【文章內容簡介】 圖像占有非常重要的地位，首先， 二值化 的 圖像 有利于圖像的進一步處理，使圖像變得簡單，而且 數(shù)據(jù)量減小，能凸顯出感興趣的目標的輪廓。其次，要進行二值圖像的處理與分析，首先要把 灰度圖像 二值化，得到二值化圖像。 所有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。 本文采用的是 自適應閾值二值化方法 ，使用迭代法求出灰度閥值，高于該閥值灰度設為 255，低于該閥值灰度設為 0。 方法 1： 迭代法是基于逼近的 思想 ,其步驟如下 : (1)求出圖象的最大 灰度值 和最小灰度值 ,分別記為 Rmax 和 Rmin,令閾值 ? =(Rmax+Rmin)/2。 (2)根據(jù)閾值 ?將圖象的平均灰度值分成兩組 R1和 R2。 (3)分別求出兩組的平均灰度值 μ1 和 μ2 。 (4)求出新閾值 ?=(μ1+μ2)/2 。 ??′(??,??)是二值化后輸出的圖像，通過閥值（設為 ?）來二值化圖像的公式為 ? ? ? ?? ?? 時，當 時，當 ?????? yxf yxfyxf ,1 ,0, 公式 21 其效果如圖 ，圖 : 圖 （待識別字符圖片） 圖 （二值化圖片） 但待識別數(shù)字不是很清晰情況下，此方法不在適用，如圖 ： 圖 左圖為待處理圖像，右圖為處理后圖像 方法 2： 利用 MATALAB 自帶的函數(shù)中的最大類間方差法找到適合閥值。 在使用 im2bw函數(shù)將灰度圖像轉換為二值圖像時， 需要設定一個閾值。 這個函數(shù)可以幫助我們獲得一個合適的閾值， 利用這個閾值通常比人為設定的閾值能更好地把一張灰度圖像轉換為二值圖像。 調用格式為： [level EM] = graythresh(I) 處理效果如圖 ： 圖 二值化后圖像 再對二值化的圖像進行去噪，本文采用低通濾波來進行。 低通的數(shù)學表達式如下式所示 : ? ? ? ? ? ?vuHvuFvuG , ? （ 22） 式中 F（ u,v） 一含有噪聲的原圖像的傅立葉變換 。 H(u,v)一為傳遞函數(shù)，也稱轉移函數(shù)（即低通濾波器） 。G(u,v)一為經低通濾波后輸出圖像的傅立葉變換。 H濾波濾去高頻成分，而低頻信息基本無損失地通過。濾波后，經傅立葉變換反變換可得平滑圖像 。 去噪 圖像在生成和傳輸過程中常常因受到各種噪聲的干擾和影響而使圖像降質，這對后續(xù)圖像的處理 (如分割、壓縮和圖像理解等 )將產生不利影響。噪聲種類很多，如：電噪聲、機械噪聲、信道噪聲和其他噪聲。在圖像處理中，圖像去噪是一個永恒的主題，為了抑制噪聲，改善圖像質量，便于更高層 次的處理，必須對圖像進行去噪預處理。 本文是根據(jù)噪聲能量一般集中于高頻而圖像頻譜則分布于一個有限區(qū)間的這一特點，采用低通濾波方式來進行去噪。低通濾波是 頻率域濾波 的一種， 頻率域濾波是將圖像從空間或時間域轉換到頻率域，再利用變換系數(shù)反映某些圖像特征的性質進行圖像濾波的方法。傅立葉變換是一種常用的變換。在傅立葉變換域，頻譜的直流分量正比于圖像的平均亮度，噪聲對應于頻率較高的區(qū)域，圖像實體位于頻率較低的區(qū)域。圖像在變換具有的這些內在特性可被用于圖像濾波。可以構造一個低通濾波器，使低頻分量順利通過而有效地阻于高頻分量，即可濾除圖像的噪聲，再經過反變換來取得平滑的圖像。 建立模板 本文在在建立 標準的字符模板庫時需要手動將樣本輸入，建立臨時標準的字符模板庫，然后保存，這就 需要在之前已經有模板樣本，進行必要的樣本訓練。 樣本訓練的過程也是提取樣本圖像字符的特征值的過程，方便之后匹配時使用 。 匹配識別預處理 在進行匹配識別之前要先對待識別圖像進行預處理，其中包括：灰度化、清晰化、傾斜調整、二值化、大小調整（調整成與模板大小一致） 灰度化 基于所研究的課題主要針對灰度圖像，而攝像機拍攝到的圖像都是彩色，需要將待識別的圖像轉化為灰度圖像。在這可以利用 MAYLAB 里自帶的函數(shù) rgb2gray 將其進行轉換，這不影響后面的圖像識別。 清晰化 要處理的圖像是模糊圖像，需要的匹配識別之前將模糊的數(shù)字圖像進行清晰化處理。 不同模糊數(shù)字圖像處理的步驟都不一致， 從下面幾方面入手： 運動模糊處理 在空間域，圖像特征不明顯，不容易找出可用于識別運動模糊尺度的量。因此，需要將圖像以某種形式轉換到另外一些空間。對于不帶噪聲的勻速直線運動模糊圖像，可以通過傅里葉變換將其轉換到頻率域再尋找圖像特征。在頻譜圖中，呈 現(xiàn)出亮暗相間的平行線條紋，這些條紋的方向與運動模糊方向垂直，而間距則與運動模糊尺度有關系。 運動模糊角度識別 ： 為了把任意方向的勻速直線運動的模糊情況轉化為水平方向，就需要識別出運動模糊角度，這就可以利用 Rodon 變換實現(xiàn)。圖像的 Rodon 表換即圖像 I(x,y)在角度為 θ、與原點的距離為 ρ（ ρ=xcos(θ)+ysin(θ)）的直線上的投影。 Radon 變換的定義： R（ ρ, θ） =? ??(??,??)??(????????????? ???????????)????????+∞?∞ （ 23） 對于數(shù)字圖像， ，通過 Radon變換可計算其在某一指定角度射線方向上的線積分。比如角度在 ～ 變化時，則可通過 Radon變換計算出這個角度范圍內沿著每一個角度射線方向的投影值。由于勻速直線運動模糊圖像的頻譜圖中沿條 紋方向的線積分值最大，所以最大投影值對應的角度即為運動模糊角度。 頻率域特征提取 ： 在勻速直線運動模糊圖像的頻譜圖中平行暗條紋是等間距分布的，它們之間的距離與運動模糊尺度有關，所以，這個距離可以作為識別運動模糊尺度的特征，但間距不容易精確測定，這個問題可以利用頻譜圖中的幅度和來解決。以水平方向勻速直線運動模糊圖像為例 (以下相同 )，在其頻譜圖中，平行暗條紋是豎直方向的，將頻譜圖中的 幅度 (這里的幅度指的是取對數(shù)之后的幅度，以下相同 )逐列相加，得到一行值，這就得到了可以使用的一組圖像特征。 為了提高訓練和辨識精度，只需要對頻譜圖中央?yún)^(qū)域計算幅度和。因為周圍區(qū)域的頻譜幅度接近零值，而這些區(qū)域會給網絡訓練和參數(shù)辨識帶來一定誤差，因此計算每列幅度和不需要考慮這些區(qū)域，同時還可以降低相應的網絡訓練和參數(shù)辨識的計算量，從而提高網絡訓練和參數(shù)辨識的速度 。 數(shù)據(jù)歸一化 豎直方向幅度求和后，得到一組圖像特征，但各組特征中的數(shù)據(jù)差別比較大，這就有可能導致識別結果不準確。為了改善這一狀況，需要對數(shù)據(jù)進行歸一化處理。 數(shù)據(jù)歸一化是神經網絡預測前對數(shù)據(jù)常做的一種處理方法。數(shù)據(jù)歸一化處理把所有數(shù)據(jù)都轉化為 [o， 1]內的數(shù)，其目的是取消各維數(shù)據(jù)間數(shù)量級的差別，從而避免因為輸入輸出數(shù)據(jù)數(shù)量級差別較大而造成的較大網絡預測誤差。數(shù)據(jù)歸一化的方法主要有以下 2 種。 (1)最大最小法。函數(shù)形式如下： ?? =(?? ??? )/( ?? ?? ??? ) (24) 式中， ?? ??為數(shù)據(jù)序列中的最小數(shù)； ?? 為序列中的最大數(shù)。 (2)平均數(shù)方差法。函數(shù)形式如下： ?? (?? ??? ) ?? (25) 式中， ?? 為數(shù)據(jù)序列的均值， ?? 為數(shù)據(jù)的方差。本文采用第一種數(shù)據(jù)歸一化方法。 運動模糊尺度識別 根據(jù)幅度和，利用 BP神經網絡可以識別出運動模糊尺度。 BP神經網絡是一種多層網絡的逆推學習算法。 BP神經網絡采用有指導的學習方式進行訓練和學習，即當將一對學習模式提供給 BP神經網絡后，神經元的激活值就從輸入層經各個隱含層向輸出層傳播，在輸出層的各個神經元獲得網絡的實際輸出響應。通過比較輸出層各個神經元的實際輸出與期望輸出，獲得二者之間的誤差，然后按照減小誤差的方向，從輸出層經各個隱含層并逐層修正各個連接權值，最后回到輸入層。這種“正向計算輸出一反向傳播誤差”的過程不斷重復進行，直至誤差降至可以接受的范圍， BP神經網絡的學習訓練過 程也就隨之結束。 BP神經網絡的結構如圖 2所示。 圖 2中， R為輸入量的個數(shù)， a=f(W*P+b), w為權向量， P為輸入向量， b為網絡偏移量。將幅度和作為 BP神經網絡的輸入量，經過訓練，達到一定訓練次數(shù)和精度后，用訓練好的網絡可以識別出運動模糊尺度。利用 Fourier變換將原始的勻速直線運動 模糊圖像轉換到頻域后，現(xiàn)有的主流算法是先計算出相鄰 2條暗條紋 (例如圖 l(a)中的暗條紋 )之間的距離 d，然后應用公式 L— N／ d求解運動模糊尺度 (N是圖像尺寸 )。但是，應用圖像處理算法精確計算距離 d存在較大困難，容易產生一定的測量誤差△ d，從而給最終的運動模糊尺度計算帶來較大誤差。本文在頻譜圖中央?yún)^(qū)域按列計算幅度和，得到一個行向量，從而得到了一組可以使用的圖像特征。這就避免了應用公式 L— N／ d求解時， Ad產生的誤差傳播作用，同時也保證了特征提取精度。 模糊數(shù)字圖像增強 加入噪聲 圖 待識別的數(shù)字圖像的預處理，在某些圖像邊緣不是很清晰的情況下，可以通過加入噪聲的方法使其變得清晰化，如圖 :所示 圖像的平滑 ： 鄰域平均模板 加權平均模板 M1= [ ] M2= [ ] M3= [ ] M4= [ ] 圖 對有噪聲干擾而造成模糊的數(shù)字圖像可以通過領域平均的方法將其除去，如圖 所示 。有時領域平均的效果不是很好，這時可以考慮加權平均的方法，效果如圖 圖 圖像銳化： Laplacian銳化模板 M1= [ ? ] M1= [ ? ] I=imread(39。39。)。%讀取圖像 K=rgb2gray(I)。 M1=[0,1,0。1,4,1。0,1,0]。 M2=[1,1,1。1,8,1。1,1,1]。K=double(K)。 J=conv2(K,M1,39。same39。)。 %卷積 G=conv2(K,M2,39。same39。)。 F=KJ。 E=KG。 figure,imshow(K,[]),figure,imshow(J),figure,imshow(G),figure,imshow(F,[]) figure,imshow(E,[]) 圖 圖像銳化可以使得圖像邊緣變得清晰化，如圖 所示，雖然圖像整體變得模糊但目標圖像在整張圖像中更為突出了 。 直方圖均衡化 利用 imhist 函數(shù)查看模糊數(shù)字圖像的灰度直方圖，若是灰度分布不均勻可利用 histeq 函數(shù)將其均衡化 ，效果圖如圖 ： 圖 傾斜調整 對于待識別圖像由于拍攝角度問題導致所拍攝的圖像傾斜，在匹配之前需要對其進行調整。本人所介紹的調整方式是基于傅里葉變換 調整步驟： 1 讀取圖像 imread(?name?)?。 2 將其轉化為灰度圖像 rgb2gray(name)。 3 利用 fft2 函數(shù)將其進行傅里葉變換并將其直流分量移到移動頻譜中心，接著對其進行歸一化處理得到其頻譜圖。 實現(xiàn)代碼： I=rgb2gray(RGB)。 K=fft2(I)。 M=fftshift(K)。 直流分量移到移動頻譜中心 N=abs(M)。 P=(Nmin(min(N)))/(max(max(N))min(min(N)))*225。 歸一化處理 4 4在其頻譜上取三點計算出其 傾斜的角度，利用傅里葉的性質： f(r,θ+?? )?F(w,φ+?? ) 將其進行調正。 大小調整 模板匹配必需是大小一致的模板才能進行相減運算，可利用 imcrop 函數(shù)對其進行剪切。剪切之前計算好邊緣位置，邊緣位置的計算可利用投影技術獲取 。 小結 平均濾波和加權濾波的效果都不怎么好，不能完全除去高斯噪聲