【文章內(nèi)容簡介】 ? ? () (3)加權(quán)平均法：根據(jù)重要性或其他指標給 R， G， B賦予不同的權(quán)值，并使灰度值等于 R， G， B 的加權(quán)平均。即： 3R G BW R W G W BR G B ??? ? ? () (4)亮度法：在 YUV顏色空間中， Y分量的物 理意義表示像素點的亮度，它包含了灰度圖像的所有信息，只用 Y分量就可以表示出一副灰度圖像。即： Y=*R+ * G + * B () 車牌信息處理與識別算法的研究 –6– 圖像增強 經(jīng)過圖像采集系統(tǒng)獲取的原始圖像中通常都含有各種各樣的噪聲與畸變，會大大影響系統(tǒng)的識別精度。因此，在進一步處理之前，必須對圖像質(zhì)量進行改善。通常，采用適當?shù)臑V波方法，將圖像中感興趣的特征突出，并削弱不需要的特征，改善圖像的質(zhì)量，以便后續(xù)計算機的分析和處理。圖像增強的方法分 為空域法和頻域法兩類，空域法主要是對圖像中的各個像素點進行操作；而頻域法是在圖像的某個變換域?qū)φ麄€圖像進行操作，并修改變換后的系數(shù)，如傅立葉變換、 DCT變換等的系數(shù)，然后再進行反變換，便可得到處理后的圖像。對于車牌圖像進行處理，通常采用空域濾波的方法，下面介紹幾種常用的濾波器 [1]。 (1)均值濾波 均值濾波器適用于去除掃描得到的圖像中的顆粒噪聲。對于給定的圖像 f(i,j)中的每個像素點 (m, n)處的灰度，取其鄰域 S。設(shè) S含有 M個像素，取其平均值作為處理后所得圖像像點 (m, n)處的灰度。鄰域 S的形狀和大 小根據(jù)圖像特點確定。一般取的形狀是正方形、矩形和十字形等， S的形狀和大小可以在全圖處理過程中保持不變，也可根據(jù)圖像的局部統(tǒng)計特性而變化，像點 (m, n)一般位于 S的中心。例如 S為 3 3鄰域，點 (m, n)位于S中心，則： 11111( , ) ( , )9f m n f m i n j??? ? ??? （ ） 假設(shè)噪聲 n是加性噪聲，空間中各點互不相關(guān)，且期望為 0，方差為 2? ， g是未受污染的圖像，含有噪聲的圖像 f經(jīng)過鄰域平均后為： 1 1 1( , ) ( , ) ( , ) ( , )f m n f m n g i j n i jM M M? ? ?? ? ? （ ） 公式 ()可知，經(jīng)鄰域平均后，噪聲的均值不變，方差，即噪聲方差變小，說明噪聲強度減弱了，抑制了噪聲。而且，鄰域平均法也平滑了圖像信號，特別是可能使圖像目標區(qū)域的邊界變得模糊?？梢宰C明，對圖像進行鄰域平均處理相當于圖像信號通過一低通濾波器。 (2)中值濾波 中值濾波器是一種非線性濾波器，也是一種典型的低通濾波器，中值濾波是將鄰域中的像素按照灰度大小排序，若像素的數(shù)量為奇數(shù)，則取中間的數(shù)作為待處理像素的灰度值，若像 素的數(shù)量為偶數(shù)，則取中間的兩個像素灰度的平均值作為待處理像素的灰度值，假設(shè)一組數(shù)據(jù)按原來的位置排序為 1，中值濾波的算法是將這組數(shù)排序為 7，待處理的數(shù)為 7，則用 5代替 7，處理后的一組數(shù)變?yōu)? 車牌信息處理與識別算法的研究 –7– 1。事實上，中值濾波器是用 n n的濾波器除去那些相對于其鄰域像素更亮或更暗、并且其區(qū)域小于 22n （濾波器區(qū)域的一半）的孤立像素集。中值濾波器能夠在抑制噪聲的同時不使邊緣模糊，而且方法簡單、易實現(xiàn)，但有時會丟失圖像的細節(jié)。 中值濾波 器可以推廣到二維，對二維圖像操作，二維中值濾波器的窗口形狀和尺寸對濾波效果影響較大，對于不同內(nèi)容不同應(yīng)用要求的圖像，需要采用不同尺寸和形狀的窗口。窗口的形狀可以是矩形、圓形和十字形等，窗口的尺寸一般先用 3點，再取 5點然后逐點增大，直到達到滿意的效果。 (3)自適應(yīng)濾波 自適應(yīng)濾波器的性能要優(yōu)于以上討論的兩種濾波器的性能，但這是以提高濾波器的復(fù)雜度為代價的。隨機變量最簡單的統(tǒng)計度量是均值和方差，這些參數(shù)是自適應(yīng)濾波器的基礎(chǔ)，因為它們是與圖像狀態(tài)緊密相關(guān)的數(shù)據(jù)。均值給出了計算均值的區(qū)域中灰度平均值的度量，而方差 給出了這個區(qū)域的平均對比度的度量。 濾波器作用于局部區(qū)域 xyS 。濾波器在中心化區(qū)域中任何點 (x, y)上的濾波器響應(yīng)基于以下四個量： ① g(x, y)表示噪聲圖像在點 (x, y)上的值； ② 2?? ， 干擾 f(x, y)， 以形成 g(x, y)的噪聲方差 ； ③ Lm ， 在 xyS 上像素點的局部均值 ； ④ 2L? ，在 xyS 上像素點的局部方差。 濾波器的預(yù)期性能如下： 如果 2?? 為零，濾波器應(yīng)該簡單地返回 g(x, y)的值， g(x, y)在零噪聲的情況下等同于f(x, y)； 如果局部方差 2L? 的值較大，那么濾波器要返回一個 g(x, y)的近似值。一個典型的高局部方差是與邊緣相關(guān)的，并且這些邊緣應(yīng)該保留 ； 如果兩個方差相等，希望濾波器返回區(qū)域 xyS 上像素的算術(shù)平均值。這種情況發(fā)生在局部面積與全部圖像有相同特性的條件下，并且局部噪聲簡單地用求平均來降低。 為獲得 ( , )f xy ，基于這些假定的自適應(yīng)表達式可由公式 ()得出： 22( , ) ( , ) [ ( , ) ]LLf x y g x y g x y m???? ? ? () 本文采用中值濾波器進行濾波。 車牌信息處理與識別算法的研究 –8– 邊緣檢測 圖像的邊緣檢測是車牌分割的基礎(chǔ)，在進行圖像的理解和分析時，第一步往往就是邊緣檢測。對 于灰度圖像，物體的邊緣是以灰度跳變的形式出現(xiàn)的，即圖像局部灰度變化最顯著的部分。我們知道，微分運算表示函數(shù)的變化部分，因此，利用微分運算就可以抽出圖像的邊緣。微分運算分為一階微分和二階微分，這兩種微分都可以用于邊緣的提取 [1]。 圖像 f(x, y)在點 (x, y)的梯度（一階微分）定義為： xyfG xffGy??????? ???? ? ??? ?????????? () 梯度的強度由公式 ()表示： 22|| xyf G G? ? ? () 二階微分，又稱拉普拉斯算子，可以用來求出邊緣的強度，但沒有方向信息。二階微分由公式 ()表示 : 222 fffxy??? ? ? () 在實際應(yīng)用中 ， 為了計算簡便 ， 一般將一階微分、二階微分的計算用微分算子的形式表示 ， 常見的微分算子有 Robert算子、 Sobel算子、 LoG算子以及 Prewitt算子等。 (1)Robert算子 Roberts算子是基于這樣的思想，當我們需要檢測圖像的邊緣時，就對每個像素計算▽ f，然后求絕對值，最后進行閾值操作就可以實現(xiàn)。它的近似差分表達式為： | ( , ) ( 1 , 1 ) | | ( 1 , ) ( , 1 ) |RG f x y f x y f x y f x y? ? ? ? ? ? ? ? () 這是四鄰域的公式，由于其抽取輪廓的效果優(yōu)于四點的梯度公式而被廣泛采用。 Robert算子的模板 ： 1001??????? 0110??????? (2)Sobel算子 Sobel算子不是簡單求平 均再差分 ， 而是加權(quán)平均再差分 ， 它的模板如下 ： 1 0 12 0 21 0 1??????????? 1 2 10001 2 1? ? ??????? 車牌信息處理與識別算法的研究 –9– Sobel算子有抑制噪聲的能力 ， 但檢出的邊緣的寬度較寬。 (3)Prewitt算子 Prewitt算子對噪聲有抑制作用 ， 抑制噪聲的原理是像素平均。其模板為 ： 111000111????????? 1 0 11 0 11 0 1??????????? (4)LoG算子 拉普拉斯算子是二階導(dǎo)數(shù) 的算子，也是借助模板來實現(xiàn)的。這里對模板有一個基本要求，即模板中心的系數(shù)為正數(shù)，其余相鄰系數(shù)為負數(shù)，所有系數(shù)的和應(yīng)該為零。它有常用的兩種模板： 0 1 01 4 10 1 0?????????? 1111 8 1111?????????????? 拉普拉斯算子一般不以其原始形式用于邊緣檢測，其原因有三點。第一，拉普拉斯算子對噪聲有很強的敏感性；第二，拉普拉斯算子產(chǎn)生雙邊緣；第三，拉普拉斯不能檢測邊緣的方向。所以在使用拉普拉斯算子之前，先要作平滑。通常的做法是，先讓 圖像與高斯函數(shù)卷積，再進行拉普拉斯運算，再由卷積的交換性、結(jié)合性可得，先對高斯函數(shù)進行拉普拉斯運算，再與圖像進行卷積運算的結(jié)果一致，可以用公式 ()表示： 22( , ) ( ( , ) ( , ) ) ( ( , ) ) ( , )g x y G x y f x y G x y f x y? ? ? ? ? ? () 其中 G(x, y)表示高斯函數(shù) [11]。 車牌圖像的定位 本節(jié)將對如何從由數(shù)據(jù)采集端所捕獲的一幅車輛圖像中經(jīng)過一系列的算法處理后定位出車牌進行詳細的描述。車牌定位是整個車牌自動識別系統(tǒng)的第一步，也是關(guān)鍵的一步，故其定位的準確率與實時性直接關(guān) 系到整個系統(tǒng)的性能。本文應(yīng)用數(shù)學(xué)形態(tài)學(xué)的知識進行車牌定位。 灰度 圖像的形態(tài)學(xué)膨脹算法 對灰度圖像來說，一幅灰度 f 被 b 膨脹，用 fb? 來表示，定義如下 ： ( ) ( , ) m a x{ ( , ) ( , ) | ( ) , ( ) 。 ( , ) }fbf b s t f s x t y b x y s x t y D x y D? ? ? ? ? ? ? ? ? () 車牌信息處理與識別算法的研究 –10– 這里fD和 bD 分別是 f 和 b 的自變量域，與二值圖膨脹處理不同的是這里的 f 和 b是函數(shù)而不是集合。從定義式中可以清楚地看到 ()sx? 和 ()ty? 必須屬于 f 的自變量域，x和 y也必須屬于 b的自變量域。 這里 b相當于二值圖膨脹處理里的集合 B，在一般的實際應(yīng)用中， bD 總是比fD小，在本文中我們所采用的也是灰度圖像的膨脹處理，主要用來連接斷裂的車牌圖像 [14]。 灰度 圖像的形態(tài)學(xué)腐蝕算法 灰度圖的腐蝕算法用符號來表示，定義如下： ( ) ( , ) m in{ ( , ) ( , ) | ( ) , ( ) 。 ( , ) }fbf b s t f s x t y b x y s x t y D x y D? ? ? ? ? ? ? ? ? () 其中 fD 和 bD 分別是 f 和 b 的自變量域， ()sx? 和 ()ty? 必須屬于 f的自變量域， x和 y也必須屬于 b的自變量域。 腐蝕運算主要用于去除一些無關(guān)的目標區(qū)域，本文中主要用來去除一些無關(guān)車牌區(qū)域。 灰度圖像的形態(tài)學(xué)閉 算法 與膨脹和腐蝕算法相同，閉運算既可以用于二 值圖，也可以用于灰度圖，灰度圖中的運算見式 ()： ()f b f b b? ? ? ? () 其中 f表示灰度圖像， b是結(jié)構(gòu)元素。只要結(jié)構(gòu)元素選取恰當，就可以收到良好的效果，在本文中我們用閉運算來進行車牌精確定位，實驗表明效果良好。形態(tài)學(xué)處理是一個相當有用的圖像處理工具，只要應(yīng)用得當，可以獲得很好的處理結(jié)果 [16]。 區(qū)域 分割 利用 robert算子檢測獲得的邊緣圖像反映的是牌照區(qū)域各字符的邊緣骨架及背景圖像中部分縱向邊緣，而從這些邊緣變化中卻很難發(fā)現(xiàn)各部分圖像之間的關(guān)系，為此采用數(shù)學(xué)形態(tài)學(xué)方法中的膨脹技術(shù)來生成連通區(qū)域圖像。其中用數(shù)學(xué)形態(tài)學(xué)方法確定候選牌照區(qū)域時，結(jié)構(gòu)元素 S的選擇，對于候選牌照區(qū)域的形成與牌照區(qū)域提取至關(guān)重要。若采用圓、矩形等具有垂直方向膨脹能力的結(jié)構(gòu)元素，則膨脹后得到的牌照區(qū)域極易出現(xiàn)與其它紋理粘連的現(xiàn)象，從而給進一步提取牌照區(qū)域帶來困難，因此采用結(jié)構(gòu)元素 S為具有水平方向膨脹能力的水平線段。膨脹后能得到多個候選牌照區(qū)域。 通過上述方法提取的候選牌照區(qū)域，由于有的是噪聲邊緣或紋理豐富的汽車圖 像及背景邊緣圖像經(jīng)形態(tài)學(xué)膨脹后形成的虛假塊，也有可能是牌照與附近的一些汽車紋理輪廓發(fā)生了粘連的區(qū)域 ,所有這些區(qū)域均構(gòu)成了候選牌照區(qū)。因此，為提取正確區(qū)域，必須車牌信息處理與識別算法的研究 –11– 設(shè)法去除虛假候選牌照，分離出真正的牌照區(qū)。在實際場景中，牌照區(qū)域和字符往往有一定的尺寸和筆畫邊緣限定，既不會太大 (大到整幅圖像范圍 )，也不會太小。因此，可通過大小、長寬、長寬比例、候選車牌字符邊緣密度等幾何特征來分析候選牌照區(qū)，進而從圖像中刪除虛假牌照區(qū) [2]。 圖象經(jīng)過了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而且其邊緣得到了勾勒和加強?？紤]到現(xiàn)有牌