【文章內(nèi)容簡介】 的模糊數(shù)字識別方法，以期提高視頻監(jiān)控效果，更好地維護(hù)社會治安和人民生命財(cái)產(chǎn)安全 第二章， 節(jié)主要講述模糊數(shù)字識別模糊數(shù)字圖像收集， 節(jié)模糊數(shù)字圖像頻譜分析特點(diǎn)分析和灰度直方圖分析，了解不同模糊程度不同數(shù)字的特點(diǎn) 。 闡述了通過收集的模糊圖像制作不同模糊程度模糊模板的過程， 節(jié)講述匹配識別前待識別模糊數(shù)字圖像處理方法。 第三章， 節(jié)修改模板庫。 節(jié)主要講改進(jìn)匹配算法，算法流程，算法實(shí)現(xiàn)，算法仿真。 第二章 基于模板匹配的模糊數(shù)字識別 模糊圖像收集 圖 、 是收集到的不同程度的模糊數(shù)字圖像： 圖 圖 收集的數(shù)字圖像中有由于運(yùn)動模糊的圖像，如圖 ；有由于遠(yuǎn)距離拍攝產(chǎn)生的模糊圖像，如圖 ，收集不同程度的車牌模糊數(shù)字圖像，為后續(xù)模糊數(shù)字圖像的制作，模糊數(shù)字模板庫制作提供素材。 模糊數(shù)字圖像特點(diǎn)分析 通過對場外車牌數(shù)字的拍攝，制作不同模糊程度數(shù)字。如下是我收集到的車牌數(shù)字模糊圖像： 圖 為清晰化的車牌數(shù)字： 圖 通過截圖獲取單個清晰化的數(shù)字模板，如圖 ： 圖 2.. 通過制作清晰化的車牌數(shù)字圖像，為模糊數(shù)字圖像分析提供借鑒，與模糊數(shù)字圖像形成對比。也為后續(xù)改進(jìn)模板匹配算法提供良好的素材 將圖 轉(zhuǎn)化為灰度圖像，可以利用 MATLAB 里的自帶的灰度轉(zhuǎn)換函數(shù)將其轉(zhuǎn)化。效果如圖：如圖 ： 圖 將圖 的圖像通過對其做傅里葉變換，得到不同數(shù)字圖像頻譜圖，如圖 ： 圖 圖 。 將標(biāo)準(zhǔn)清晰度 圖像得到其灰度圖，如圖 ： 圖 圖 的清晰數(shù)字直方圖與下面的模糊數(shù)字圖像直方圖形成對比，更好的看出模糊數(shù)字圖像的特點(diǎn)，方便匹配預(yù)處理時模糊數(shù)字圖像的清晰化 由于戶外模糊數(shù)字圖像不好拍攝，下面用的是通過 PHOTOSHOP 模擬戶外拍攝條件的改變制作了下列輕微模糊數(shù)字圖像，如圖 ： 圖 將圖 的模糊數(shù)字圖像進(jìn)行傅里葉變換得到表面輕微模糊的數(shù)字圖像頻譜圖，如圖 ： 圖 圖 的灰度直方圖如圖 ： 圖 對圖 的數(shù)字圖像進(jìn)一步模糊得到嚴(yán)重模糊的數(shù)字圖像，如圖 所示： 圖 對圖 的數(shù)字圖像進(jìn)行傅里葉變換，如圖： ： 圖 的數(shù)字模糊圖像的灰度直方圖如圖 ： 圖 圖 小結(jié) 通過上面各種模糊數(shù)字圖像的頻譜分析、灰度直方圖分析發(fā)現(xiàn)，他們的頻譜圖、灰度直方圖都是各不相同，各有各的特點(diǎn)。數(shù)字一：其傅里葉頻譜是一個非常清晰的十字圖；數(shù)字 2 除了清晰的十字架外還多了傾斜的一小模糊線和中心點(diǎn)的清晰小橢圓；數(shù)字三有清晰的十字架和中心圓的高清亮點(diǎn)；數(shù)字 4 十字架不是很清晰尤其是垂直方向，中心高清不成形圓和傾斜的小亮線；數(shù)字 5 清晰十字架，水平方向多了一條平衡亮線；數(shù)字 6 垂直亮線十分清晰，水平亮線則顯得有點(diǎn)模糊；數(shù)字 7 垂直亮線雖然清晰但粗糙，以數(shù)字 6 細(xì)小的亮線形成對比；數(shù)字 8 水平亮線十分清晰而垂直亮線模糊；數(shù)字 9 的唯一特點(diǎn)就是倆條相互垂直的垂直亮線；數(shù)字 0垂直、水平線都是模糊不清的。 建立不同模糊程度的數(shù)字模板 通過讀取圖像，對讀取的圖像進(jìn)行處理 。 二值化 圖像二值化（ binary image），就是將圖像上的像素點(diǎn)的灰度值設(shè)置為 0或 255，也就是將整個圖像呈現(xiàn)出明顯的黑白效果。 將 256 個亮度等級的 灰度圖像 通過適當(dāng)?shù)拈撝颠x取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在 數(shù)字圖像處理 中，二值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(jìn)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(biāo)的輪廓。其次，要進(jìn)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(diǎn)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(yīng)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(shè)為 255，低于該閥值灰度設(shè)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μ 1 和μ 2。 (4)求出新閾值 ?=(μ 1+μ 2)/2。 是二值化后輸出的圖像，通過閥值（設(shè)為 ?）來二值化圖像的公式為 ? ? ? ?? ?? 時，當(dāng) 時，當(dāng) ?????? 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(zhuǎn)換為二值圖像時， 需要設(shè)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(shè)定的閾值能更好地把一張灰度圖像轉(zhuǎn)換為二值圖像。調(diào)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(jìn)行去噪，本文采用低通濾波來進(jìn)行。 低通的數(shù)學(xué)表達(dá)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(zhuǎn)移函數(shù)（即低通濾波器） 。G(u,v)一為經(jīng)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(jīng)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(zhì)，這對后續(xù)圖像的處理 (如分割、壓縮和圖像理解等 )將產(chǎn)生不利影響。噪聲種類很多，如：電噪聲、機(jī)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(zhì)量，便于更高層次的處理，必須對圖像進(jìn)行去噪預(yù)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(diǎn)，采用低通濾波方式來進(jìn)行去噪。低通濾波是頻率域?yàn)V波的一種，頻率域?yàn)V波是將圖像從空間或時間域轉(zhuǎn)換到頻率域，再利用變換系數(shù)反映某些圖像特征的性質(zhì)進(jìn)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(yīng)于頻率較高的區(qū)域，圖像實(shí)體位于頻率較低的區(qū)域。圖像在變換具有的這些內(nèi)在特性可被用于圖像濾波?？梢詷?gòu)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(jīng)過反變換來取 得平滑的圖像。 建立模板 本文在在建立 標(biāo)準(zhǔn)的字符模板庫時需要手動將樣本輸入，建立臨時標(biāo)準(zhǔn)的字符模板庫，然后保存，這就需要在之前已經(jīng)有模板樣本，進(jìn)行必要的樣本訓(xùn)練。 樣本訓(xùn)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(yù)處理 在進(jìn)行匹配識別之前要先對待識別圖像進(jìn)行預(yù)處理，其中包括：灰度化、清晰化、傾斜調(diào)整、二值化、大小調(diào)整（調(diào)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(jī)拍攝到的圖像都是彩色，需要將待識別的圖像轉(zhuǎn)化為灰度圖像。 在這可以利用 MAYLAB 里自帶的函數(shù) rgb2gray 將其進(jìn)行轉(zhuǎn)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(jìn)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(yùn)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(yùn)動模糊尺度的量。因此，需要將圖像以某種形式轉(zhuǎn)換到另外一些空間。對于不帶噪聲的勻速直線運(yùn)動模糊圖像，可以通過傅里葉變換將其轉(zhuǎn)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(yùn)動模糊方向垂直，而間距則與運(yùn)動模糊尺度有關(guān)系。 運(yùn)動模糊角度識別 ： 為了把任意方向的勻速直線運(yùn)動的模糊情況轉(zhuǎn)化為水平方向，就需要識別出運(yùn)動模糊角度，這就可以利用 Rodon 變換實(shí)現(xiàn)。圖像的 Rodon 表換即圖像 I(x,y)在角度為 、與原點(diǎn)的距離為 （ =xcos( )+ysin( )）的直線上的投影。 Radon 變換的定義： R（ , ） = （ 23） 對于數(shù)字圖像， ，通過 Radon變換可計(jì)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(jì)算出這個角度范圍內(nèi)沿著每一個角度射線方向的投影值。由于勻速直線運(yùn)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(yīng)的角度即為運(yùn)動模糊角度。 頻率域特征提取 ： 在勻速直線運(yùn)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(yùn)動模糊尺度有關(guān)，所以，這個距離可以作為識別運(yùn)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(yùn)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(xùn)練和辨識精度，只需要對頻譜圖中央?yún)^(qū)域計(jì)算幅度和。因?yàn)橹車鷧^(qū)域的頻譜幅度接近零值，而這些區(qū)域會給網(wǎng) 絡(luò)訓(xùn)練和參數(shù)辨識帶來一定誤差，因此計(jì)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(yīng)的網(wǎng)絡(luò)訓(xùn)練和參數(shù)辨識的計(jì)算量，從而提高網(wǎng)絡(luò)訓(xùn)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(dǎo)致識別結(jié)果不準(zhǔn)確。為了改善這一狀況，需要對數(shù)據(jù)進(jìn)行歸一化處理。 數(shù)據(jù)歸一化是神經(jīng)網(wǎng)絡(luò)預(yù)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(zhuǎn)化為 [o， 1]內(nèi)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?yàn)檩斎胼敵鰯?shù)據(jù)數(shù)量級差別較大而造成的較大網(wǎng)絡(luò)預(yù)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)