【文章內(nèi)容簡介】 二值圖像又稱黑白圖像，是指 圖像的每個像素只能是黑或白，沒有中間的過渡。二值圖像的像素值為 0 或 1， 圖 表示一幅二值圖像對應(yīng)的圖像矩陣 [7]。 000000 0 0 0 1I=0000011111???????? 圖 二值 圖 像的數(shù)字矩陣 灰度圖像是指每個像素由一個量化的灰度值來描述的圖像。它不包含彩色信息。 若灰度圖像的像素都是 unit8 型或 unit16 型，則它們的整數(shù)值范圍分別是 [0,255]和[0,65535]。若圖像是 double 型，則像素 的取值就是雙精度浮點(diǎn)型。 圖 表示一幅灰度圖像及其對應(yīng)的圖像矩陣 [7]。 I=67 69 75 67 6872 68 85 78 9585 86 83 86 8512 1 99 10 2 11 9 94?????? 車牌字符分割相關(guān)理論基礎(chǔ) 圖 灰度圖像的數(shù)字矩陣 數(shù)學(xué) 形態(tài)學(xué)于 1964 年創(chuàng)立，其基本思想和方法對圖像處理理論和技術(shù)產(chǎn)生了重大影響 [8]。 數(shù)學(xué)形態(tài)學(xué)的基本思想是用具有一定的結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)形狀，以達(dá)到對圖像分析和識別的目的。 應(yīng)用 數(shù)學(xué)形態(tài)學(xué)可以簡化圖像數(shù)據(jù)，保持它們基本形狀特性 的數(shù)據(jù) ，并除去不相關(guān)結(jié)構(gòu) 的數(shù)據(jù) 。數(shù)學(xué)形態(tài)學(xué)的算法天然 具有并行實(shí)現(xiàn)的結(jié)構(gòu)， 實(shí)現(xiàn)了 處理算法和形態(tài)學(xué)分析 的并行，大大提高到了圖像分析 、 處理的速度。 數(shù)學(xué)形態(tài)學(xué)不僅有 堅(jiān)實(shí)的理論基礎(chǔ)，簡潔、樸素、統(tǒng)一的思想， 還有著 如此廣泛的使用價值。有人稱數(shù)學(xué)形態(tài)學(xué)在理論上是嚴(yán)謹(jǐn)?shù)?，在基本觀念上卻是簡單 和優(yōu)美的 [7]。 數(shù)學(xué)形態(tài)學(xué)有膨脹、腐蝕、開 運(yùn)算 、閉 運(yùn)算 四種基本運(yùn)算： （ 1） 膨脹 ： 設(shè)用 A 表示圖像， B 表示結(jié)構(gòu)元素（ B 本身也是圖像集合， A 和 B 均為集合），形態(tài)學(xué)運(yùn)算就是用 B 對 A 進(jìn)行操作。 膨脹的運(yùn)算符為 ? ，用 B 對 A 進(jìn)行膨脹可以記為 AB? ，其定義為 ^[ ( ) ]xA B x B A??? ? ? ????? 其中， ^B 表示集合 B 的反射，它的定義為： ? ?^ ,B w w b b B? ? ? ?。 ^()zB 表示對 B 的反射進(jìn)行位移 z， 因此 上式表明用 B 膨脹 A 的過程是，先對 B 做關(guān)于原點(diǎn)的映射，再將其平移 z， 這里 A 與 B 的交集不 能 為空集。換句話說，用 B 來膨脹 A 得到的集合是 ^B 位移與 A 至少有一個非零元素相交時 B 的原點(diǎn)位置的集合。 （ 2） 腐蝕 ： 腐蝕的算符為 ? ， A 用 B 來腐蝕寫作 AB? ，其定義為 ： ? ?()xA B x B A? ? ? 上式表明 用 B 腐蝕 A 的過程就是對 B 平移運(yùn)算想，結(jié)果是所有 x 的集合，即 B 平移 x后仍在 A 中，換句話說，用 B 腐蝕 A 得到的集合是 B 完全包括在 A 中時 B 的原點(diǎn)位置的集合，即平移后的 B 與 A 的背景并不疊加。 （ 3） 開運(yùn)算 ： 車牌字符分割相關(guān)理論基礎(chǔ) 開運(yùn)算是指先對圖像進(jìn)行腐蝕，然后膨脹其結(jié)果。用 B 對 A 進(jìn)行形態(tài)學(xué)開運(yùn)算可以記為 AB。它的定義為： ()A B A B B? ? ? 上式的簡單集合解釋為： AB是 B 在 A 內(nèi)完全匹配的平移的并集。 （ 4） 閉運(yùn)算 ： 閉運(yùn)算是指先對圖像進(jìn)行膨脹，然后腐蝕其結(jié)果。用 B 對 A 進(jìn)行形態(tài)學(xué)閉運(yùn)算可以 記為： AB? ，它的定義為： ()A B A B B? ? ? ? 上式表示，用結(jié)構(gòu)元素 B 對 A 進(jìn)行形態(tài)學(xué)閉運(yùn)算的結(jié)果包括所有滿足以下條件的點(diǎn)：該 點(diǎn)可被映射和位移的結(jié)構(gòu)元素覆蓋時， A 與經(jīng)過映射和位移的 B 的交集不為零。從幾何上講， AB? 是所有不與 A 重疊的 B 的平移的并集。 開運(yùn)算和閉運(yùn)算都可以除去比結(jié)構(gòu)元素小的特定圖像細(xì)節(jié)，同時能保證不使全局發(fā)生失真 。開運(yùn)算可以把比結(jié)構(gòu)元素小的突刺濾掉，切斷細(xì)長搭接而起到分離作用。閉運(yùn)算則可以把比結(jié)構(gòu)元素小的缺口或孔填充上，搭接短的間斷而起到 聯(lián)通作用 [7]。車牌圖像的預(yù)處理 第三章 車牌圖像的預(yù)處理 圖像 的 灰度化， 就 是將彩色圖像轉(zhuǎn)化為具有 256 個灰度級的黑白圖像， 灰度 圖像只 保留圖像的 亮度信息， 去除了 色彩信息，就像我們平時看到的黑白照片， 它的 亮度由暗到明 ，而且 亮度變化是連續(xù)的。圖像灰度化后 可以 使處理運(yùn)算量大大減少，這樣處理過程就變得更加簡單和省時。在灰度圖像中，通常 將亮度 劃分成 0 到 255 共 256 個級別 ， 0 最暗， 255最亮。 圖 為將彩色圖像灰度化前后的圖像： 圖 車牌圖像的灰度化 值化 圖像二值化是指將彩色或灰度圖像轉(zhuǎn)化為黑白圖像，而且圖像沒有灰度層次的變化，對 圖像 二值化可根據(jù)式（ 31）或（ 32）來確定。其中 t 為閾值， (, )f i j 為輸入圖像 數(shù)據(jù) ，39。(, )f i j 為輸出圖像 數(shù)據(jù) 。 39。 1 ( , )( , ) 0 ( , )f i j tf i j f i j t??? ? ?? （ 31） 39。 1 ( , )( , ) 0 ( , )f i j tf i j f i j t??? ? ?? （ 32） 由式（ 31）和（ 32）可知，圖像的二值化就是選取一個閾值，灰度值大于閾 值的（或小于閾值的）被認(rèn)定為字符圖像，灰度值小于閾值的（或大于閾值的）被認(rèn)定為車牌背景，對 車牌圖像 進(jìn)行 二值化 處理 的目的就是 將 車牌上的字符和背景分開， 因此 在二值化 過程中最關(guān)鍵的 就 是 閾 值的選取，好的 閾值 可以 把車牌 背景 和車牌上的 字符 區(qū)分開來， 而 不恰當(dāng)?shù)?閾值 會把背景 認(rèn)定為 字符，同樣也 可能 把部分字符 認(rèn)定為 背景。 下面介紹幾種常用的二值化方法： （） 全局閾值法 ： 在分割過程中，對車牌圖像的每個像素值采用相同的閾值，就是 全局 閾值 算法 。 如果車牌圖像的預(yù)處理 背景的 像素 值在整個圖像中可 近似 看作為恒定，那么，只要選擇了正確的 閾值 ，使用一個固定的 全 局閾值 就 可以達(dá)到 較好的 二值化 效果。 因此如何選擇閾值就成為全局閾值算法的關(guān)鍵所在。 在全局 閾 值算法中最出名的也是效果最好的就是 Otsu提出的最大方差 閾 值算法。這是1980 年由日本的大津提出，故又稱為大津 閾 值算法，在判別與最小二乘原理的基礎(chǔ)上推導(dǎo)出來的 [11]。 它的基本原理是 （ 2） 局部閾值法 ： 在許多情況下，背景的灰度值并不 能近似為 一個常數(shù)， 由于各種原因使得車牌受到污染或 有陰影、光照不均等 ，都會使車牌字體 顏色和背景顏色的對比度在圖像中 產(chǎn)生 變化。這時， 取一個定值作為整個圖像的閾值 對圖像分割，會由于不能兼顧圖像各 處的情況而使分割效果受到影響 。在此情況下， 有一種解決辦法就是 局部閾值法，該方法 由像素的灰度值以及該像素周圍點(diǎn)的局部灰度特性來確定 閾值 ，把灰度 閾值 取成一個隨圖像位置緩慢變化的函數(shù)值， 因而也稱此方法為 自適應(yīng) 閾值 算法 或動態(tài)閾值算法。 由于實(shí)際應(yīng)用中，全局閾值法已可以滿足本文車牌字符分割的要求，因此本文采用了大律法（ Otsu法） 。 大律法的原理為：設(shè) t 為車牌圖像的前景與后景的分割閾值，前景點(diǎn)數(shù)所占圖像的比例為 1k ，平 均灰度為 1u ；后景點(diǎn)數(shù)所占圖像比例為 2k ，平均灰度為 2u ；則圖像的總平均灰度為 1 1 2 2u u k u k? ? ? ?。 以 t 為閾值 從最小灰度值到最大灰度值遍歷 圖像，當(dāng)t 使得 類間方差值 221 1 2 2( ) ( )k u u k u u? ? ? ? ? ? ?為最大時 即為最佳閾值。 因?yàn)榉讲钪档拇笮〈砹嘶叶戎档姆植记闆r，因而當(dāng)方差 ? 越大，說明前景和背景的差別 ? 越大，當(dāng)將前景劃為背景區(qū)域或?qū)⒈尘皠潪榍熬皡^(qū)域時都會使得方差 ? 變小，所以當(dāng) t 使得方差 ? 最大時即為最佳閾值。 圖 為二值化后車牌圖像； 圖 圖像的二值化 在圖像中，由于獲取圖像的設(shè)備會產(chǎn)生噪聲，在圖像傳輸過程中也會存在噪聲， 而車牌本生也會有噪聲， 這就使得我們獲得的圖像都夾雜著或多或少的噪聲。是否需要將圖像進(jìn)行去噪處理，這取決于噪聲 對圖像的影響 程度。 一般來說我們 只有 對圖像進(jìn)行去噪處理后才能更好的實(shí)現(xiàn)車牌的分割和識別。 一般將 圖像中的噪聲 分為 兩種：一種是加性噪聲，車牌圖像的預(yù)處理 另 一種是乘性噪聲。加性噪聲和原圖像 數(shù)據(jù) 是加的關(guān)系，可用表達(dá)式 33 來表示。而乘性噪聲和 原 圖像 數(shù)據(jù) 是相乘的關(guān)系，可用表達(dá)式 34 來表示。 ( , ) ( , ) * ( , )g x y f x y x y?? （ 33） ( , ) ( , ) * ( , )g x y f x y x y?? （ 34） 產(chǎn)生的噪聲 會 因產(chǎn)生原因的不同而表現(xiàn)出不同的 特點(diǎn) 。常見的噪聲類型有： 均勻分布噪聲、 高斯噪聲、脈沖噪聲 、指數(shù)分布噪聲 、瑞利噪聲、伽馬噪聲等噪聲模型。在去噪時，我們需要根據(jù)噪聲 的 特點(diǎn)采取相應(yīng)的方法去噪。大體上可以分為兩種，一種是在時域進(jìn)行去噪，另外一種是在頻域進(jìn)行去噪。 這兩種方法是根據(jù)不同的思想進(jìn)行去噪的 ，一個是利用信號和噪聲的時域特征 將噪聲去除 ，一個是利用信號和噪聲的頻域特征來將 噪聲去除 。不管是哪種方法，我們都是 為了 將信號和噪聲分離 從而 得到一個含有少量噪聲的 圖像數(shù)據(jù) 。在時域上去噪的方法有很多 種 ，比如：均值濾波、順序?yàn)V波、自適應(yīng)濾波等濾波方法。而在頻域上去噪主要是利用噪聲和信號所占頻帶的不同從而將其分離，根據(jù)噪聲所在不同的頻帶，我們可以采用低通濾波、高通濾波和帶通濾波來去噪 [10]。 本文主要運(yùn)用了 數(shù)學(xué)形態(tài)學(xué)方法中的 開閉運(yùn)算來實(shí)現(xiàn)去噪的處理，還 根據(jù) 車牌標(biāo)準(zhǔn) 判斷噪聲的位置與 投影像素原理 相結(jié)合的方法進(jìn)行 去噪處理， 下面是對開閉運(yùn)算 以及去除其它噪聲 等方法 的介紹。 由于車牌上會有泥點(diǎn)、刮痕、銹蝕等造成車牌上會 成為噪聲 ，在二值化時會成為 小點(diǎn) ，給字符分割帶來阻礙，因而在對車牌分割前必須將這些噪聲去掉，因此可以根據(jù) 開 操作來達(dá)到目的。 開運(yùn)算和閉運(yùn)算都可以除去比定義的結(jié)構(gòu)元素小的特定圖像細(xì)節(jié)，同時能保證不使 圖像 全局發(fā)生失真。開運(yùn)算可以把比結(jié)構(gòu)元素小的突刺 噪聲 濾掉，切斷 將字符 搭接 起來的噪聲 而起到分離作用。 圖 為進(jìn)行開運(yùn)算前后的圖像： 開運(yùn)算前： 開運(yùn)算后： 車牌圖像的預(yù)處理 圖 對圖像的開運(yùn)算 由于車牌上會有泥點(diǎn)、刮痕、銹蝕或光照、陰影等 的影響造成車牌上有一些噪聲，在二值化時會成為小洞，給字符分割帶來阻礙，因而在對車牌分割前必須將這些噪聲去掉，因此可以根據(jù)閉運(yùn)算操作來達(dá)到目的。 邊框 在對車牌進(jìn)行定位后， 車牌的 上下 邊緣處總會殘留一些 車牌的邊框或者鉚釘?shù)?噪聲無法去除，待車牌被分割后也會給后續(xù)的字符識別帶來麻煩，為了消除這些影響，須將其去除。因此本文根據(jù) 其 邊框與字符間有空隙的特點(diǎn)， 對于垂直邊框， 先找到 車牌正中間的 一個字符， 向右找到第四個間隙即為車牌的最 右 端，找到第一個字符位置，向左尋找即可找到車牌最左端位置；對于水平方向的邊框 ，先找到車牌水平方向的最中間，向車牌的上下方向分別尋找車牌字符與邊框之間的間隙，即可找到車牌的上下位置。 步驟為： Step1：計算每一 行 的像素值總和。 Step2： 選取車牌行方向的正中間位置，分別向車牌上下掃描尋找到行像素和突然變小的位置，即為車牌的上下端。 Step3：只保留 Step2 找到的車牌上下端以內(nèi)的車牌數(shù)據(jù)即可將車牌的上下邊框去除。 圖 為計算出的車牌 列 方向像素值： 圖 行、 列 方向累計像素值 車牌圖像的預(yù)處理 去除車牌水平方向的邊框與去除垂直方向邊框的方法類似。 圖 為車牌去除 邊框 前后的圖像： 圖 去除 車牌 邊框 前后對比圖 車牌上字母與數(shù)字間有一白色圓點(diǎn)，在采用投影法對車牌進(jìn)行分割時會受到很大的影響，因此本文根據(jù)該白點(diǎn)所在車牌的位置，將此白點(diǎn)處數(shù)字矩陣置為全零，可以消除其帶來的影響。 圖 為去除白點(diǎn)前后的車牌圖像： 圖 去除圓點(diǎn) 車牌字符分割方法 第四章 車牌字符分割方法 前面已經(jīng)介紹了字符分割的發(fā)展現(xiàn)狀，本章將就本文重點(diǎn)研究的投影法、固定邊界法以及將兩者結(jié)合起來的方法進(jìn)行闡述。 方法 該算法是由 遲曉君，孟慶春 等 首先 提出 來的，該算法是依據(jù)車牌字符間的像素為零而找到各個字符的左右位置分割的。 圖 為計算列方向的累計像素值： 圖 車牌列方向累計像素值 由圖可見：在字符之間的像素值 理想情況下為零，實(shí)際情況可能有些許噪聲，但只要噪聲不大，已可據(jù)此實(shí)現(xiàn)字符的分割。 該算法的步驟為： Step1：將車牌圖像灰度化。 Step2： 用 Otsu算法確定車牌區(qū)域的二 閾值（即采用全局閾值）， 然后根據(jù)此閾值將圖像二值化。 Step3：對該二值化圖像進(jìn)行 去燥處理 ，