【文章內容簡介】 邊緣主要存在于目標與目標、目標與背景、區(qū)域與區(qū)域（包括不同色彩）之間，邊緣檢測主要是精確定位邊緣和抑制噪點，原理是：由于微分算子具有突出灰度變化的作用，對圖像進行 微分運算，在圖像邊緣處及其灰度變化較大，故該處微分計算值較高，可將這些為分支作為相應點的邊緣強度，通過閾值判別來提取邊緣點，即如果為分支大于閾值，則為邊緣點。其基本步驟是首先利用邊緣增強算子，突出圖像中的局部邊緣，然后定義像素的“邊緣強度”，通過設置門限的方法提取邊緣點集。 常用的傳統(tǒng)邊緣檢測算子有 Robert 算子、 Sobel 算子、 Prewitt 算子、Laplace算子和 Canny 算子。 河南科技大學本科畢業(yè)設計（論文） 17 Robets算子：邊緣定位準確，但對噪聲敏感，去噪聲作用小，適合于邊緣明顯且噪聲較小的圖像分割； Sobel算 子：它是方向性的，在水平和垂直方向上形成了最強烈的邊緣。Sobel算子不僅能檢測邊緣點，而且能抑制噪聲影響，對灰度漸變和噪聲較多的圖像處理得較好； Prewitt算子：與 Sobel算子相比，對噪聲抑制較弱； Laplace算子：它是一個與方向無關的各向通行邊緣檢測算子，對細線和孤立點檢測效果好，但邊緣方向信息丟失，常產生雙像素的邊緣，對噪聲有雙倍加強作用，很少直接用于檢測邊緣； Canny算子：邊緣檢測的方法是尋找圖像梯度的局部極大值，它使用兩個閾值來分別檢測強邊緣和弱邊緣，而且僅當弱邊緣和強邊緣相連時，弱 邊緣才會包含在輸出中。 通過實驗圖對幾種邊緣檢測算子進行仿真（圖 35至 38），可知： （ 1） Roberts算子定位比較準確，但由于不包括平滑，所以對噪聲比較敏感。 （ 2） Prewitt算子和 Sobel算子都是一階的微分算子，而前者是平均濾波，后者是加權平均濾波，對噪聲具有一定的抑制能力，但不能完全排除檢測結果中出現(xiàn)偽邊緣。該類算子對灰度漸變和具有噪聲的圖像處理比較好。其中 Sobel算子比 Prewitt算子更能抑制噪聲的影響。 （ 3） Canny算子同樣采用高斯函數對圖像做平滑處理，因此具有較強的去噪能力 ，但同樣存在容易平滑掉一些邊緣信息。同時它所采用的一階微分算子的方向性較好，因此邊緣定位準確性較高。 邊緣檢測算子的實現(xiàn)代碼： I2=edge(I1,39。Robert39。,39。both39。)。 Figure， imshow（ I2）； title(‘ Robert算子 ’ )。 河南科技大學本科畢業(yè)設計（論文） 18 圖 36 Robert算子 圖 37 Prewitt算子 河南科技大學本科畢業(yè)設計（論文） 19 圖 38 Sobel算子 圖 39 Canny算子 通過邊緣檢測仿真結果圖可見，幾個邊緣檢測算子都可以較好的提取所需的車牌邊緣。為了車牌的定位，希望車輛圖像的車 牌區(qū)域突現(xiàn)出來的同時，其它邊緣能夠很好的得到抑制。 Canny算子提取邊緣能有效地檢測出車牌區(qū)域的紋理特征，所以，本次設計選用 Canny算子。 河南科技大學本科畢業(yè)設計（論文） 20 167。 灰度圖像二值化 灰度圖像的二值化處理就是 將 圖像上的點的灰度置為 0或 255，也就是 將整個圖像呈現(xiàn)出明顯的黑白效果。即將 256個亮度等級的灰度圖像通過適當的閥值選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。在數字圖像處理中，二值圖像占有非常重要的地位，要進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，這樣子有利于再對圖像做進一步處 理時，圖像的集合性質只與像素值為 0或 255的點的位置有關，不再涉及像素的多級值，使處理變得簡單，而且數據的處理和壓縮量小。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不交疊的區(qū)域。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。如果某特定物體在內部有均勻一致的灰度值，并且其處在一個具有其他等級灰度值的均勻背景下，使用閥值法就可以得到比較的分割效果。如果物體同背景的差別表現(xiàn)不在灰度值上（比如紋理不同）， 可以將這個差別特征轉換為灰度的差別，然后利用閥值選取技術來分割該圖像。動態(tài)調節(jié)閥值實現(xiàn)圖像的二值化可動態(tài)觀察其分割圖像的具體結果 。 本文采用的圖像二值化最佳閾值計算方法如下： Level=(fmax1(fmax1fmin1)/3) 式中 Level為最佳閥值， fmax為最大灰度， fmin為最小灰度，將圖像二值化： fmax1=double(max(max(Egray)))。 %egray的最大值并輸出雙精度型 fmin1=double(min(min(Egray)))。 %egray的最 小值并輸出雙精度型 level=(fmax1(fmax1fmin1)/3)/255。 %獲得最佳閾值 bw22=im2bw(Egray,level)。 %轉換圖像為二進制圖像 bw2=double(bw22)。 figure,imshow(bw2)。title(39。圖像二值化 39。)。%得到二值圖像，如圖 310： 河南科技大學本科畢業(yè)設計（論文） 21 圖 310 圖像二值化 167。 3. 4 形態(tài)學濾波 形態(tài)學是法國和德國的科學家在研究巖石結構時建立的一門學科。形態(tài)學的用途主要用來獲取物體拓撲和結果信息，他通過物體和 結構元素相互作用的某些運算，得到物體更本質的形態(tài)。人們后來用數學形態(tài)學表示以形態(tài)為基礎對圖像進行分析的數學工具。他的基本思想是用一個被稱為結構元素的探針收集圖像的信息。當探針在圖像中不斷移動時，便可考察圖像各個部分間的相互關系，從而了解圖像各個部分的結構特征。作為探針的結構元素，可直接攜帶知識（形態(tài)大小以及灰度和色度信息）來探測所研究圖像的結構特征。 數學形態(tài)是一種非線性濾波的方法，可以用于抑制噪聲，進行特征提取、邊緣檢測、圖像分割等圖像處理問題。數學形態(tài)學首先被用來處理二值圖像，后來也被用來處理灰度圖像， 現(xiàn)在又有學者開始用軟數學形態(tài)學和模糊形態(tài)學來解決計算機視覺方面的問題。 腐蝕是一種消除邊界點的過程，結果是使目標縮小，空洞增大，因而可有效地消除孤立噪聲點；膨脹是將于目標物體接觸的所有背景點合并到物體河南科技大學本科畢業(yè)設計（論文） 22 中的過程，結果是使目標增大，孔洞減小，可填補目標物體中的空洞，形成聯(lián)通域。先腐蝕后膨脹的過程為開運算，它具有消除細小物體，并在纖細處分離物體和平滑較大物體邊界的作用；先膨脹后腐蝕的過程為閉運算，具有填充物體內細小空洞，連接臨近物體和平滑邊界的作用。 本次畢業(yè)設計是運用了這種方法來實現(xiàn)其中重要步驟的。對圖像做了開運算和閉運算，這兩種運算是數學形態(tài)學中的重要運算。開運算就是對圖像先進行腐蝕，然后在用同一結構元素對圖像進行膨脹運算。閉運算就是反過來，先對圖像膨脹再腐蝕。閉運算可以使圖像的輪廓線更為光滑，它通常用來消掉狹窄的間斷和長細的鴻溝，消除小的孔洞，并彌補輪廓中的斷裂。 se=[1。1。1]。 %線型結構元素 I3=imerode(I2,se)。 %腐蝕圖像 subplot(3,2,4),imshow(I3),title(39。腐蝕后邊緣圖像 39。)。 圖 311 腐蝕后的邊緣圖像 se=strel(39。rectangle39。,[25,25])。 %矩形結構元素 I4=imclose(I3,se)。 %形態(tài)學中的閉運算， 聚類、填充圖像 ， se為結構元素 subplot(3,2,5),imshow(I4),title(39。填充后圖像 39。)。 河南科技大學本科畢業(yè)設計（論文） 23 圖 312 填充（膨脹）后的圖像 I5=bwareaopen(I4,2021)。%去除聚團灰度值小于 2021的部分 subplot(3,2,6),imshow(I5),title(39。形態(tài)濾波后圖像 39。)。 圖 313形態(tài)學濾波后的圖像 經分析采用矩形算子能有 效地將車牌區(qū)域連接成片，去除非車牌區(qū)域，通過程序處理后的圖可以清楚地看到對圖像經過開操作濾波后的可能的車牌區(qū)域都清楚的保留了下來，是非常成功的。 河南科技大學本科畢業(yè)設計（論文） 24 第 4 章 車牌定位 167。 車牌定位的主要方法 所謂車牌定位算法是指在實際拍攝的圖像中確定車牌區(qū)域的位置以便提取分割出車牌區(qū)域圖像的問題。牌照的快速準確定位是車牌自動識別技術中非常關鍵的一步，是典型的圖像分割問題，因此定位方法與車牌特征和圖像處理技術是分不開的。 經典的車牌定位分割算法包括從簡單的灰度閾值方法、頻域和空間分割方法到復雜的連接元素方法以及 Hough 變化法等，在背景較復雜和光照不均勻條件下，這些方法難以取得令人滿意的分割效果。近年來，人們針對這種情況，提出了各種各樣的定位算法。目前沒有一個標準圖像數據庫來評價無限制條件車牌定位算法的性能，這個問題的研究目前剛剛起步。 本次畢業(yè)設計中所用的方法是基于圖像的特征來做的，先初步確定車牌大致區(qū)域，再通過計算對車牌進行精確定位 流程圖如圖 41 所示： 采集圖像 圖像預處理（灰度變換、 圖像增強 ） 圖像邊緣檢測及二值化 對二值圖像進行形態(tài)學濾波 河南科技大學本科畢業(yè)設計（論文） 25 圖 41 車牌定位 流程圖 167。 基于直線檢測的方法 這類方法一般采用 Hough 變化等方法來檢測直線（車牌周圍邊框形成）。利用車牌形狀特性來定位車牌，在實際運用中憂郁光照不均勻等影響和攝像機畸變，曝光不足和動態(tài)范圍太窄等原因，導致圖像存在偽影，加上車牌上的灰塵、臟污等使形狀特性表現(xiàn)的不明顯，從而影響定位效果，此外傳統(tǒng)的Hough 變換法應用在車牌定位中，只是單純的進行直線的檢測，沒有和車牌形狀特性結合起來，而且 Hough 空間與原圖像空間不是一一對應的，由 Hough空間中檢測到的特征點無法確定出車牌輪廓的起始位置，無法避免直線干擾的問題，因此在有直線干擾時及未進行邊框提取時的可能 性會大大增加。Hough 變化計算量較大，對于邊框不連續(xù)的實際車牌，需要附加量加大的運算。 167。 基于閾值化的方法 圖像經過閾值化得到一個字符和背景分離的二值圖像是這類方法的特點。目前已經提出了多種閾值化策略，但簡單算法二值化效果不好，復雜算法計算時間長、計算量大限制了實際應用。 167。 基于灰度邊緣檢測方法 此類方法通常利用車牌區(qū)域局部對比度明顯和灰度有規(guī)律變化的紋理特征來定位。中國車牌類型較多，在不同光照條件下車牌對比度更加不一，提取車牌區(qū)域 輸出車牌 河南科技大學本科畢業(yè)設計（論文） 26 需要進行圖像增強處理，還要考慮圖像中與車牌特征非常相似的非 車牌區(qū)域的排除問題。 基于灰度直方圖的門限化邊緣檢測是一種最常用、最簡單的邊緣檢測方法。 檢測目標 —— 背景圖像中目標的邊緣效果很好。這種圖像的灰度直方圖呈雙峰狀態(tài)。 （ 1）基于差分的邊緣檢測 ①一階差分邊緣檢測 對位于邊緣兩側的點，像素點灰度值將發(fā)生急劇變化，因此有較大的差分值。當差分方向和邊界方向垂直時將獲得最大差分，因此，只要對 f(i ,j) 各方向的差分值再進行一次門限化處理，即可檢出邊緣像素點，從而求得其邊緣圖像。 ②二階差分邊緣檢測 這是 利用在圖像的邊緣處，灰度發(fā)生急劇變化這一特性，采用圖像灰度值沿著確定方向 (x， y或對角線 )取二次差分后的某些性質進行邊緣檢測的 （ 2）基于梯度的邊緣檢測 由于邊緣發(fā)生在圖像灰度值變化比較大的地方，對應連續(xù)情形就是函數梯度最大 的地方。 Roberts算子、 Prewitt算子和 Sobel算子就是比較簡單而常用的例子。還有一種比較直觀的方法就是利用當前像素臨域中的一些像素值擬合一個曲面，然后求這個連續(xù)曲面在該像素處梯度。從統(tǒng)計角度上說，我們可 以通過回歸分析得到一個曲面，然后做類似的處理。 ① Robert算子 在圖 像中邊緣的銳利程度是由圖像的梯度來決定的。梯度是一個向量 ,of指出梯度變化最快的方向和數量 . 錯誤 !未找到引用源。 （ 41） ② Prewitt算子和 Sobel算子 1970 年左右， Prewitt和 Sobel分別提出了一個算子，即 Prewitt算子河南科技大學本科畢業(yè)設計（論文） 27 Sobel算子。 Prewitt邊緣檢測算子使用兩個有向算子 (一個是水平的，一個是垂直的一般稱為模版，每一個逼近一個偏導數 ): 錯誤 !未找到引用源。 錯誤 !未找到引用源。 （ 42） Sobel 算子和 Prewitt 算子的不同在于使用的模板不一樣 ： 錯誤 !未找到引用源。 錯誤 !未找到引用源。 （ 43） 對一些圖像噪聲結構， Sobel算子和 Prewitt算子能產生比較好的結果，但是他們存在一些共同的問題 :