【文章內(nèi)容簡介】 信息，但是要想存儲(chǔ)這些信息需要大量的存儲(chǔ)空間，并且運(yùn)算量大，耗時(shí)多，不利于車牌圖像的實(shí)時(shí)處理。因此，在實(shí)際應(yīng)用中我們常常將它化為簡單的八位的灰度圖像。在RGB模型中，如果令gray=R=G=B，則彩色圖像就可以轉(zhuǎn)化為灰度圖像，gray就是對(duì)應(yīng)的灰度值。由彩色圖像轉(zhuǎn)化為灰度圖像的過程就稱為灰度化。其中灰度化的方法主要有三種 ①平均值法 ②最大值法 ③加權(quán)平均值法。① 平均值法：gray的取值為R、G、B三者的平均值， gray= （31）② 最大值法：gray的取值為R、G、B三者的最大值，gray=max(R,G,B) （32）③加權(quán)平均值法：根據(jù)實(shí)驗(yàn)或先驗(yàn)知識(shí)，使gray的取值為R、G、B三者的加權(quán) 平均值， gray= （33） a=,b=,c=、G、B三者的權(quán)值。而本課題將采用加權(quán)平均法來得到車牌的灰度化圖像。圖31車牌彩色圖像與灰度化圖像對(duì)比 車牌圖像的圖像增強(qiáng)階段，即增強(qiáng)圖像中有用的信息，抑制圖像中不需要的信息，一般可以認(rèn)為這是一個(gè)失真的過程，其目的是要增強(qiáng)視覺效果，將原來不清晰的圖像變得清晰或強(qiáng)調(diào)某些感興趣的特征，抑制不感興趣的特征，加強(qiáng)圖像判讀和識(shí)別效果，使之改善圖像質(zhì)量，豐富圖像的信息量。圖像增強(qiáng)目的是增強(qiáng)車牌圖像的視覺效果，根據(jù)獲取的圖像的應(yīng)用場(chǎng)合，有目的強(qiáng)調(diào)圖像的局部和整體特征，從而擴(kuò)大圖像中不同物體特征之間的區(qū)別，滿足某些特殊分析的需求，我們經(jīng)常通過將原灰度圖像附加一些信息或變換數(shù)據(jù)來改變這些需求，有選擇地凸顯出我們對(duì)像中感興趣的部分或者抑制圖像中某些不感興趣的部分，使圖像達(dá)到我們所要求的方面。由于是全天候的工作性質(zhì)使得車牌自動(dòng)識(shí)別系統(tǒng)對(duì)環(huán)境要求比較高，若無理想的補(bǔ)充光照明，自然光照度的晝夜變化將會(huì)引起牌照?qǐng)D像的對(duì)比度嚴(yán)重不足使圖像中牌照字符分辨不清，更無法完成字符的分割及字符的識(shí)別。而造成圖像對(duì)比度不足的原因具體有以下幾點(diǎn)：（1）被攝像物的遠(yuǎn)近不同，使得圖像中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡。（2）掃描獲得圖像各點(diǎn)的靈敏度有較大的差異而產(chǎn)生圖像灰度失真。（3）成像時(shí)曝光不足或者過度而使得圖像的灰度變化范圍太窄。（4）自然光線的差異造成圖像獲取灰度失真。因此，我們發(fā)現(xiàn)國內(nèi)外的研究人員提出各種有效的增強(qiáng)圖像對(duì)比度的方法，如灰度線性變換、線性濾波器等。其中采用圖像灰度拉伸的方法會(huì)有效地增強(qiáng)了圖像的對(duì)比度，使得圖像中字符變得清晰、區(qū)域變得更加分明，從而便于圖像二值化和字符分割處理及字符識(shí)別。同時(shí)也有提出為了得到一個(gè)亮度明顯高于背景的牌照字符區(qū)域，可以采用一種簡便有效的線性濾波器進(jìn)行圖像中字符特征的增強(qiáng)，再通過進(jìn)一步的定位處理就很容易確定其車牌位置的具體位置。由此我們可以發(fā)現(xiàn)，為了簡化后續(xù)的車牌定位和字符識(shí)別及字符分割的難度，改善車牌圖像的可辨認(rèn)性，我們很有必要對(duì)車牌圖像對(duì)比度增強(qiáng)處理。本課題中我們將采用圖像灰度線形擴(kuò)展，增強(qiáng)圖像中有用的信息，抑制圖像中不需要的信息來顯著改善圖像質(zhì)量，達(dá)到增強(qiáng)圖像的分辨率及對(duì)比度。對(duì)于通過采樣獲得的車牌圖像，我們使用線性灰度變換，將會(huì)凸出感興趣的車牌區(qū)域，相對(duì)抑制那些不感興趣的車牌區(qū)域。獲得的車牌圖像效果如下所示： 圖32 灰度圖像與灰度拉伸后的圖像比較對(duì)圖像進(jìn)行一系列區(qū)域?yàn)V波處理操作，以便減少噪聲干擾的影響。增強(qiáng)有效的特征信息。邊緣信息和噪聲干擾在頻域范圍內(nèi)往往映射為高頻分量，因此在濾除噪聲的同時(shí)要保護(hù)邊緣信息。對(duì)于數(shù)字圖像來說，濾波的方法往往分為兩種：①頻域?yàn)V波法②空間域?yàn)V波法。在數(shù)字圖像預(yù)處理過程中往往采用空間域?yàn)V波法?？臻g域?yàn)V波法主要包括兩種方法，即均值濾波和中值濾波。頻域?yàn)V波主要是利用巴特沃斯濾波器[3], 空間濾波主要是利用中值濾波法。本課題將采用中值濾波法對(duì)車牌圖像進(jìn)行處理，對(duì)一系列區(qū)域進(jìn)行濾波，有效的增加圖像的可閱讀性，且中值濾波是一種非線性的濾波技術(shù)，由于在實(shí)際處理過程中并不需要圖像的統(tǒng)計(jì)特性，所以處理比較方便。噪聲是基于圖像的這一種特性：往往孤立的點(diǎn)形式出現(xiàn)，同時(shí)這些點(diǎn)對(duì)應(yīng)的像素?cái)?shù)也很少，而圖像則是由像素較多，面積較大的小塊構(gòu)成。在一定情況下，可以通過克服線性濾波器所帶來的圖像細(xì)節(jié)模糊，而且對(duì)濾波脈沖及圖像的掃描噪聲比較有效。中值濾波法原理為設(shè)有一個(gè)一維序列f1，f2……fn。取窗口長度為奇數(shù)m（m為奇數(shù)），對(duì)此序列進(jìn)行中值濾波，就是從輸入序列中相續(xù)抽出m個(gè)數(shù)，fiv,fi,fi+v,其中fi為窗口的中心值，v=（m1）/2,再將這m個(gè)點(diǎn)的數(shù)值按其數(shù)值大小排列，取其序號(hào)為正中間的那個(gè)數(shù)作為濾波器輸出。中值濾波表達(dá)式為：Yi=Med{ fiv,…fi,…fi+v,} i∈Z v=(m1)/2 （35）對(duì)車牌數(shù)字圖像進(jìn)行中值濾波，實(shí)質(zhì)就是對(duì)二維序列的中值濾波，濾波窗口也是二維的，用一個(gè)滑動(dòng)窗口W在圖像上進(jìn)行掃描，把窗口內(nèi)包含的圖像像素按灰度級(jí)升（或降）序排列起來，取灰度值居中的像素灰度為窗口中心像素的灰度（若窗口中有偶數(shù)個(gè)像素，則取兩個(gè)中間值的平均），用公式表示為：X（m，n）=Median{f（mk，n1），（k，1）∈W} （36）其算法步驟是：（a） 將模版在圖中漫游，并將模版中心與圖中某個(gè)像素位置重疊（b） 讀取模版下各對(duì)應(yīng)像素的灰度值（c） 將這些灰度值從小到大排成一列（d） 找出排列在中間的1個(gè)（e） 將這個(gè)中間值賦給對(duì)應(yīng)模版中心位置的像素本課題采用的中值濾波的窗口為33的矩形窗口（共9個(gè)像素），通過中值濾波可以很好地消除孤立噪聲點(diǎn)的干擾,同時(shí)基本保留了圖像的有用信息。圖像的邊緣特征是圖像的最基本的特征之一，圖像邊緣特征是指圖像周圍像素灰度有階躍變化或屋頂變化的像素的集合。而且物體與背景之間，物體與物體之間，基元與基元之間圖像邊緣特征廣泛存在著。圖像的邊緣檢測(cè)，通過檢測(cè)圖像灰度級(jí)具有突變的像素位置，表明一個(gè)邊緣區(qū)域的終結(jié)也是另一個(gè)邊緣區(qū)域開始的地方，這種區(qū)域的不連續(xù)性稱為邊緣。邊緣檢測(cè)不僅用于圖像識(shí)別，也是紋理分析等其他圖像分析的重要信息源和形狀特征基礎(chǔ)。而需要說明的是：邊緣與物體間的邊界并不等同，邊緣指的是圖像區(qū)域像素值有突變的地方，而物體的邊界指的是現(xiàn)實(shí)場(chǎng)景中的存在于物體之間的邊界。車牌圖像中，有可能發(fā)生有邊緣的地方并非邊界，也有可能物體的邊界在車牌圖像中不成為邊緣，這是因?yàn)楝F(xiàn)實(shí)中的物體是三維的，而車牌圖像只有二維信息，從三維到二維的投影成像會(huì)不可避免造成一部分信息的丟失；而且在車牌圖像獲取過程中的光照和噪聲也是影響車牌圖像效果不可避免的重要因素之一。邊緣檢測(cè)是也檢測(cè)數(shù)字圖像局部顯著變化的基本方法，同時(shí)使得數(shù)字圖像中無關(guān)的部分暗淡，車牌部分是數(shù)字圖像中邊緣相對(duì)集中的區(qū)域，因此邊緣檢測(cè)是圖像分割，紋理特征值提取和形狀特征值提取的基礎(chǔ)，常常采用邊緣臨近的一階或二階方向?qū)?shù)來檢測(cè)數(shù)字圖像的邊緣，以便后續(xù)的數(shù)字圖像分割或特征提取等操作。比較常用的邊緣檢測(cè)算子有①梯度算子②Roberts算子③Sobel算子④Prewitt算子⑤LKirsch算子,下面介紹幾種算子①梯度算子，梯度算子是對(duì)數(shù)字圖像中的邊緣點(diǎn)求導(dǎo)數(shù)，即209。 （37）對(duì)應(yīng)幅度為: 對(duì)應(yīng)角度為:比較常用的梯度算子有以下幾個(gè)：②Roberts算子。Roberts算子利用局部查分方法尋找數(shù)字圖像邊緣，構(gòu)成Roberts的算子如下：，若用卷積模板表示，此式變?yōu)?。其中、有以下模板決定: X方向算子 Y方向算子③Sobel算子，Sobel算子是一種離散性差分算子，用來計(jì)算圖像亮度函數(shù)的梯度近似值。Sobel算子包含兩組3x3的矩陣，一組為橫向矩陣，另一組為縱向矩陣，將Sobel算子與圖像作平面卷積，可得出橫向與縱向的亮度查分近似值。如令A(yù)代表原始圖像，Gx和Gy分別代表經(jīng)橫向與縱向邊緣檢測(cè)的圖像，公式如下:所以梯度大小為： （38）梯度方向?yàn)椋?