿(mǎn)足這一需求，通過(guò)車(chē)牌識(shí)別我們可以解決被納入“黑名單”的通緝車(chē)輛，可以統(tǒng)計(jì)一定時(shí)間范圍內(nèi)進(jìn)出各省的車(chē)輛，還能有效的對(duì)該車(chē)輛進(jìn)行定位，對(duì)公安機(jī)關(guān)等相關(guān)部門(mén)有著很重要的作用 通過(guò)智能的車(chē)牌定位及識(shí)別技術(shù)將 對(duì)于維護(hù) 交通安全 和城市治安，防止交通堵塞，實(shí)現(xiàn)交通 自動(dòng)化 管理有著現(xiàn)實(shí)的意義 。本次設(shè)計(jì)主要解決了一下幾個(gè)問(wèn)題： (1)對(duì)彩色圖像進(jìn)行灰度化處理的方法： (2)選取合適的邊緣檢測(cè)算子及對(duì)灰度圖像進(jìn)行邊緣檢測(cè)的方法； (3)如何在圖像中定位出車(chē)牌位置并從定位好的車(chē)牌圖像中提取出車(chē)牌； (4)如何對(duì)車(chē)牌字符進(jìn)行分割和字符識(shí)別。 30 附錄 設(shè)計(jì)代碼 I=imread(39。imshow(I), title(39。 subplot(3,2,2),imshow(I_gray),title(39。sobel39。)。 I_erode=imerode(I_edge,se)。 se=strel(39。 %圖像閉合、填充圖像 subplot(3,2,5),imshow(I_close),title(39。 %去除聚團(tuán)灰度值小于 2021 的部分 subplot(3,2,6),imshow(I_final),title(39。 location_of_1=[]。newlocation]。 31 if tempmini mini=temp。 end end first_point=location_of_1(a,:)。 y1=first_point(2)+4。 g_min=double(min(min(I_plate)))。 I_plate=bwareaopen(I_plate,20)。 %用來(lái)存放水平分割線的橫坐標(biāo) flag=0。