【文章內(nèi)容簡介】 灰度圖像處理技術已經(jīng)發(fā)展成熟,因此我們進行車牌定位處理的首要步驟就是圖像灰度化?？傊?就目前的數(shù)字圖像技術的發(fā)展水平來看,將彩色圖像做灰度化處理是比較好的處理方法。從圖可以看出灰度化后雖然只有亮度信息，但仍完整地表示原圖的信息，其灰度化效果圖如圖2所示： （a）原始圖像 （b）灰度圖圖2 灰度化效果圖 灰度直方圖變換在數(shù)字圖像處理中，灰度直方圖是最簡單且最有用的工具，它是關于灰度級分布的函數(shù)，用于描述數(shù)字圖像中具有該灰度級的像素個數(shù)，并按照灰度級的大小統(tǒng)計其所出現(xiàn)的頻率。它反映了一幅圖像的灰度級內(nèi)容。以灰度級別為橫坐標，縱坐標是圖像中該灰度出現(xiàn)的像素個數(shù)?；叶戎狈綀D是對灰度圖像進行對比度增強的基礎。借助于灰度圖像可以很方便地進行高效檢測邊緣、分割圖像及濾波處理?；叶刃拚菆D像灰度級變換[14]的最常用方法。自然圖像由于灰度分布可能集中在較窄的區(qū)間，引起圖像不夠清晰。如果圖像偏暗的話，其灰度級密集分布于較低一側，如果原始圖像偏亮的話，直方圖中的灰度級密集分布于較高一側。采用直方圖變換后，可使圖像的灰度間距拉開或使灰度分布均勻，從而增大對比度，使圖像清晰，達到增強的目的，本文采用的直方圖變換是直方圖均衡化，所謂直方圖均衡化是通過對原圖像進行某種變換，使得圖像的直方圖變?yōu)榫鶆蚍植嫉闹狈綀D。對于連續(xù)變化的圖像，將原圖像的灰度級r 歸一到區(qū)間[0,1]而經(jīng)過直方圖拉伸修改后的灰度級設為s，則： （4） 其中，稱作變換函數(shù)，它是一個遞增函數(shù)，且函數(shù)使灰度級在黑到白之間不變。同時，使變換后的灰度級在所規(guī)定的范圍內(nèi)。 由概論率可知，如果已知隨機變量r的隨機概率密度，而隨機變量s是r的函數(shù)，則s的概率密度可以由求出。假定s分布函數(shù)為，則有： （5）對于上式，等式兩邊對s求導可得 （6） 通過變換函數(shù)可以控制圖像灰度級的概率密度函數(shù)，從而改善圖像的灰度層次，這就是直方圖均衡的基礎。一幅圖像的灰度直方圖如果是均勻分布的，那么該圖像在人眼視覺上是相對協(xié)調(diào)的。即，則有： （7）兩邊積分則： （8）由上式看出，當變換函數(shù)為r 的累積直方圖函數(shù)時，能達到直方圖均衡化的目的。在離散的數(shù)字圖像中，用頻率代替概率，則： （9）由上式可以對直方圖進行均衡化。圖3是原車牌圖像以及直方圖和經(jīng)過均衡化的圖像顯示。圖（a）和圖（b）分別為一幅原灰度圖像及其直方圖。從直方圖中可以看出大部分像素的灰度集中在某些灰度值上，圖（c）和圖（d）分別是經(jīng)均衡化得到的圖像及其直方圖。比較圖（a）和圖（c）可以看出，圖（c）中許多細節(jié)更加清晰，對應的直方圖變得平坦多了，而且動態(tài)范圍擴大了。從圖中還可以了解到：由于采用離散公式，其概率密度函數(shù)是近似的，原直方圖上頻率較小的某些灰度級被合并到一個或幾個灰度級中，頻率小的部分被壓縮，頻率大的部分被增強。從圖（d）中可以看到結果是一種近似的、非理想的均衡結果。 （a)原灰度圖像 （b）原圖像直方圖 （c）均衡后圖像 （d）均衡后圖像的直方圖 圖3 直方圖均衡化效果圖 邊緣檢測邊緣（或邊沿）的含義體現(xiàn)在灰度的突變上，邊緣主要存在于目標與目標，目標與背景等不同對象之間，因此，它是圖像分割、紋理特征提取和形狀特征等圖像分析的重要基礎。需要指出的是，檢測出的邊緣并不等同于實際目標的真實邊緣。由于圖像數(shù)據(jù)是二維的，而實際物體是三維的，從三維到二維的投影必然會造成信息的丟失，再加上成像過程中的光照不均和噪聲等因素的影響，使得有邊緣的地方不一定能被檢測出來，而檢測出的邊緣也不一定代表實際邊緣。圖像的邊緣有方向和幅度兩個屬性，沿邊緣方向像素變化平緩，垂直于邊緣方向像素變化劇烈。邊緣上的這種變化可以用微分算子檢測出來，其中常用邊緣檢測的梯度算子主要有Roberts算子、Sobel算子和Prewitt算子，此外還有Laplace算子、Log算子以及Canny算子等邊緣檢測方式[117]。 （1）Roberts算子Roberts算子是一種利用對角方向像素點它們的差分進行梯度運算，梯度的大小代表邊緣的強度，梯度的方向與邊緣走向垂直。公式定義為: (10)其中表示邊緣檢測之后的圖像，、和)分別為4領域的坐標，且是具有整數(shù)像素坐標的輸入圖像；其中的平方根運算使得該處理類似于人類視覺系統(tǒng)中發(fā)生的過程。Roberts 算子定位精度高，特別適合檢測方向不同取向邊緣。但抗噪聲能力差，且容易丟失部分邊緣信息，適用于低噪聲、陡峭邊緣的場合。 （2）Sobel算子Sobel算子是一種一階微分算子，它利用像素鄰近區(qū)域的梯度值來計算1個像素的梯度，然后根據(jù)一定的閾值來取舍。它由下式給出: (11)Sobel算子是一組方向算子，從不同的方向檢測邊緣。Sobel算子不是簡單的求平均再差分，而強調(diào)邊領域像素對中心像素的的影響，能夠把水平方向和垂直方向上的呈現(xiàn)的強烈邊緣檢測出來。運算結果是一幅邊緣圖像，Sobel算子通常對灰度漸變和噪聲較多的圖像處理得較好。（3）Prewitt算子Prewitt算子就是一種利用局部差分平均方法尋找邊緣的算子，利用像素點四周鄰點灰度差，在邊緣處達到極值檢測邊緣，對噪聲具有平滑作用。由于邊緣點像素的灰度值與其領域點像素的灰度值有顯著不同，在實際應用中通常采用微分算子和模板匹配方法進行圖像邊緣檢測。Prewitt算子由下式給出： = (12)Prewitt 算子對圖像有加權平滑作用，有一定的抑制噪聲的能力，濾掉一些偽邊緣。但定位精度不高，不能排除檢測結果中的虛假邊緣，容易誤判邊緣信息點。（4）Canny算子[14]坎尼（Canny)應該滿足的三大準則（1） 信噪比準則其中信噪比越大，邊緣提取質量也就越高。其信噪比（SNR）定義為： （13） 其中為邊緣檢測函數(shù)，是以W為寬度的濾波器的脈沖響應，為高斯噪聲的均方差。（2） 定位精度準則邊緣定位精度（L）定義： （14）其中和分別為和的一階導數(shù)。邊緣定位精度L越大就表示定位精度越高。（3） 單邊緣響應準則為了保證單邊緣只有一個響應，邊緣檢測算子的脈沖響應導數(shù)的零交叉點平均距離應滿足： （15） 的二階導數(shù)。對于同一邊緣要有低的響應次數(shù)。由上述三個準則可知，要達到最大限度的對圖像邊緣的敏感性，而且對噪聲具有平滑抑制作用，這樣才是好的邊緣檢測算法。Canny 算子是通過對信號函數(shù)求極大值檢測圖像的邊緣點。 將坎尼（Canny）算子的3大準則相結合可以達到最優(yōu)的邊緣檢測算子。坎尼算子的邊緣檢測算法步驟如下：（1） 利用高斯函數(shù)平滑圖像；（2） 采用微分算子沿圖像梯度的X與Y方向分別求偏導數(shù)，計算梯度的幅值和方向；（3） 把局部梯度最大值保留下來，抑制梯度非極大值點；（4） 用雙閾值算法檢測，并對邊緣進行連接；以下是幾種算子的邊緣檢測結果如圖4所示，從圖中可以看出通過 Roberts 算子檢測出的邊緣存在漏檢現(xiàn)象，對噪聲的抑制能力差；Prewitt 算子能抑制一定程度的噪聲，但是得到邊緣連續(xù)性較差；Canny 算子對邊緣的檢測性能較好，抗噪能力強，并且能在邊緣點產(chǎn)生強度、方向等信息；但是邊緣的一些細節(jié)容易得不到檢測或一些偽邊緣可能會被檢測出，而Sobel算子相對精確，它是方向性的，在水平和垂直方向上形成了最強烈的邊緣。用于平滑圖像，抑制噪聲；適用于邊緣方向比較突出的圖像，尤其是垂直邊緣顯著的圖像。因此，本文采用Sobel算子對圖像進行邊緣檢測。 (a) Roberts算子檢測圖 （b）Prewitt算子檢測 (c) Canny算子檢測圖 （d）Sobel算子檢測圖 圖4 邊緣檢測結果圖第三章 車牌定位與檢測圖像經(jīng)過預處理后，緊接著就要進行牌照區(qū)域的確定。車牌定位準確與否直接影響后續(xù)工作，車牌定位主要對汽車圖像進行車牌區(qū)域提取，并將車牌從該區(qū)域中準確地劃分出來，便于后面的字符分割操作，這里的圖像可能會具有很復雜的背景，加上光照條件和車牌自身的各種問題如缺損、褪色、污漬等，增加了車牌準確定位的難度。因此怎樣才能將車牌區(qū)域從復雜的背景中準確定位出來，是汽車牌照識別系統(tǒng)中比較重要的環(huán)節(jié)。本文將數(shù)學形態(tài)學法和彩色分割相結合實現(xiàn)車牌定位。 車牌特征與分析 在進行車牌定位時，首先考慮到車牌區(qū)域會有些自己的特征區(qū)別于圖像背景。這些特征主要體現(xiàn)在結構方面與區(qū)域方面。 （1） 車牌呈矩形狀，其長440mm，寬140mm，固定的高寬比，有 7 個字符其中包括漢字、數(shù)字與字母組成，呈水平排列，字符高90mm,寬45mm,第2個字符與第3個字符之間間距為34mm(車牌里圓點直徑是 10mm，圓點與第3個字符間間距都是12mm)，其余相鄰字符間距均為12mm。 （2）常用車牌底色主要有藍底白字（普通汽車），黃底黑字（大型民用車）、白底黑字（汽車補用牌照）、黑底白字（領事館車）等。（3）車牌大致安裝在車身的兩車燈之前，散熱器下方。 （1）在車牌區(qū)域內(nèi)，由于汽車牌照上字符和其自身顏色差異巨大形成鮮明對比，這就使得車牌區(qū)域里的灰度跳變多，車牌邊緣的形狀呈現(xiàn)屋頂狀的，在字符區(qū)域會顯現(xiàn)出不間斷且比圖像的背景還多的峰谷群。 （2）汽車牌照的字符都是呈水平排列，與車身上的東西如車身或車身上的貼紙或車商標等干擾物相比，車牌區(qū)域內(nèi)的邊緣信息是非常豐富的，垂直邊緣的信息量居多而且均勻。 （3）車牌區(qū)域有直方圖統(tǒng)計特征，對像素梯度積分。 （4）圖像的頻譜圖中具有車牌的位置信息。 數(shù)學形態(tài)學處理數(shù)學形態(tài)學[118]是一門建立在嚴格數(shù)學理論基礎上的，分析研究空間結構的形狀、框架的學科。最基本的數(shù)學形態(tài)學運算有4個：膨脹（dilation）、腐蝕（erosion）、開(open)和閉(closing)。用這些運算及其組合來進行圖像形狀和結構的分析及處理，可以解決抑制噪聲、特征提取、邊緣檢測、圖像恢復與重建等方面的問題。膨脹運算符號為⊕，一般設集合A為圖像集合，集合B結構元素，那么集合A被集合B膨脹記作，其定義為： （16）此外，膨脹通過對腐蝕進行補集運算來。因為腐蝕對圖像內(nèi)部作濾波處理，而膨脹則是對圖像的外部作處理。如果B(結構元素)是一個圓盤，膨脹運算后，會使物體的邊界得到擴大，如果物體內(nèi)部存在小于結構元素的孔的話，經(jīng)過膨脹運算后這些孔將會被填充，使其形成連通區(qū)域。腐蝕運算的符號是,A（輸入圖像）被B（結構元素）腐蝕，記作，其定義為