【正文】 數(shù)在任一方向上的導(dǎo)數(shù)與圖像的卷積的原理， 是先平滑后 求卷積 。在我國(guó)，車牌主要有下列特征： (1)車牌有一個(gè)連續(xù)或由于磨損而不連續(xù)的邊框 。 基于彩色分割的定位方法 南京工程學(xué)院畢業(yè)設(shè)計(jì)說(shuō)明書(shū)（論文） 25 此車牌 定位方法主要是對(duì)彩色圖像進(jìn)行操作的，主要采用的是多層感知器對(duì)彩色圖像進(jìn)行定位。 (4)在找到 車牌底后，對(duì)于黑白值改變的次數(shù) toptest 的行，確定車牌上邊界。 (5) 如果 AreaCount28*height,再計(jì)算左邊界右邊的 2 個(gè)字符區(qū)域的 黑白跳變次數(shù) 賦給 temparray,如果 temparray7*plateheight， 則左邊界定位錯(cuò)誤，重置標(biāo)志為 leftflag=0，繼續(xù)尋找左邊界。amp。本文前述的傾斜校正及二值化工作為車牌字符分割工作的順利進(jìn)行打下堅(jiān)實(shí)的基礎(chǔ)。 (3)根據(jù) 字符先驗(yàn)知識(shí)進(jìn)行分割校正 根據(jù)第 (2)步的結(jié)果，若字符區(qū)域個(gè)數(shù) Tempwordcount7， 表示 字符區(qū)域需要合并。amp。 (3)字符結(jié)構(gòu)變形導(dǎo)致變成團(tuán)狀，字符缺失，斷裂 。它的研究的對(duì)象是基元，就像文章中的字、詞、短語(yǔ)和句子，這些構(gòu)成了一遍文章，所以在這里我們研究的是字符的組成結(jié)構(gòu)，這種方法也被 稱為句法模式識(shí) 別，這種識(shí)別方法容易識(shí)別變化的字符和 區(qū)分相似的字符。因?yàn)樘?，模板匹配所需時(shí)間就長(zhǎng)，太小，包含的有用信息就會(huì)減少，表達(dá)的內(nèi)容就不夠完整。 車牌識(shí)別系統(tǒng)的測(cè)試 本次設(shè)計(jì)的 車牌識(shí)別系統(tǒng)是一個(gè) 比較完整的軟件系統(tǒng)，是一個(gè)可以被運(yùn)用于實(shí)際生活中的軟件系統(tǒng)，系統(tǒng)設(shè)計(jì)完成后 ， 對(duì)界面效果，各個(gè)模塊 ，軟件性能各個(gè)方面 進(jìn)行了詳細(xì)的檢測(cè)，并根據(jù)檢測(cè)結(jié)果做出相應(yīng)的完善與修改，最終，軟件系統(tǒng)能夠 正常運(yùn)行 ，功能能夠基本實(shí)現(xiàn)。但是在測(cè)試中，會(huì)發(fā)現(xiàn)有些功能是不完善或是有必要修正的。 模塊功能測(cè)試 模塊功能測(cè)試，就是為了檢查在模塊中有沒(méi)有不能實(shí)現(xiàn)或?qū)崿F(xiàn)有問(wèn)題的功能，或是運(yùn)行是否穩(wěn)定以及能否反復(fù)使用。軟件測(cè)試在軟件最終形成過(guò)程中占有重要的地位，任何軟件必須通過(guò)測(cè)試，才能去發(fā)現(xiàn)錯(cuò)誤，才能去更正錯(cuò)誤，軟件測(cè)試者的主要工作是找出軟件的缺陷，然后軟件設(shè)計(jì)者根據(jù)測(cè)試 的結(jié)果做出相應(yīng)的改進(jìn)，直至滿足軟件消費(fèi)者的需求。模板匹配法包括以下 創(chuàng)建字符模板 、 字符匹配 兩 大步驟 ，簡(jiǎn)述如下： 創(chuàng)建字符模板 匹配模板用來(lái)比對(duì)從車牌分割出來(lái)的字符圖像。但也存在比較明顯的缺點(diǎn)，如果 模式比較復(fù)雜 ，則提取模式的特征比較困難，而且只注重局南京工程學(xué)院畢業(yè)設(shè)計(jì)說(shuō)明書(shū)（論文） 33 部，忽略整體，因此，只適合模式簡(jiǎn)單的目標(biāo)。 本次設(shè)計(jì)是車牌識(shí)別系統(tǒng)，主要 識(shí)別的 是汽車牌照上的字符，由于眾多客觀條件的制約導(dǎo)致字符識(shí)別率比較低，例如： (1)圖像質(zhì)量差， 分辨率太低 。amp。 的 規(guī) 格， 首先算出 車牌中第二個(gè)和第三個(gè)字符之間的圓點(diǎn)分割符的位置 ， 用 i 表示車牌二值圖像的列， [i1,i2]表示圓點(diǎn)分割符 所在字符之間的區(qū)域 ， i1 為左邊界， i2 為右邊界，將 i1 到 i2 列之間的圖像區(qū)域像素點(diǎn)全部設(shè)為 0，這樣就去掉了圓點(diǎn)分割符。 本系統(tǒng) 采用的分割方法是利用灰度差來(lái)完成的，即利用 目標(biāo)和背景之間的灰度差實(shí)現(xiàn) 分割的。amp。這樣就確定了一個(gè)臨時(shí)右邊界。 (2)將 掃描每行時(shí)的黑白值改變的次數(shù)賦給 count[i],i 為 行號(hào) ，變量bottomflag 作為 車牌下邊界是否找到 的標(biāo)志 。檢測(cè)的 算子比較多，如前文介紹的 Roberts 邊緣算子、 Log算子、 Sobel 算子以及拉普拉斯 算子 。sobel39。 這種方法的特點(diǎn)既平滑了圖像又降低了噪聲， 濾除了許多 噪聲點(diǎn)和較 小的組織 結(jié)構(gòu) 。 45637210],[aaaajiaaaa 圖 41 Sobel 算子鄰域像素點(diǎn) 圖示 拉普拉斯算子 階躍邊緣二階 導(dǎo)數(shù)經(jīng)過(guò)平滑可以使其在邊緣點(diǎn)的取值為零。 那么在眾多的邊緣算子 中 如何選擇是本系統(tǒng)研究的一個(gè)重點(diǎn)，下面將對(duì) 各種 算子進(jìn)行比較和論證。一階微分圖像的峰處就是圖像的邊緣點(diǎn)，同樣的由導(dǎo)數(shù)相關(guān)知識(shí)可知， 邊緣點(diǎn)存在于 二階微分圖像的零點(diǎn)處。 邊緣檢測(cè) 邊緣檢測(cè)概述 邊緣是圖像分析的 重要依據(jù)， 是圖像局部亮度變化最顯著的部 分，是物體邊緣分界的地方， 是由于圖像局部特征的間斷性而產(chǎn)生的。subplot(3,3,3)。記 )(kp 為灰度值 取 k 的頻率，則有： ??? kjifMNkp ),( 11)( (314) 假設(shè)用 灰度 值 t 為閾值分割出 的對(duì)象與背景 分別為： }),({ tjif ? 和}),({ tjif ? ，于是對(duì)象部分比例： ???? ti ipt 00 )()(? ， (315) 對(duì)象部分點(diǎn)數(shù)： 南京工程學(xué)院畢業(yè)設(shè)計(jì)說(shuō)明書(shū)（論文） 16 ???? ti ipMNtN 00 )( )( (316) 背景部分比例： ????? 11 )()( mit ipt? (317) 背景部分點(diǎn)數(shù)： ????? 11 )()( mit iPMNtN (318) 對(duì)象均值： ???? ti tiipt 0 00 )(/)()( ?? (319) 背景均值： ? ???? 1 11 )(/)()( mit tiipt ?? (320) 總均值： )()()()( 1100 tttt ????? ?? (321) 運(yùn)用 大津法 求取 最佳閾值 g 的公式為： ]))(()())(()([ 2112020mt0 ?????? ???? ?? ttttM axA r gg (322) 其中 )(0t? 表示對(duì)象 值 ， )(1t? 為對(duì)應(yīng)的 概率， )(1t? 表示 背景值， )(0t? 為其對(duì)應(yīng)的 概率， ?為總均值，根據(jù)方差的定義即得 式 322。 Otsu 提出了最大類間方差法 (有時(shí)也稱之為大津法 )，該算法是通過(guò)方差最大化 來(lái)分割圖像的，假設(shè)閾值將圖像分割成對(duì)象和背景兩部分，因?yàn)?方差是灰度分布均勻性的一種度量，如果構(gòu)成 圖像的兩部分差別越大，那么 方差值越大，圖像的分割效果越好，如果差別越小，圖像分割效果越差 。 圖像二值變換的原理是通過(guò)確定恰當(dāng)?shù)?閾值來(lái)分割對(duì)象與背景，并且要確保變換后的圖像不丟失原來(lái)圖像的形狀信息，不產(chǎn)生額外的空缺。如 S 為 3X3 鄰域，點(diǎn) (m,n)位于 S 中 心，則 ? ? ?? ???? ??? 1 11 1 ),(91, ji jnimfyxf (38) (2)中值濾波 法 由于鄰域平均法會(huì)使圖像中的細(xì)節(jié)變得模糊，而中值濾波不僅能消除噪聲還會(huì)防止細(xì)節(jié)變的模糊 ，中值濾波是一種非線性濾波， 簡(jiǎn)單的說(shuō)就是取所有像素的中間值，圖像濾波后所得到的結(jié)果即為圖像中所有像素灰度的中值 ，它是通過(guò)減少圖像中某一鄰域內(nèi)的 像素灰度值 的 差 別來(lái)實(shí)現(xiàn)濾波的。 在 [0,1]的區(qū)間任意取一個(gè) r 值， 都對(duì)應(yīng)著一個(gè) s 值，且 s=T(r)， T(r)為變換函數(shù)。 g(x,y)=T[f(x,y)] (34) 圖 33 灰度拉伸 曲線 式 (34)中 f(x,y)為點(diǎn) (x,y)的灰度 ， T 為映射函數(shù)， g(x,y)為變換后的灰度。 (a) 車輛 RGB 彩色圖像 (b) 車輛灰度圖 圖 32 汽車灰度化前后圖像 車輛圖像增強(qiáng) 由于各種客觀因素的作用，例如光照、天氣、拍照設(shè)備等影響導(dǎo)致車輛圖像的質(zhì)量比較低，為了得到更好的處理效果，往往首先對(duì)圖像進(jìn)行圖像增強(qiáng)，即 將圖 像轉(zhuǎn)換成更易被處理的形式，以便從圖像中獲取更有用的信息 ，圖像增強(qiáng)技術(shù)廣泛的應(yīng)用于圖像處理領(lǐng)域。一般先將各種圖像轉(zhuǎn)變成灰度圖像， 然后進(jìn)行圖像處理， 因?yàn)榛叶葓D像是一種特殊的彩色圖像，它的 R、 G、 B 三個(gè)分量是完全一樣的，每一個(gè)像素點(diǎn)的變化范圍就減少為 255 種，這樣，圖像處理的計(jì)算量就變得比較少，從而節(jié)省處理時(shí)間和處理成本。 色調(diào) 表示顏色，顏色按波長(zhǎng)可以分為紅橙黃綠青藍(lán)紫。 (5)GUI 界面設(shè)計(jì)如圖 21 所示。本系統(tǒng) 主 要包括車牌灰度化、圖像增強(qiáng)、邊緣檢測(cè)、車牌定位、 車牌預(yù)處理、 分割車牌、字符分割、字符識(shí)別等部分，其 主要結(jié)構(gòu)圖如圖 12 所示。 MATLAB 圖像處理工具箱簡(jiǎn)介 MATLAB 中的 Image Processing Toolbox?（圖像處理工具箱） ， 提供 許多的圖形工具和標(biāo)準(zhǔn)圖像處理函數(shù)，主要 用于進(jìn)行圖 像分析、 識(shí)別、 可視化 等處理，本文中的圖像處理方法均是參照 MATLAB 中標(biāo)準(zhǔn)圖像處理函數(shù)而設(shè)計(jì)和編寫(xiě)程序的，因此得到較好的圖像處理效果。第一部分是 系統(tǒng)界面 的實(shí)現(xiàn)，主要介紹 了 系統(tǒng)界面 的功能和作用，以及本系統(tǒng) 的 界面。 車牌識(shí)別系統(tǒng)設(shè)計(jì)運(yùn)用 了許許多多的知識(shí)， 但核心均是基于 圖像處理方面的相關(guān)原理對(duì)車牌圖像進(jìn)行相應(yīng)的處理，處理過(guò)程主要包 括灰度化、圖像增強(qiáng)、二值化、邊緣檢測(cè)、圖像分割、 圖像對(duì)比等部分。 由于 我國(guó)車牌種類多，并且是由漢字 、 英文字母和數(shù)字組成， 這 給自動(dòng)識(shí)別 系統(tǒng)的設(shè)計(jì) 帶來(lái)較大的難度。識(shí)別 系統(tǒng) 處理過(guò)程主要包括 獲取車輛源圖像、圖像 灰度化、圖像增強(qiáng) 去噪 、邊緣檢測(cè)、 車牌定位、車牌圖像預(yù)處理、車牌字符分割、字符識(shí)別 等部分 ，其中 車牌定位和字符識(shí)別 部分 是整個(gè)系統(tǒng) 設(shè)計(jì) 的核心和難點(diǎn)。 車牌識(shí)別系統(tǒng)的出現(xiàn)能夠更無(wú)人化、數(shù)字化、智能化、 網(wǎng)絡(luò)化的對(duì)車輛進(jìn)行管理。第四部分是車牌字符的分割與識(shí)別，分別介紹了字符分割和識(shí)別的原理及方法，是本系統(tǒng) 的最終實(shí)現(xiàn)結(jié)果。 圖像處理 工具箱 提供用于圖像處理的標(biāo)準(zhǔn)算法，這些算法 非常全面，可以解決諸多常見(jiàn)的圖像處理方面的問(wèn)題， 包括灰度化、圖像增強(qiáng)、邊緣檢測(cè)、圖像分割等眾多算法 ,其中邊緣檢測(cè)算法中包括 Sobel、 Prewitt、 Roberts、 Canny 和 拉普拉斯高斯等 方法，圖像分割算法包括全局閾值法和基于邊緣提取法，MATLAB 圖形工具箱還提供一系列統(tǒng)計(jì)函數(shù)用以統(tǒng)計(jì)圖像特征并分析，并可南京工程學(xué)院畢業(yè)設(shè)計(jì)說(shuō)明書(shū)（論文） 3 以用圖像表示出來(lái)，如圖 11 所示。GUI 是一個(gè)常見(jiàn)界面，包括一些控件 ，例如，按鈕、滑塊、列表框 、菜單等，這些控件相當(dāng)于“遙控器”，用戶可以通過(guò)他們進(jìn)行相應(yīng)的操作。 (1)RGB RGB 三基色應(yīng)用于幾乎所有彩色成像設(shè)備和彩色顯示設(shè)備，不僅如此，許多的數(shù)字圖像文件常用的存儲(chǔ)形式是 RGB 三基色 ， RGB 彩色空間是以 RGB 三基色 作為坐標(biāo)的 。飽和度采用百分?jǐn)?shù)表示，灰色光或白光為 0%，純色光為 100%。 由于圖像在包含的許多有用信息的同時(shí)還包含許許多多的無(wú)用的信息，這些信息對(duì)圖像識(shí)別形成了極大的干擾，因此必須對(duì)圖像進(jìn)行灰度化，這樣濾除了許多無(wú)用的信息，加快了處理的速度。 (2)頻率域法 頻率域法是一種逆變換的方法，是間接的。通常橫坐標(biāo)表示灰度級(jí)別，縱坐標(biāo)表示頻率。 變換公式為： s=T(r)=?ro drrP )( (37) 式 37 表明變換函數(shù)是原始圖像的累計(jì)分布函數(shù)，具有非負(fù)遞增性。與其它濾波相比，維納濾波具有其優(yōu)越的特性，它可以很好的保存圖像邊緣和高頻細(xì)節(jié)信息，同時(shí)特別是對(duì)于含有白色噪聲的圖像有較好的濾波效果。 局部閾值法則根據(jù)圖像像素的本身性質(zhì)和局部特性來(lái)確定像素的閾值的，南京工程學(xué)院畢業(yè)設(shè)計(jì)說(shuō)明書(shū)（論文） 15 典型的局部閾值方法主要是 Bernsen 算法，圖像的局 部性質(zhì)基本上不受外界環(huán)境的影響。圖像的總平均灰度為：)()()()( 1100 tttt ????? ?? 。 Otsu 方法流程圖如圖 38 所示。 39。邊緣檢測(cè) 在數(shù)字圖像處理領(lǐng)域 應(yīng)用的非常 的廣泛。 該方法比較直觀，將許多像素點(diǎn)擬合一個(gè)曲面，然后求這個(gè)連續(xù)曲面某像素點(diǎn)的梯度 。 Roberts應(yīng)用的原理是局部差分的方法 ， 但是這種方法處理效果不是太好， 邊緣定位精確度不是很高 ，并且處理速度比較慢。 將 j 換成 1?j ， 于 是有 ?22xf?? ]1,[]),[2]1,[( ???? jifjifjif (49) 式 49 等號(hào)右 邊的式子近似等于左邊， 是以點(diǎn)[為中心 ， 同樣地， 對(duì)于y 的二階導(dǎo)數(shù)為： ?22yf?? ],1[]),[2],1[( jifjifjif ???? (410) 將式 49 與 410 通過(guò) 數(shù)學(xué)上公式上的合并得到下面近似 拉普拉斯算子的模板 ： ??????????