【文章內(nèi)容簡介】 向圖像中的第某個(gè)（ i,j）個(gè)像素的灰度值與閥值相比較大小，如果大于閥值，則將灰度值設(shè)置為255 代表白色。如果小于閥值，則將灰度值設(shè)置為 0 代表黑色。利用ThresholdTrans（）函數(shù)對圖像進(jìn)行二值化處理。 車牌定位算法的分析與研究 在上述的圖像處理工作，是為了給車牌定位做下基礎(chǔ)。車牌的搜索定位有基于紋理的車牌定位方法、角點(diǎn)模板定位法，掃描法和投影法等。由于車輛牌照圖 像在原始圖像中是一個(gè)長條形 的子區(qū)域，在車輛圖像中的位置相對集中（ 一般來說車牌都在車輛下部，與車牌文字類似文字干擾大多在上部 ）并且灰度有突變，所以可以采用 掃描 法定位 車牌 ， 采用從左到右、從下到上順序掃描。 （每 10 行掃描一次），設(shè)邊緣灰度值為 1 非邊緣像素值為 0，統(tǒng)計(jì)每行灰度值的跳變，并記錄下這些跳變值。 10 個(gè)跳變 值 以上，并且前一個(gè)跳變和后一個(gè)跳變點(diǎn)距離在一定范圍內(nèi)，就記錄下起始占烽終止點(diǎn)位置。 如果連續(xù)有十行以下這樣跳變點(diǎn) ，并且相鄰上下行起始點(diǎn)和終止點(diǎn)相鄰。就認(rèn)為該區(qū)域是車牌 預(yù)選區(qū)域 。 ，分別向上、向下逐行掃描，跳變值相近行，記錄下最上行坐標(biāo) TOP 和最下行坐標(biāo) Bottom。這樣可以確定車牌的水平區(qū)域。 ，對 3 中得出的水平區(qū)域進(jìn)行垂直投影根據(jù)垂直投影圖，可以確定車牌在圖中的大致位置。 而根據(jù)實(shí)際情況分析在經(jīng)過前期對圖像進(jìn)行邊緣檢測、圖像增強(qiáng)、二值處理使得較為容易掃描到角點(diǎn)（ Topleft和 Bottomright），將掃描的角點(diǎn)存入數(shù)組，所以本文采用角點(diǎn)掃描算法對車牌進(jìn)行定位。在圖中一定區(qū)域范圍內(nèi)搜索掃描符合一定條件的點(diǎn)，并依次標(biāo)記為左下點(diǎn) TL[i]或?yàn)橛疑宵c(diǎn) BR[j] 。 這樣圖像掃描一次得到全部 TL 和 BR 點(diǎn)族后，就可以通過簡單的排列組合，拼成大小不一、位置不同的一系列矩陣，然后依據(jù)車輛牌照的特點(diǎn)，如，長寬比一定；在整幅圖像中的位置范圍幾乎相同；長和寬的像素點(diǎn)在一定范圍內(nèi)等，進(jìn)行排查，最后得到最匹配的一個(gè)矩形區(qū)域，即為車牌區(qū)域，本文定義 myFindRightAngle（）函數(shù)對車牌進(jìn)行掃描定位。 車牌區(qū)域分割提取 前面經(jīng)過了圖像的灰度化、灰度均衡處理、邊緣檢測、二值化、車牌定位一系列的操作，使得車牌區(qū)域在圖像中標(biāo)記出來，接下 來就是利用 myCropDIB（）這個(gè)函數(shù)來對圖像進(jìn)行分割， 所謂圖像分割就是根據(jù)目標(biāo)與背景的的先驗(yàn)知識，對圖像中的目標(biāo)、背景進(jìn)行標(biāo)記、定位，然后將待識別的目標(biāo)從背景或其他偽目標(biāo)中分離出來。圖像分割是圖像提取的重要組成部分，只有有效地完成分割，才能進(jìn)一步提取目標(biāo)特征并識別目標(biāo) 只保留車牌部分，其他部分被裁剪掉。 4 改進(jìn)算法的研究 灰度轉(zhuǎn)換算法 彩色圖像包含著大量的顏色信息，不但在存儲上占用更多的空間，而且在處理上也會降低系統(tǒng)的執(zhí)行速度，例如：當(dāng)系統(tǒng)應(yīng)用于高速公路無間斷?？渴召M(fèi)站時(shí)，車輛高速行駛，若 圖像處理速度緩慢，則直接影響到整體的工作效率。另一方面灰度圖像只含有亮度信息，不含有任何色彩信息，而每個(gè)彩色圖像都具有R(紅 )、 G(綠 )、 B（藍(lán)） 3 個(gè)不同的顏色分量，存在許多與識別無關(guān)的信息，不便于進(jìn)一步開展后續(xù)工作，因此在對圖像處理時(shí)首先因考慮將電子采集的真彩BPM圖，轉(zhuǎn)化為 256 色的灰度圖，用于排除車牌周圍顏色環(huán)境干擾，并加快處理速度。其轉(zhuǎn)化原理及相關(guān)算法如下： 將原圖像的灰度 f（ x,y）經(jīng)過一個(gè)變換函數(shù) g=T(f),轉(zhuǎn)化成為一個(gè)新的灰度 g（ x,y） ,即 g(x,y)=T[f(x,y)]，灰度變 換可使圖像對比度得到擴(kuò)展，圖像清晰，排除背景環(huán)境因素的干擾，使得圖像特征更加明顯。彩色圖像灰度化的公式為： Y=++ 公式（ 41） (其中 Y 代表灰度值， YminYYmax , Ymin=0 表示黑， Ymax=255 表示白； R(紅 )、G(綠 )、 B（藍(lán)）灰度變化后的圖像 Y=R=G=B。 利用圖像中車牌區(qū)域中字符和底色之間灰度有規(guī)律的變化特征， 設(shè)計(jì)算法搜索車牌區(qū)域是一種典型的車牌定位方法。通過對車牌圖像水平方向上掃描行的灰 度值進(jìn)行觀察， 可以發(fā)現(xiàn)車牌圖像部分相對于其他部分在灰度分布上有明顯的不同。傳統(tǒng)上用搜索谷峰谷底或者用行離差來描述灰度變化都有一定的局限性。本文提出一種用差分來描述灰度變化的方法。假設(shè)車牌圖像每一掃描行的導(dǎo)數(shù)都存在， 對其求導(dǎo)， 則導(dǎo)數(shù)大于零的點(diǎn)是灰度的上升點(diǎn)， 小于零的點(diǎn)是灰度的下降點(diǎn)， 等于零的點(diǎn)是灰度的最大值或最小值， 即谷峰點(diǎn)和谷底點(diǎn)。對整幅圖像每隔 3 行進(jìn)行掃描， 標(biāo)記屬于車牌區(qū)的掃描行， 并且記錄掃描行的左右邊界連續(xù)幾行標(biāo)記過的掃描線在豎直方向上的間距為 3， 且掃描行的左右邊界相近的區(qū)域?yàn)檐嚺茀^(qū) 。取上述幾個(gè)左右邊界的中值為車牌的邊界， 取連續(xù)掃描線的中值為車牌區(qū)在豎直方向上車牌區(qū)中間的值。根據(jù)車牌的先驗(yàn)知識， 可以確定車牌的上下邊界， 在水平方向， 對一些圖像只能夠定位到車牌字符處， 而不包括車牌區(qū)的外框， 因此要進(jìn)行幾個(gè)像素的補(bǔ)償。 灰度均衡算法 由于噪聲、光照等外界環(huán)境或設(shè)備本身的原因，通常我們所獲取的原始數(shù)字圖像質(zhì)量不是很高，因此在對圖像進(jìn)行邊緣檢測、圖像分割等操作之前，一般都需要對原始數(shù)字圖像進(jìn)行增強(qiáng)處理。圖像增強(qiáng)主要有兩方面應(yīng)用，一方面是改善圖像的視覺效果，另一方面也能提高邊 緣檢測或圖像分割的質(zhì)量，突出圖像的特征，便于計(jì)算機(jī)更有效地對圖像進(jìn)行識別和分析。 圖像增強(qiáng)是圖像處理最關(guān)鍵的研究問題之一，圖像增強(qiáng)按作用域可分為兩類，即空域處理和頻域處理?？沼蛱幚硎侵苯訉D像進(jìn)行處理，而頻域處理則是在圖像的某個(gè)變化域內(nèi)，對圖像的變換系數(shù)進(jìn)行運(yùn)算，然后通過逆變換獲得圖像增強(qiáng)效果。本文主要對空域增強(qiáng)法中的直方圖均衡進(jìn)行分析并用 VC ++ 進(jìn)行算法實(shí)現(xiàn)。當(dāng)前圖像處理在算法實(shí)現(xiàn)中主要應(yīng)用 Matlab 仿真工具，但 Matlab運(yùn)行效率較低，且可移植性和實(shí)用性均不太理想。與 Java 和 C等其他 高級語言相比， VC++在程序運(yùn)行效率、內(nèi)存使用的可控性和編程的靈活性上均具有較大的優(yōu)勢，因此本文采用 VC ++ 集成開發(fā)環(huán)境，以達(dá)到算法快速有效地執(zhí)行，同時(shí)增強(qiáng)了算法的可移植性。 灰度圖像直方圖均衡化的描述 灰度圖像直方圖處理方法 圖像的直方圖是圖像處理中一種十分重要且實(shí)用的工具，它概括了一副圖像的灰度級內(nèi)容。從數(shù)學(xué)上來說圖像直方圖是圖像各灰度值統(tǒng)計(jì)特性與圖像灰度值的函數(shù)，它統(tǒng)計(jì)一幅圖像中各個(gè)灰度級出現(xiàn)的次數(shù)或概率。實(shí)際上，灰度圖像直方圖是一個(gè)離散函數(shù) : pf(fk)=nk/n k=0， 1，?， L1 其中 fk 為圖像 f(x， y)的第 k級灰度， nk是圖像 f(x， y)中具有灰度值 fk的象素個(gè)數(shù)， n是圖像象素總數(shù)， L是圖像的灰度級數(shù)。因?yàn)?pf(fk)給出了對各個(gè) fk 出現(xiàn)概率的一個(gè)統(tǒng)計(jì)，所以直方圖提供了圖像的灰度值分布情況。在灰度直方圖坐標(biāo)系中，橫坐標(biāo)表示圖像中各個(gè)像素點(diǎn)的灰度級，縱坐標(biāo)為各個(gè)灰度級上圖像各個(gè)像素點(diǎn)出現(xiàn)的次數(shù)或概率 [5]。 灰度圖像直方圖均衡化算法分析 在對灰度數(shù)字圖像的增強(qiáng)處理方法中，灰度均衡化和灰度規(guī)定化應(yīng)用較為廣泛，但后者需要根據(jù)具體的圖像人為規(guī)定好適 當(dāng)?shù)钠谕狈綀D才能得到滿意的效果，如果期望直方圖規(guī)定不當(dāng)則處理效果會很差，因此后者的通用性不好。而前 者在處理時(shí)只需要將當(dāng)前的灰度分布重新均衡地分布于整個(gè)灰度區(qū)間即可，雖然對于某一幅特定的圖象處理效果可能不及灰度規(guī)定化，但通用性卻要好的多，對任意圖象均可獲得相當(dāng)不錯(cuò)的處理效果 [5]。 直方圖均衡化的基本思想是把原始圖的直方圖變換為均勻分布的形式，這樣就增加了象素灰度值的動(dòng)態(tài)范圍從而可達(dá)到增強(qiáng)圖像整體對比度的效果。設(shè)原始圖像在 (x， y)處的灰度為 f，而改變后的圖像為 g，則對圖像增強(qiáng)的方法可表述為將在 (x， y)處的灰度 f 映射為 g。在灰度直方圖均衡化處理中對圖像的映射函數(shù)可定義為 :g = EQ (f)，這個(gè)映射函數(shù) EQ(f)必須滿足兩個(gè)條件 (其中 L為圖像的灰度級數(shù) ): 公式（ 42） (1)EQ(f)在 0≤ f≤ L1 范圍內(nèi)是一個(gè)單值單增函數(shù)。這是為了保證增強(qiáng)處理沒有打亂原始圖像的灰度排列次序，原圖各灰度級在變換后仍保持從黑到白 (或從白到黑 )的排列。 (2)對于 0≤ f≤ L1 有 0≤ g≤ L1，這個(gè)條件保證了變換前后灰度值動(dòng) 態(tài)范圍的一致性。 累計(jì)分布函數(shù) (cumulative distribution function， CDF)即可以滿足上述兩個(gè)條件，并且通過該函數(shù)可以完成將原圖像 f的分布轉(zhuǎn)換成 g 的均勻分布。此時(shí)的直方圖均衡化映射函數(shù)為 : gk = EQ(fk) = (ni/n) = pf(fi) ， (k=0， 1， 2，??， L1) 上述求和區(qū)間為 0到 k，根據(jù)該方程可以由源圖像的各像素灰度值直接得到直方圖均衡化后各像素的灰度值。在實(shí)際處理變換時(shí)，一般先對原始圖像的灰度情況進(jìn)行統(tǒng)計(jì)分析，并計(jì)算出原始直方圖分布 ，然后根據(jù)計(jì)算出的累計(jì)直方圖分布求出 fk到 gk的灰度映射關(guān)系。在重復(fù)上述步驟得到源圖像所有灰度級到目標(biāo)圖像灰度級的映射關(guān)系后，按照這個(gè)映射關(guān)系對源圖像各點(diǎn)像素進(jìn)行灰度轉(zhuǎn)換，即可完成對源圖的直方圖均衡化。 經(jīng)典 Sobel邊緣檢測算法 經(jīng)典 Sobel 算法是圖像邊緣檢測中常用的方法之一，但在車牌識別系統(tǒng)中也檢測出了很多的噪聲點(diǎn)和造成了車牌字符的斷裂，加大了后期車牌提取和字符識別的難度，降低了車牌定位的精確度。針對車牌識別系統(tǒng)，對 Sobel 算子進(jìn)行了改進(jìn)，在實(shí)際運(yùn)行中 取得了良好的車牌定位效果和很強(qiáng)的抗干擾能力，并能在最大程度上保持字符的完整性。圖像邊緣是圖像的基本特征之一， 它蘊(yùn)含了豐富的內(nèi)在信息 (如方向，階躍性質(zhì)與形狀等 )，并廣泛應(yīng)用于圖像分割、圖像分類和模式識別中 [7]。邊緣是指圖像灰度發(fā)生空間突變或者在梯度方向上發(fā)生突變的像素的集合。圖像的邊緣可以劃分為階躍狀邊緣和屋頂狀邊緣，其中階躍狀邊緣兩邊的灰度值有明顯的變化； 而屋頂狀邊緣在灰度增加和減小的交界處。邊緣信息存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域與區(qū)域、基元與基元之間。 用攝像機(jī)、數(shù)碼相機(jī)、攝像頭所采集到的車 輛圖像由于受到環(huán)境光線、拍攝存儲過程中的噪聲干擾以及車輛本身的污損等影響，使得所獲取的圖像質(zhì)量較差。因此，在進(jìn)行對汽車牌照的定位及字符識別之前 需要先對車輛圖像進(jìn)行預(yù)處理，改善圖像的質(zhì)量，使其易于后期的處理和識別。通過良好的邊緣檢測算法可以大幅度的降低噪聲、分離出復(fù)雜環(huán)境中的車輛圖像、保留完好的車牌字符信息，方便后期的車牌精確定位與字符識別。 Sobel 算法的缺點(diǎn)決定了直接用該算法檢測含噪聲、低對比度的車輛圖像 ,效果很差。本文先對圖像進(jìn)行了預(yù)處理。在預(yù)處理模塊中采用了加權(quán)平均法圖像灰度化、迭代法圖像二值 化、圖像中值濾波處理的優(yōu)化算法組合 [1]。 灰度化公式： BGRBGR bgr ??? ????? 公式（ 43） 當(dāng) r? 取 30%， g? 取 59%， b? 取 11%、時(shí)，所得到的灰度圖像最為合理。 迭代法二值化方 法：設(shè) 1Z ， 2Z 分別為由圖像直方圖確定的灰度最大值和最小值， kT 為初始閾值， AZ 和 BZ 分別為被初始 閾值分割成的目標(biāo)和背景兩部分的平均灰度值。 ? ?jiZ, 為 ? ?ji, 點(diǎn)的灰度值， ? ?jiN, 是 ? ?ji, 點(diǎn)的權(quán)重系數(shù)，一般取 ),( ?jiN 。然 后求出新閾值 1?kT 。 若 1?? kk TT 則迭代結(jié)束，否則 KK ??1 ，轉(zhuǎn)到第二步繼續(xù)進(jìn)行迭代。所用到得公式如下： 公式（ 44） 公式（ 45） 公式（ 46） 人們通常把某一像素點(diǎn)的鄰域看作一個(gè)灰度級的變化帶，根據(jù)該變化帶的灰度變化率和方向來描述此像素點(diǎn)是否落在圖像的邊緣上，從而通過對局部信息進(jìn)行分析來檢測邊緣。 Sobel 邊緣檢測算子是在以像素點(diǎn)為中心的鄰域內(nèi)做灰度加權(quán)運(yùn)算，根據(jù)該點(diǎn)是否處于極值狀態(tài)來進(jìn)行邊緣的檢測，其本質(zhì)上是一種梯度幅度 [1]。 f (x,y) 為像素點(diǎn)的灰度值， xf 為水平方向上的梯度， yf 為垂直方向上的梯度。 Sobel 邊緣檢測算子定義為 ? ? 22, yx ffjiS ?? 公式（ 47） 或 公式（ 48） xf 和 y