【正文】 法是一種有力的補(bǔ)充手段。在圖像處理中用到的主要邏輯運(yùn)算是：與、或和非（求補(bǔ)），它們可以互相組合形成其他邏輯運(yùn)算。 （ 1） 去噪處理 圖像在邊緣檢測(cè)后往往干擾區(qū)域，車燈區(qū)、車身上的廣告字體在邊緣化后都可能成為備選區(qū)域，要準(zhǔn)確 地選擇出車牌區(qū)域，就要對(duì)邊緣化后的圖片中的連通區(qū)域進(jìn)行進(jìn)行去噪處理。根據(jù)車牌本身是大小固定矩形區(qū)域的特點(diǎn)，對(duì)備選區(qū)域從下往上篩選，假設(shè)第一個(gè)連通區(qū)域是車牌區(qū)域，測(cè)試其長(zhǎng)寬比例看是否在車長(zhǎng)寬比例的范圍，如果是則認(rèn)為是該區(qū)域，否則尋找下一個(gè)連通區(qū)域直到找到車牌區(qū)域。接著對(duì)車牌在垂直方向進(jìn)行開運(yùn)算，這樣既消除了車牌區(qū)域與它上方或下方干擾區(qū)域的粘連，又消除了狹長(zhǎng)的水平線的干擾。由于車牌被磨損或者掉色，車牌區(qū)域還可能出現(xiàn)孤點(diǎn)現(xiàn)象，需要對(duì)孤點(diǎn)進(jìn)行填充空洞處理，這樣達(dá)到使車牌區(qū)域連通的效果，最后得到一個(gè)完整連北京聯(lián)合 大學(xué) 畢業(yè)設(shè)計(jì) 22 通的車牌區(qū)域 。 去噪處理 如下圖。 圖 ：去噪圖 （ 2） 膨脹和腐蝕 膨脹和腐蝕這兩種操作是形態(tài)學(xué)處理的基礎(chǔ)，許多形態(tài)學(xué)算法都是以這兩種運(yùn)算為基礎(chǔ)的。 ① 膨脹 是以得到 B 的相對(duì)與它自身原點(diǎn)的映像并且由 z 對(duì)映像進(jìn)行移位為基礎(chǔ)的。 A 被B 膨脹是所有位移 z 的集合，這樣， 和 A 至少有一個(gè)元素是重疊的。我們可以把上式改寫為： 結(jié)構(gòu)元素 B 可以看作一個(gè)卷積模板，區(qū)別在于膨脹是以集合運(yùn)算為基礎(chǔ)的，卷積是以算術(shù)運(yùn)算為基礎(chǔ)的，但兩者的處理過(guò)程是相似的。 用結(jié)構(gòu)元素 B，掃描圖像 A 的每一個(gè)像素 ； 用結(jié)構(gòu)元素 與其覆蓋的二值圖像做 “與 ”操作 【 如果都為 0，結(jié)果圖像的該像素為 0。否則為 1。 ② 腐蝕 對(duì) Z 中的集合 A 和 B， B 對(duì) A 進(jìn)行腐蝕的整個(gè)過(guò)程如下： 用結(jié)構(gòu)元素 B，掃描圖像 A 的每一個(gè)像素 ； 用結(jié)構(gòu)元素與其覆蓋的二值圖像做 “與 ”操作 ； 如果都為 1，結(jié)果圖像的該像素為 1。否則為 0； 腐蝕處理的結(jié)果是使原來(lái)的二值圖像減小一圈 。 腐蝕膨脹后如下圖 北京聯(lián)合 大學(xué) 畢業(yè)設(shè)計(jì) 23 圖 ：腐蝕膨脹圖 、 車牌提取 車體區(qū)域定位。選擇車體區(qū)域定位在車牌定位分割系統(tǒng)的應(yīng)用，原因在于車體區(qū)域定位為實(shí)現(xiàn)車牌 定位提供了兩個(gè)方面幫助： 1 車體區(qū)域定位能夠改變圖像的尺寸以及確定車牌在圖像中的位置。即原始圖像只剩下車體區(qū)域部分，車牌總是處于車體區(qū)域圖像的下方； 2 由于車體區(qū)域定位是圖像尺寸的變化，所以車體區(qū)域定位處理不會(huì)影響到圖像的灰度分布，不會(huì)丟失對(duì)車牌定位有用的信息。 依據(jù)上述車體區(qū)域定位兩方面的優(yōu)點(diǎn)，本文從圖像整體灰度變化和局部單個(gè)象素點(diǎn)灰度變化兩個(gè)方面，研究了兩種車體區(qū)域定位方法：基于局部 P 氏 熵 方法 1111 和基于灰度區(qū)域標(biāo)準(zhǔn)差方法。 基于局部 P 氏 熵 的車體區(qū)域定位算法是信息 熵 在圖像處理中應(yīng)用的表現(xiàn)。該 算法從圖像整體灰度變化性質(zhì)出發(fā)，把 熵 值越大，系統(tǒng)內(nèi)部越不均勻，系統(tǒng)平均不確定程度越大的信息 熵 物理意義與圖像灰度直方圖分布越不均勻， 熵 值越大的特性結(jié)合起來(lái)，通過(guò)對(duì)分塊后的每一塊圖像進(jìn)行基于整體性質(zhì)的 P 氏 熵 計(jì)算。最后，通過(guò)最大 P 氏 熵 值的連通區(qū)域區(qū)分背景區(qū)域和目標(biāo)車體區(qū)域 。 在，一塊是目標(biāo)車體所在。對(duì)其進(jìn)行直方圖的統(tǒng)計(jì) 。 把直方圖統(tǒng)計(jì)圖（ a , c ）和 P 氏 熵 （ Pa , Pc ）進(jìn)行比較，通過(guò)對(duì)兩塊圖像直方圖分布和對(duì)應(yīng)的 P 氏 熵 值的比較，可以看到，直方圖分布比較分散而且灰度級(jí)個(gè)數(shù)之間跳變比較頻繁的那一塊圖像，其 P 氏 熵 的數(shù)值比直方圖分布集中的那一塊圖像的 P 氏 熵 數(shù)值大。通過(guò)直方圖分布、灰度圖像特性和 P 氏 熵 數(shù)值三者的關(guān)系，可以在信息 熵 的物理意義和 P 氏 熵 數(shù)值與圖像的灰度級(jí)分布之間，建立起一個(gè)關(guān)系：圖像灰度分布越不集中，灰度級(jí)分布跳變?cè)酱螅?P 氏 熵 就越大，系統(tǒng)的信息就越豐富。反之， P 氏 熵 就越小，系統(tǒng)信息就北京聯(lián)合 大學(xué) 畢業(yè)設(shè)計(jì) 24 越單一。根據(jù)圖像灰度級(jí)分布同信息 熵 的物理意義和 P 氏 熵 之間存在的這一關(guān)系，可以把 P 氏 熵 方法應(yīng)用到區(qū)分背景和目標(biāo)車體當(dāng)中。 經(jīng)過(guò)以上這些處理之后我們已經(jīng)可以初步確定車牌的位置了，對(duì)基本定位后的車牌圖像進(jìn)行局部 分析，以進(jìn)一步確定字符范圍，縮減車牌的左、右和上、下邊界，確定出汽車牌照的具體位置，精確定位出的圖片會(huì)因?yàn)榕臄z角度產(chǎn)生傾斜，需要對(duì)車牌圖像進(jìn)行傾斜矯正，本文使用 Hough 變換的方法進(jìn)行傾斜矯正，提取出汽車牌照。通過(guò)這些步驟成功提取車牌的區(qū)域。 提取車牌位置如下圖 : 圖 ：處理后定位的車牌圖像 北京聯(lián)合 大學(xué) 畢業(yè)設(shè)計(jì) 25 五、結(jié)論 運(yùn)行 MATLAB,打開所要運(yùn)行的程序，選擇所要處理的圖像，點(diǎn)擊運(yùn)行，即可提取出車牌所在的位置。例如： 圖 處 理過(guò)程顯示圖像 圖 第一行第一個(gè)圖為：將采集到的圖像轉(zhuǎn)化為灰度圖。 北京聯(lián)合 大學(xué) 畢業(yè)設(shè)計(jì) 26 第一行第二個(gè)圖為：對(duì)灰度圖進(jìn)行形態(tài)學(xué)處理，提取邊緣。 第二行第一個(gè)圖為：去除較小 白 點(diǎn)。 第二行第二個(gè)圖為：對(duì)處理后的 白 點(diǎn)進(jìn)行 腐蝕 膨脹。 提取較大光點(diǎn)，確定車牌所在圖像中的位置，從而提取車牌圖像。 處理后顯示的車牌圖像 圖 ：處理后定位的車牌圖像 問(wèn)題和不足 ： 在 MATLAB 運(yùn)行中， 由于采集圖像的問(wèn)題，經(jīng)常出現(xiàn)無(wú)法進(jìn)行車牌定位 或者提出位置不準(zhǔn)確 的現(xiàn)象。例如： 圖 ：搜集到的汽車照片 處理過(guò)程顯示圖像 北京聯(lián)合 大學(xué) 畢業(yè)設(shè)計(jì) 27 圖 ：處理 過(guò)程中 圖像 處理后顯示車牌位置圖像 圖 ：處理后定位的車牌圖像 不足之處： 在畫原理圖和 PCB 板時(shí)，外觀及排版并不美觀與完美。 原 畢設(shè)要求中 包含一拓展要求為： 將在 MATLAB 中實(shí)現(xiàn)的算法移植到 DSP 中，在 DSP 中驗(yàn)證移植的算法正確性。由于時(shí)間的問(wèn)題，未能實(shí)現(xiàn)這一過(guò)程。 北京聯(lián)合 大學(xué) 畢業(yè)設(shè)計(jì) 28 六 、 主要參考資料如下： 王家文 . MATLAB 圖形圖像處理 .北京：國(guó)防工業(yè)出版社 .2022 陳陽(yáng) . 車牌定位系統(tǒng)的研究與開發(fā) [D]. 山西 : 中北大學(xué) , 2022 張曉 . 復(fù)雜背景下的車牌定位系統(tǒng)設(shè)計(jì) [D]. 西安 : 西安電子科技大學(xué) , 2022 龔聲蓉，劉純平，王強(qiáng)．?dāng)?shù)字圖象處理與分析 [M]．北京：清華出版社． 2022． 賀興華，周媛媛，王繼陽(yáng)，等． MATLAB 圖像處理 [M]．北京：人民郵電出版社． 2022． 李朝暉 .數(shù)字圖像處理及應(yīng)用 [M].北京：機(jī)械工業(yè)出版社 ,2022(6) 岡薩雷斯 .數(shù)字圖像處理 [M].北京 :電子工業(yè)出版社 ,2022 劉為國(guó)． MATLAB 程序設(shè)計(jì)教程 [M]．北京：中國(guó)水利水電出版社， 2022． 徐飛，施曉紅． MTALAB 應(yīng)用圖像處理 [M]．西安：西安電子科技大學(xué)出版社，2022． 崔江，王友仁．車牌自動(dòng)識(shí)別方法中的關(guān)鍵技術(shù)研究 [J]．計(jì)算機(jī)測(cè)量與控制， 2022，1l(4)： 260— 262． 1楊靜．基于數(shù)學(xué)形態(tài)學(xué)的圖像分割研究及應(yīng)用 [J]．儀器儀表用戶， 2022(5)： 18一 19． 12 、 TMS320DM642 Video/Imaging FixedPoint Digital Signal Processor Data Manual[M].Texas Instruments Incorporated,2022 北京聯(lián)合 大學(xué) 畢業(yè)設(shè)計(jì) 29 七 、 致謝 首先，要感謝我的兩位老師：章學(xué)靜和陳景園。因?yàn)?，他們?cè)趯W(xué)習(xí)上為我指明了方向，教會(huì)了我學(xué)習(xí)方法，提供最大的支持。在整個(gè)課題研究工作以及論文撰寫階段，傾注了大量的心血，提出了很多獨(dú)到的見解以及寶貴的建議。因?yàn)?，他們的言傳身教，他們的和藹可親深深的打動(dòng)了我。兩位老師的教誨對(duì)于我來(lái)說(shuō)終身受用。 其次，要感謝我敬愛的父母。過(guò)去的三年里，他們?cè)趯W(xué)習(xí)和生活上，給我極大的鼓勵(lì)和支持，培養(yǎng)了我堅(jiān)強(qiáng)的意志和奮斗精神，讓我在思想變得成熟。過(guò)去的三年，最辛苦的人的他們，他們是我最可愛的人。 再次，要感謝各 位任課老師。如果沒有你們傳授的知識(shí)，我不可能完成我的論文，在知識(shí)水平上，不可能提高。 最后，要感謝我所有同學(xué)。過(guò)去的 幾 年里，在學(xué)習(xí)上，你們的勤奮、刻苦、認(rèn)真的學(xué)習(xí)態(tài)度，激勵(lì)了我，讓我學(xué)到了更多的知識(shí)；在生活上，你們的陪伴，讓我度過(guò)了充實(shí)、難忘的研究生生活。謝謝你們。