【正文】 試 ”字標(biāo)志； 第四類是底色為白色字為黑色的牌照是汽車補用牌照； 第五類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牌照； 第六類是底色為白色字為紅字、黑字的牌照是武警或軍隊專用汽車的牌照 [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 圖像是對客觀 對象的一種相似性的、生動的描述或表示。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，計算機能直接處理的圖像是數(shù)字圖像。我們平時常見的彩色圖像是在每個點具有紅 (R)、綠 (G)、藍(lán) (B) 3 個亮度值，這 3 個值表示在不同光波段上的強度，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算機對各種圖像信息進行處理，以期得到某種預(yù)期的效果或從圖像中提取有用的信息。對圖像進行處理后，計算機逐 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 、 矩陣計算 、科學(xué)數(shù)據(jù)可視化以及非 線性 動態(tài)系統(tǒng)的 建模 和仿真等諸多強大功能集成在一個易于使用的視窗環(huán)境中，為科學(xué)研究、工程設(shè)計以及必須進行有效 數(shù)值計算 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)計語言 （如 C、 Fortran）的編輯模式，代表了當(dāng)今國際科學(xué)計算軟件的先進水平 [7]。 MATLAB 中圖像最基本的數(shù)據(jù)結(jié)構(gòu)是數(shù)組。對于彩色 圖像，如 RGB 圖像，需要用三維矩陣來存儲，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 所使用的 圖像 的圖像 類型有限制， 所以 這四種 圖像 類型 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型轉(zhuǎn)換函數(shù)。車牌識別系統(tǒng)的流程圖如圖 31 所 示 圖 31 車牌識別系統(tǒng)流程圖 汽車牌照識別技術(shù)主要包括車牌定位、字符分割、字符識別等。切割出單個字符后，放入 char_(i)中，并切 割 掉每個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 個可能的灰度級，稱其為 8 比特圖像。由于每一像素的取值僅有 0、 1 兩種可能，所以計算機中二值圖像的數(shù)據(jù)類型通常為一個二進制位。它分別用紅（ R）、綠（ G）、藍(lán)（ B）三原色的組合來表示每個像素的顏色。 邊緣檢測 所謂邊緣，是指其周圍像素灰度有變化的那些像素的集合，它是圖像分割、目標(biāo)區(qū)域識別、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ)，而且在車牌識別系統(tǒng)中提取車 10 牌位置占了很重要的地位。圖像中的每個點都用這兩個核做卷積。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 點為邊緣點，所有邊緣點的集合{ (, )}Si j ，為邊緣圖像 [14]。上式表明，用 B 對 A 進行膨脹的運算過程如下：首先作 B 關(guān)于原點的映射，再將其映像平移 x，當(dāng) A 與 B 映像的交集不為空時， B 的原點就是膨脹集合的像素。腐蝕運算會使圖像的區(qū)域進行收縮。另外，如果在過程中產(chǎn)生污染則會將要處理的圖像上表現(xiàn)出一些較強的視覺效果孤立像素點和像素塊。 車牌定位原理 我們已經(jīng)對車牌在圖像中的位置作了初步的定位，移除小對象后的二值圖像中白色區(qū)域基本就是車牌的位置了。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 在實際的圖像處理系統(tǒng)中，進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來。通過這兩個坐標(biāo)將車牌分割出來，最后在對分割出的車牌進行二值化處理。也可以選擇雙閾值，把所需灰度級范圍內(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 是一個任意的灰度級的集合， [ , ]lkZ z z? ，就可以定義一種廣義的“閾值化”運算，它把放在 Z 中的灰度級變?yōu)?1，把不在 Z 中的灰度級 變?yōu)?0，即 13 1 , ( , )( , ) 0,Z f x y Zf x y ??????? 其 他 （ 39） 車牌字符分割 字符分割 在汽車牌照識別過程中，字符分割有承前啟后的作用。 字符歸一化處理 由于數(shù)碼相機拍攝的汽車圖像大小不一樣， 所以得到的牌照上的字符大小就不一樣，為了便于字符的識別，需要對字符進行歸一化處理。人們在生產(chǎn)和生活中，要處理大量的文字、報表和文本。如用于信函分揀的 手寫體 數(shù)字識別機和印刷體英文數(shù)字識別機。 (2) 統(tǒng)計識別 ； 確定已知樣本所屬的類別 是 統(tǒng)計模式識別的目的。 (4) 基于模板匹配的字符識別； 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所有目標(biāo)的識別與分割，這種方法稱為模板匹配技術(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圖像小，設(shè)模板圖像大小為，待測圖像大小，在匹配操作時，模板在待測圖像上滑動，并在每一個可能的位置與其做相關(guān)運算。如果是在變換域里進行匹配，此時的模板要根據(jù)目標(biāo)的變換域特征來建立，比如在頻率域匹配，建立的模板要具有目標(biāo)的頻域特征，實際就是目標(biāo)所具有的頻譜分布。在實際 制作 模板 的過程中 ， 因為圖像中的 各 個 區(qū)域形狀 都有 特點， 所以在設(shè)計模板時重點是凸顯 各 相似 區(qū)域之間 的不同的地方 ， 其次，還需 要考慮的問題是位移 和 噪聲（這兩個因素的由圖像經(jīng)過處理時引起的） ， 并且構(gòu)建模板時通過 一些特征量來 建造模板，這些特征量是 基于圖像不變特性所設(shè)計的， 這樣子就不會遇到以上的幾個 問題 了 。最后識別完成后輸出識別的車牌的結(jié)果，流程圖如圖 33 所示。 車牌圖像灰度化 在車牌識別系統(tǒng)中，將一幅圖像轉(zhuǎn)換為另一種類型是非常有用的，因為如果采用原始采集的彩色圖像，它里面則包含了大量的無用信息，從而對定位、識別的過程中造成干擾，會造成存儲的浪費以及在車牌識別系統(tǒng)中拖慢識別的速度，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)濟成本的上 升，所以我們將要對原始采集的對象通過代碼進行灰度化處理，將其變成灰度圖像。39。原始圖像 39。 imshow(I_gray),title(39。 通過了圖像灰度化處理，才有利于車牌定位的實現(xiàn)。sobel39。邊緣檢測后圖像 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，如果一個點的二維一階導(dǎo)數(shù)比指定的門限大，我們就定義圖像中的次點是一個邊緣點，一組這樣的依據(jù)事先 定好的連接準(zhǔn)則相連的邊緣點就定義為一條邊緣。 20 邊緣檢測選用不同的額算子或者閾值都會對結(jié)果造成很大的影響，經(jīng)過反復(fù)試驗，我選取了 Sobel 算子 進行邊緣檢測，通過代碼 I_edge=edge(I_gray,39。經(jīng)過腐蝕過后，圖像中目標(biāo)周圍的邊緣被腐蝕了，大大的縮小目標(biāo)的范圍，為后面提取車牌的進行提供了先決條件。 通過對比原始圖片，我們可以發(fā)現(xiàn)形態(tài)濾波后的圖像已經(jīng)很接近正確的車牌位置了，因此后期處理將通過這張圖來找出車牌位置。 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行。 %用來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。一般分割出來的字符要進行進一步的處理，以滿足下一步字符識別的需要 ，但是對于車牌的識別，并不需要太多的處理就已經(jīng)可以達到正確識別的目的，在此只進行了歸一化處理，然后進行后期處理。車牌字符識別與一般 文字識別在于它的字符數(shù)有限， 十個阿拉伯?dāng)?shù)字 0～ 9， 24 個大寫英文字母 A～ Z 以及相關(guān)的車牌用漢字：京、滬、蘇、臺、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、空、海等。num 的文件夾中 接下來是對前面分割出的字符進行識別，運用的是模板匹 配字符識別算法，過程是把切割出的字符與庫里的漢字和字符的模板做減法運算，找到差別點最少的模板為對應(yīng)模板，輸出該模板對應(yīng)的字符，最后識別出車牌 。,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)))。車牌為 :39。對于光照條件不理想的圖象，可先進行一次圖象增強處理，使得圖象灰度動態(tài)范圍擴展和對比度增強，再進行定位和分割，這樣可以提高分割的正 28 確率。隨之進行定位及分割還有識別。 而車牌識別技術(shù)恰好能滿足這一需求，通過車牌識別我們可以解決被納入“黑名單”的通緝車輛，可以統(tǒng)計一定時間范圍內(nèi)進出各省的車輛，還能有效的對該車輛進行定位，對公安機關(guān)等相關(guān)部門有著很重要的作用 通過智能的車牌定位及識別技術(shù)將 對于維護 交通安全 和城市治安，防止交通堵塞，實現(xiàn)交通 自動化 管理有著現(xiàn)實的意義 。本次設(shè)計主要解決了一下幾個問題： (1)對彩色圖像進行灰度化處理的方法： (2)選取合適的邊緣檢測算子及對灰度圖像進行邊緣檢測的方法； (3)如何在圖像中定位出車牌位置并從定位好的車牌圖像中提取出車牌； (4)如何對車牌字符進行分割和字符識別。 30 附錄 設(shè)計代碼 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)。 %用來存放水平分割線的橫坐標(biāo) flag=0。