【文章內(nèi)容簡(jiǎn)介】 r)表示第 r 個(gè)灰度級(jí)出現(xiàn)的概率，直方圖表示了原圖的灰度值分布情況。 灰度直方圖表示了圖像的灰度分布情況，基本上可以描述一幅圖像的相貌，但是為了能更好的的進(jìn)行圖像識(shí)別，改善識(shí)別效果，必須對(duì)直方圖進(jìn)行修正 。 如果用 s(0≤s≤1)表變換后 來圖 像的灰度， r(0≤r≤1) 表示 原始圖像 的灰度 (0代表黑， 1 代表白 )。 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)。為了使這種灰度變換具有實(shí)際意義， T(r)應(yīng)該滿足下列條件： 南京工程學(xué)院畢業(yè)設(shè)計(jì)說明書（論文） 12 1)在 0≤r≤1 區(qū)間， T(r)為單調(diào)遞增函數(shù)； 2)在 0≤r≤1 區(qū)間。有 0≤T(r)≤1。 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。 MATLAB 中 J = histeq(I, n)函數(shù)可以對(duì)直方圖進(jìn)行均衡化的操作， n 為 均衡化后的級(jí)數(shù)， 本文中所用的缺省值 256，圖 35 和圖 36 為直方圖均衡化前后對(duì)比圖。 (a)原始車輛灰度圖 (b)原始直方圖 圖 35 原始灰度圖和直方圖 (a)車輛均衡化的灰度圖 (b)均衡化的直方圖 圖 36 均衡化后的灰度圖和直方圖 圖像濾波 實(shí)際生活中，圖像在獲取和傳輸過程中會(huì)受到許多噪聲的影響， 為了去除圖像中的噪聲，對(duì)車牌圖像濾波，常 采用 鄰域平均法，中值濾波法和維納濾波法，各方法功能現(xiàn)分別介紹如下 ： 南京工程學(xué)院畢業(yè)設(shè)計(jì)說明書（論文） 13 (1)鄰域平均法 鄰域平均法屬于空間域的一種，主要是在空間域上操作，鄰域平均法的具體原理是取平均值，即用該像素鄰域范圍內(nèi)的像素灰度平均值代替該像素的灰度值。圖像信號(hào)通過鄰域平均處理得到平滑，效果與圖像信號(hào)通過低通濾波器的相似。 取圖像 f(i,j)中的像素點(diǎn) (m,n)， 并取其鄰域 S， S 通常為矩形，鄰域內(nèi)共有M 個(gè)像素，求所有像素的平均 值，該平均值即為像素點(diǎn) (m, n)處的灰度，點(diǎn) (m, n)一般位于 S 的中心。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 ，它是通過減少圖像中某一鄰域內(nèi)的 像素 灰度值 的 差 別來實(shí)現(xiàn)濾波的。 (3)維納濾波 法 維納濾波主要用于存在較大噪聲的圖像濾波的過程中， 它 能夠從噪聲中提取信號(hào)波形，通過維納濾波后所得到的圖像在整體上較為平滑。維納濾波是基于圖像的局部方差實(shí)現(xiàn)噪聲濾除的，方差越小，噪聲濾除效果越好。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。 MATLAB 軟件中用于維納濾波的函數(shù)為 Wiener2 函數(shù)，其采用的是基于像素的局部均值與方差的算法： ??? ?? 2,1 21 ),(1 nn nnaMN (39) 2, 21221),(1 ?? ?? ? ?? nn nnMN (310) 式 310 中 ? 是圖像中每個(gè)像素 的 n1*n2 鄰域 ，然后對(duì)每一個(gè)像素利用濾波器估計(jì)出其灰度值 ： )),((),( 212 2221 ???? ???? nnavnnb （ v2 是圖像中噪聲的方差） (311) 基于維納濾波的巨大的優(yōu)點(diǎn)，本系統(tǒng)所用的即為維納濾波，在對(duì)濾波后的南京工程學(xué)院畢業(yè)設(shè)計(jì)說明書（論文） 14 灰度圖像進(jìn)行較好的二值化處理。 維納濾波前后對(duì)比如圖 37 所示。 (a)維納濾波前 (b)維納濾波后 圖 37維納濾波 前后 對(duì)比圖 二值化 二值是指黑、白兩種顏色，二值化就是就將圖 像變?yōu)楹凇變煞N顏色，這樣對(duì)二值化的圖像再進(jìn)行別的處理速度更快，得到的效果更好，二值化的圖像特征更明顯，更容易被描述和分析。在現(xiàn)實(shí)生活中，存在許多二值圖像，例如書本文字、采集到的指紋，設(shè)計(jì)的圖紙，因?yàn)閳D像二值化的眾多優(yōu)點(diǎn)導(dǎo)致 我們常常把本身是有灰度的圖像變成二值化圖像再 處理， 這樣 能夠 使 車牌識(shí)別系統(tǒng)提高處理效率， 加快 處理速度，降低處理成本。 圖像二值變換的原理是通過確定恰當(dāng)?shù)?閾值來分割對(duì)象與背景，并且要確保變換后的圖像不丟失原來圖像的形狀信息，不產(chǎn)生額外的空缺。 二值化的關(guān)鍵點(diǎn)是要找到恰當(dāng)?shù)拈撝?，此閾值用來分?對(duì)象與背景 。 假設(shè)f(x,y)為 原灰度圖 像， g (x,y)為 二值化后的圖像 ，閾值為 t，二值化的數(shù)學(xué)方法表示如 式 312， 313 下： g(x,y)=1,f(x,y) ? t (312) g(x,y)=0,f(x,y)t (313) 實(shí)際應(yīng)用中，閾值 t 的 選取方法主要有 3 類：局部閾值法、全局閾值法和動(dòng)態(tài)閾值法。 局 部閾值法則根據(jù)圖像像素的本身性質(zhì)和局部特性來確定像素的閾值的，南京工程學(xué)院畢業(yè)設(shè)計(jì)說明書（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。因此局部閾值法能夠比較準(zhǔn)確地實(shí)現(xiàn)對(duì)象和圖像的分離，但仍然存在一些缺點(diǎn)，如圖像分割偶然性大，易出錯(cuò)，易出現(xiàn)偽影現(xiàn)象，同時(shí)計(jì)算量大，速度慢。 全局閾值二值化方法確定一個(gè)閾值，此閾值是由圖像的灰度分布確定的，通常在圖像不太復(fù)雜的情況下使用，典型的全局閾值二值化方法主要是 Ostu方法。全局閾值方法適用于目標(biāo)于背景分離明顯的圖像，算法簡(jiǎn)單，計(jì)算量小，在現(xiàn)實(shí)中得到了廣泛應(yīng)用。 動(dòng)態(tài)閾值法是依據(jù)三個(gè)因素：該像素灰度值、周圍像素的灰度值、該像素的坐標(biāo)位置來確定閾值，因此，該方法較為全面，但是計(jì)算量大，處理速度慢。 Otsu 提出了最大類間方差法 (有時(shí)也稱之為大津法 )，該算法是通過方差最大化 來分割圖像的，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 。 記 t 為 對(duì)象 與背景的分割閾值， 目標(biāo)像素 數(shù)占圖像比例為 0? ， 平均灰度為0? 。 背景 像素 數(shù)占圖像比例為 1? ，平均灰度 為 1? 。圖像的總平均灰度為：)()()()( 1100 tttt ????? ?? 。從最小灰度值到最大灰度值遍歷 t ，當(dāng) t使得值211200 )()( ?????? ????g 最大時(shí) t即為分割的最佳閾值。對(duì)大津法可作如下理解：該式實(shí)際上就是類間方差值，閾值 t 分割出的對(duì)象和背景兩部分構(gòu)成了整幅圖像，而對(duì)象取值 0? ，概率為 0? ，背景取值 1? ，概率為 1? ，總均值為? ，根據(jù)方差的定義即得該式。具體的推導(dǎo)如下所示 。 方法 1: 假設(shè) MN? 圖像 ),(ji 點(diǎn)處的灰度值 為 ),( jif ，灰度級(jí)為 ? ，不妨假設(shè) ),( jif取值 ]1,0[ ?m 。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)說明書（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。 方法 2： )(0t? 代表 對(duì)象 中心灰度 ， )(1t? 代表 背景的中心灰度， ? 代表整幅圖像的中心灰度， 為了圖像能分割效果更好 ， 那么 分割出的 對(duì)象要 盡量遠(yuǎn)離圖像中心，即 20 ))(( ?? ?t 或 |)(| 0 ?? ?t 盡量大， 同樣地， 分割出的背景也盡量遠(yuǎn)離中心，即21 ))(( ?? ?t 或 |)(| 1 ?? ?t 盡量大，由于希望兩者都大，于是有： 兩者之加權(quán)和最大： ]))(()())(()([ 2112020mt0 ?????? ???? ?? ttttM axA r gg (323) 兩者之積最大： ]))(())(([ 21201mt0 ???? ??? ?? ttM axA r gg (324) 注意到有 )()()()( 1100 tttt ????? ?? ，且 )()( 10 t??? ?? ，因此有：2120211200 ))(())(())(()())(()( ?????????? ?????? tttttt ?？梢娛嵌叩葍r(jià)的，從而間接地驗(yàn)證了方法 1 結(jié)果的正確性。 Otsu 方法流程圖如圖 38 所示。 南京工程學(xué)院畢業(yè)設(shè)計(jì)說明書（論文） 17 、 對(duì)于車牌圖像，其本身的對(duì)象和背景灰度差距比較大，灰度直方圖有明顯的雙峰現(xiàn)象，在經(jīng)過圖像增強(qiáng)處理以后，這一 特點(diǎn)更為明顯。所以，本文采取Ostu 的方法進(jìn)行車牌二值化，取得較好的效果，如圖 39 所示 。 (a)車牌二值化前灰度圖 (b)車牌二值化圖像 圖 39 車牌二值化前后對(duì)照?qǐng)D 主要程序如下： %二值化 BWPlate=im2bw(GrayPlate,level)。figure(1)。subplot(3,3,3)。 imshow(BWPlate)。title(39。 39。)。圖 38 Otsu 方法流程圖 開 始 讀入灰度圖像 I 求 t 的范圍 記錄 t 對(duì)應(yīng)的 g 求 )max(g 時(shí) t 的取值 tjif ?),( 0),( ?jib 1),( ?jib 顯示二值圖像 N N 圖41車牌上下定位流程圖 Y 結(jié) 束 Y 南京工程學(xué)院畢業(yè)設(shè)計(jì)說明書（論文） 18 第四章 車牌定位 及實(shí)現(xiàn) 基于邊界分割方法最基本的處理就是邊緣檢測(cè)。 圖像邊緣的確定與提取對(duì)于圖像的分析與識(shí)別具有重要的作用，圖像中邊緣處兩側(cè)的特征，形狀，灰度等均存在巨大的差別，因此，可以通過邊緣的檢測(cè)來找出目標(biāo)，并進(jìn)行相應(yīng)的處理。 本文提出的車牌定位方法主要就是基于邊緣檢測(cè) 和投影的方法，所以做好邊緣檢測(cè)是 實(shí)現(xiàn)車牌識(shí)別的 第一步。 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。邊緣包含了圖像大部分的信息，在 物體邊緣兩側(cè)的 形狀、 灰度、紋理 特征 區(qū)別非常的明顯。邊緣的檢測(cè)與提取對(duì)整