【文章內(nèi)容簡介】 數(shù)。 數(shù)學形態(tài)學基本運算(1)膨脹膨脹的運算符為“” ，圖像集合A用結(jié)構(gòu)元素B來膨脹，記作AB，其定義為： (33)其中，表示B的映像，即與B關(guān)于原點對稱的集合。式(33)表明，用B對A進行膨脹的過程是這樣的：首先對B作關(guān)于原點的映射，再將其映像平移x，當A與B映像的交集不為空集時，B的原點就是膨脹集合的像素。也就是說，用B來膨脹A得到的集合是B的位移與A至少有一個非零元素相交時B的原點的位置的集合。膨脹的作用效果如圖32所示。其中白色表示目標，背景為黑色，結(jié)構(gòu)元素為5X5正方形對象。膨脹前 膨脹后圖32 圖像膨脹前后比較(2)腐蝕腐蝕的運算符是“” ，圖像集合A用結(jié)構(gòu)元素B來腐蝕記作，其定義為： (34)式(34)表明，A用B來腐蝕的結(jié)果是所有滿足將B平移x后，B仍全部包含在A中的集合，從直觀上看就是B平移后全部包含在A中的原點組成的集合。 膨脹與腐蝕的結(jié)構(gòu)與原點的位置有關(guān)。 膨脹和腐蝕具有對偶關(guān)系，即： (35) (36) 其中、分別表示A、B的補集。腐蝕的操作效果如圖33所示，其中白色為目標，黑色為背景，結(jié)構(gòu)元素為5x5正方形對象。腐蝕前 腐蝕后圖33 腐蝕前后比較(3)開啟開啟運算符為“” ，A用B來開啟記為A B，其定義如下： (37)(4)閉合閉合的運算符為“” ，A用B來閉合記為AB，其定義如下： (38)開啟和閉合運算不受原點位置的影響，無論原點是否包含在結(jié)構(gòu)元素中，開啟和閉合的結(jié)果都是一樣的。開啟和閉合運算也具對偶性，即： (39) (310)（3）基于數(shù)學形態(tài)學的車牌定位 數(shù)學形態(tài)學中的開閉運算具有以下特點： (1)開運算可以擦除圖像中的像素。從而能夠去除孤立的小點、毛刺和小橋(即連通兩塊域的小點)，而保持總的位置和形狀不變。 (2)閉運算可以使圖像中的像素粘連。這一特點可用于填平小湖(即小孔)，彌合小裂縫，而保持總的位置和形狀不變。 基于數(shù)學形態(tài)學的車牌定位算法就是利用開啟和閉合這兩種運算在圖像中進行定位的。其實現(xiàn)方法即為利用數(shù)學形態(tài)中的開運算與閉運算來對圖像進行處理，得到多個車牌可能區(qū)域，然后在處理后的圖像中用多區(qū)域判別法在圖像的多個車牌可能區(qū)域中找到車牌的正確的位置。 在此算法中結(jié)構(gòu)元素的大小的選取至關(guān)重要。結(jié)構(gòu)元素過大，會使非車牌區(qū)域的邊緣點粘連在一起，可能的車牌區(qū)域增多，給隨后的多區(qū)域判別算法帶來困難。而若結(jié)構(gòu)元素過小，則會使車牌區(qū)域無法粘連在一起，就有可能使真正的車牌區(qū)域不包含在可能的車牌區(qū)域集合中。 這種方法最大的優(yōu)點是計算速度快，算法相對簡單，缺點是要求邊緣比較清晰，容易受到那些紋理分布同樣比較豐富的非車牌區(qū)域的影響，定位不夠精確。第4 章 車牌圖像的邊緣檢測邊緣檢測是所有基于邊界的分割方法的第一步。兩個具有不同灰度值的相鄰區(qū)域之間總存在著邊緣，物體的邊緣是以圖像局部特性的不連續(xù)性的形式出現(xiàn)的，例如：灰度值的突變，顏色的突變，紋理結(jié)構(gòu)的突變等。而在景物成像的過程中，受多種因素的影響，圖像質(zhì)量都會有所下降，這種圖像質(zhì)量下降的過程稱為圖像的退化。同樣，在車牌識別系統(tǒng)中，由于自然光照度的變化、車輛自身的運動，采集圖像設(shè)備本身的因素等，都會引起牌照圖像的退化，導(dǎo)致對車牌信息的提取干擾很大。所以為了改善退化了的牌照圖像質(zhì)量，必須對圖像進行預(yù)處理。對圖像進行預(yù)處理，主要包括圖像的灰度化、二值化、圖像的邊緣檢測等。 車牌圖像的灰度化和二值化 圖像的灰度化 顏色圖像可分為黑白色、灰度色和彩色。工程應(yīng)用中經(jīng)常要遇到需要把彩色圖像向灰度圖像轉(zhuǎn)化的問題，用數(shù)碼相機采集過來的汽車圖像是彩色圖像，為加快處理速度，需要把彩色圖像轉(zhuǎn)化為灰度圖像。由彩色圖像轉(zhuǎn)化為灰度圖像的過程叫灰度化處理，它是使RGB模型中的R=B=G?；叶然幚砭褪前押辛炼群蜕实牟噬珗D像變換成灰度圖像的過程。 一般情況下彩色圖像每個像素用3個字節(jié)表示，每個字節(jié)對應(yīng)著R，G，B分量的亮度(紅、綠、藍)，轉(zhuǎn)換后的灰度圖像的一個像素用一個字節(jié)來表示該點的灰度值，它的值在0255 之間，數(shù)值越大，該點就越白，即越亮，越小則越黑。可見，經(jīng)過這樣轉(zhuǎn)換減少了計算量。轉(zhuǎn)換關(guān)系是： (41)其中為轉(zhuǎn)換后的灰度圖像在點的灰度值，該式綠色的比重比較大，所以轉(zhuǎn)換時可直接用G值作為轉(zhuǎn)換后的灰度。轉(zhuǎn)換結(jié)果如圖41所示。(a)原彩色圖 (b)轉(zhuǎn)換后的灰度圖圖41 彩色圖像的灰度化處理灰度圖只能表現(xiàn)256種顏色，灰度化處理還有其他方法，如：取3個分量的最大值、最小值、算術(shù)平均值等，目的都是使顏色的R，G，B分量值相等。我們采用經(jīng)驗公式：作為灰度值?；叶忍幚硐茸x入圖像的拷貝文件到內(nèi)存中，使顏色的分量值都相等且等于，這樣就可以使圖像變成灰度圖像。 圖像二值化 二值圖像是指整幅圖像內(nèi)僅有黑、白二值的圖像，在他們之間不存在其他灰度層次的變化。在邊緣檢測技術(shù)在汽車牌照自動識別監(jiān)控系統(tǒng)的應(yīng)用的研究過程中，對圖像的二值化是非常關(guān)鍵的一步，二值化的效果直接影響到后面的車牌定位以及字符分割，因為車牌定位和字符分割都是基于車牌區(qū)域的二值化結(jié)果進行的。二值化算法又稱為閾值算法，其目的就是找出一個合適的閾值，將待研究的車牌區(qū)域劃分為前景和背景兩部分。二值化后的車牌要能再現(xiàn)原字符圖像，基本不出現(xiàn)筆畫斷裂和粘連現(xiàn)象，盡量不丟失原字符的特征。另外二值化算法還可以用于車牌定位過程中精確定位車牌的上下左右邊界。為此，必須對二值化算法做深入細致的研究。 目前，常用的二值化算法主要有基于灰度的二值化和基于彩色的二值化，其中基于灰度的二值化又包括多種算法，主要有全局動態(tài)二值化和局部自適應(yīng)二值化等；基于彩色的二值化主要有基于HSV空間的彩色二值化。本文首先提取了有關(guān)色彩的信息，然后和絕大多數(shù)算法一樣，對灰度圖像進行二值化處理。圖像二值化的關(guān)鍵在于閾值T的選取，根據(jù)閾值T來區(qū)分圖像中的對象和背景。設(shè)原始灰度圖像為,變換過后的二值圖像為，則二值化的過程表示為： (42)根據(jù)閾值選取情況，又分為全局閾值、局部閾值和動態(tài)閾值[22]。全局閾值法根據(jù)圖像的直方圖或灰度空間分布確定一個閾值，以此實現(xiàn)灰度圖像到二值圖像的轉(zhuǎn)化。典型的全局閾值法包括Qstu方法[23]，最大熵方法等。全局閾值算法簡單，對于目標和背景明顯分離、直方圖分布呈雙峰的圖像效果良好，但對那些由于光照不均勻、噪聲干擾較大等原因使直方圖分布不呈雙峰的圖像，二值化效果明顯變差；局部閾值法通過定義考察點的領(lǐng)域，并由領(lǐng)域計算模板，實現(xiàn)考察點灰度與領(lǐng)域點的比較。非均勻光照條件等情況雖然影響整體圖像的灰度分布，但是對局部圖像的性質(zhì)卻沒有什么影響，從而局部閾值法比全局閾值法有更廣泛的應(yīng)用，比如Bernsen算法[24]就是一種典型的局部閾值法。根據(jù)上述兩種方法的優(yōu)缺點，把他們有效的結(jié)合起來使用是一種不錯的方法。此外，還有一種動態(tài)閾值法，這是一種自適應(yīng)的二值化方法，它利用的是像素自身及其領(lǐng)域灰度變化的特征。由于此算法充分考慮了每個像素領(lǐng)域的特征，所以能夠更好的突出背景和目標的邊界。 灰度變換增強 由于車牌圖像在拍攝時受各種各樣條件的限制和干擾，圖像的灰度值往往與實際景物不完全匹配。一般成像系統(tǒng)只具有一定的亮度范圍，亮度的最大值和最小值之比稱為對比度。由于成像系統(tǒng)的亮度有限，常出現(xiàn)對比度不足的情況，使人眼觀看圖像時視覺效果很差，這將直接影響到圖像的后續(xù)處理。通過灰度變換可以增強對比度，改善視覺效果。 灰度變換如果造成對比度不足的原因主要是由于被拍攝目標的遠近不同，使得圖像中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡，或是由于攝像頭在掃描時各點的靈敏度有較大的差異而產(chǎn)生圖像灰度失真，或是由于曝光不足或過度而使得圖像的灰度值被限制在一個很小的范圍。這時人們看到的將是一個模糊不清、似乎沒有灰度層次的圖像。可以采用灰度變換的方法來處理，增強灰度的變化范圍、豐富灰度層次，達到增強圖像對比度的目的。用一個線性單值函數(shù)，對圖像內(nèi)的每一個像素作線性擴展，將有效的改善圖像的視覺效果。 如果原圖像中，大部分像素的灰度級在一個比較小的范圍內(nèi)，或者我們只對灰度級在某一范圍內(nèi)的像素感興趣，設(shè)這一灰度范圍為。經(jīng)過線性灰度變換后，可以將這一灰度范圍擴展到圖像中一個比較大的灰度范圍，其中為進行灰度變換后的圖像，并且有。如圖42所示，和之間的灰度變換關(guān)系如下： (43)從灰度直方圖分析，由于。所以對離散圖像來說，盡管變換前后像素的個數(shù)不變，但是不同像素之間的灰度差變大，圖像質(zhì)量優(yōu)于變換前。但是這種兩端截取式的變換使小于灰度級a和大于等于灰度級b的像素分別強行變?yōu)閏和d，這將會造成小部分圖像信息的丟失。圖42 線性灰度變換 圖43 分段線性灰度變換同理，可以采取分段線性灰度變換，將圖像灰度區(qū)間分成兩段或多段分別做線性變換。分段線性變換的優(yōu)點是可以根據(jù)需要，拉伸感興趣的灰度范圍，相對抑制不感興趣的灰度范圍。分成三段進行線性變換如圖43所示，變換公式如下： (44)圖中對灰度范圍進行了灰度擴展，而對灰度范圍和進行了壓縮。通過調(diào)整折線拐點的位置和分段直線的斜率，可以對任意灰度范圍進行擴展或壓縮。用某些非線性函數(shù)，例如對數(shù)函數(shù)、指數(shù)函數(shù)等作為映射變換函數(shù)時，可以實現(xiàn)圖像灰度的非線性變換。對數(shù)變換一般為： (45) 其中a，b和c為可調(diào)參數(shù)，用于調(diào)整曲線的位置和形狀，它使圖像的低灰度區(qū)得以擴展，而高灰度區(qū)得到壓縮。與之相對應(yīng)的指數(shù)變換一般為： (46) 其中a，b和c為可調(diào)參數(shù)，用于調(diào)整曲線的位置，它的效果與對數(shù)變換的相反，它使圖像的高灰度區(qū)進行擴展，而對圖像的低灰度區(qū)進行壓縮。 利用對數(shù)函數(shù)進行灰度變換在實際應(yīng)用中有重要意義，它能擴展低灰度區(qū)，符合人們在視覺上的主觀感覺。 一般情況下，在一幅有限行和有限列的數(shù)字圖像中取不同灰度值像素的數(shù)目是不同的。直方圖是用于表達圖像灰度分布情況的統(tǒng)計圖表，其橫坐標是灰度值，縱坐標是出現(xiàn)這個灰度值的概率值。盡管灰度直方圖不能表示出具有某些灰度值的像素的具體位置，更不能直接顯示圖像的內(nèi)容，但是具有統(tǒng)計特征的直方圖卻能描述該圖像的灰度分布特征，使人們從中得到諸如總體明亮程度、對比度、灰度分布概貌等信息。 如果圖像灰度集中在較窄的區(qū)間，會引起圖像細節(jié)的模糊，為了使圖像細節(jié)清晰，并使一些目標得到突出，達到增強圖像的目的，可通過改善各部分亮度的比例關(guān)系，即可通過對直方圖進行調(diào)整的方法來實現(xiàn)，這種方法是以概率論為基礎(chǔ)的。一幅對比度小的圖像，其直方圖分布一定集中在某一比較小的范圍內(nèi)，經(jīng)過均衡化處理的圖像，其所有灰度級出現(xiàn)的概率相同，此時圖像的熵最大，圖像所包含的信息量最大。直方圖均衡化又稱直方圖平坦化，是將一已知灰度概率密度分布的圖像，經(jīng)過某種變換，變成一幅具有均勻灰度概率密度分布的新圖像，其結(jié)果是擴展了像素取值的動態(tài)范圍，從而達到增強圖像整體對比度的效果。設(shè)原始圖像總的像素數(shù)目為N,那么，直方圖均衡化的具體計算步驟如下：(1)列出原始圖像的灰度級，其中L是灰度級的個數(shù)；(2)統(tǒng)計各灰度級的像素數(shù)目，；(3)計算原始圖像直方圖各灰度級的頻數(shù)，；(4)計算用于灰度變換函數(shù)，；(5)計算映射后的輸出圖像的灰度級，為輸出圖像灰度級的個數(shù)，INT為取整數(shù)運算；(6)統(tǒng)計映射后各灰度圖的像素數(shù)目，；(7)計算輸出圖像直方圖，；(8)用和的映射關(guān)系調(diào)整原始圖像的灰度級，獲得直方圖近似為均勻分布的輸出圖像。 根據(jù)原圖像的直方圖統(tǒng)計值就可以算出均衡化后各像素的灰度值。按上述步驟對圖像進行均衡化處理時，直方圖上灰度分布較密的部分被拉伸，灰度分布稀疏的部分被壓縮，從而使一幅圖像的對比度在總體上得到很大的增強。 空間域濾波圖像的實質(zhì)是光電信息，因此圖像噪聲的主要來源有以下幾個：在光電、電磁轉(zhuǎn)換過程中引入的噪聲；大氣電磁暴、閃電、電壓和浪涌等引起的強脈沖的干擾；由不連續(xù)性或粒子性所引起的自然起伏性噪聲。噪聲會惡化圖像的質(zhì)量，使圖像模糊，甚至會淹沒和改變圖像本身的特征，給圖像分析和識別帶來困難。為了消除噪聲，常采用濾波的方法。另外，采用合適的濾波方法也可以用來對圖像進行銳化，增強圖像的邊緣信息。 領(lǐng)域平均法為了消除圖像中的噪聲，可以直接在空間域上對圖像進行平滑濾波。它的作用方法，一是模糊；另一種是消除噪聲?？臻g域的平滑濾波一般采用簡單平均法進行，就是求鄰近像素點的平均亮度值，稱為鄰域平均法。鄰域的大小與平滑的效果直接相關(guān)，鄰域越大平滑的效果越好，但領(lǐng)域過大，平滑會使邊緣信息損失的越大