【正文】 數(shù)稱為一階微分濾波器。因此，邊緣檢測的基本方法是設(shè)計一個平滑濾波器，檢測的局部最大值或的過零點(diǎn)。Marr邊緣檢測算法就是先用高斯函數(shù)進(jìn)行平滑，然后采用拉普拉斯算子來檢測邊緣，這樣可以減少計算量。設(shè)是原圖像，是平滑后的圖像，是高斯函數(shù)，即： (422)檢測邊緣用二階導(dǎo)數(shù)即拉普拉斯算子： (423)其中為LOG濾波器，就是Marr所提出的邊緣檢測算子。本章介紹的幾種邊緣檢測中，前邊兩種邊緣檢測算法都屬于一階微分方法，他們都通過計算圖像的梯度值來增強(qiáng)圖像，通過對梯度按閾值取舍的方法檢測邊緣的。而Laplacian算子是用差分運(yùn)算代替微分運(yùn)算，其對灰度突變比較敏感，可以檢測出絕大多數(shù)的邊緣，但是容易丟失一些邊緣。而Marr算子是根據(jù)所用Marr算子尺度的不同可以得到圖像在不同分辨率上的描述，其結(jié)構(gòu)復(fù)雜，不容易實(shí)現(xiàn)。因此我們提出一種也屬于高斯函數(shù)一階微分的canny算子，它能在噪聲抑制和邊緣檢測之間取得較好的平衡，并能產(chǎn)生較細(xì)的邊緣效果。且計算簡單，容易實(shí)現(xiàn)，速度快等優(yōu)點(diǎn)。第5章 canny邊緣檢測算法應(yīng)用及仿真坎尼邊緣檢測：坎尼邊緣檢測法是高斯函數(shù)的一階微分, 它能在噪聲抑制和邊緣檢測之間取得較好的平衡。 算法步驟(1)用33 高斯濾波器來對圖像濾波, 以去除圖像中的噪聲；(2)對每個像素, 計算其梯度的大小M 和方向O。為此要使以下22 大小的模板作為對x 和y 方向偏微分的一階近似： (a) (b)圖51 canny算子模板由此得到梯度的大小M 和方向O： (51) (52)(3)對梯度進(jìn)行“非極大抑制”梯度的方向可以被定義為屬于4個區(qū)之一, 各個區(qū)有不同的鄰近像素用來進(jìn)行比較, 以決定局部極大值。這4個區(qū)及其相應(yīng)的比較方向如圖所示： 圖52 非極大印制比較方向模板例如, 如果中心像素x 的梯度方向?qū)儆诘? 區(qū), 則把x 的梯度值與它的左上和右下相鄰像素的梯度值比較, 看x 的梯度值是否是局部極大值。如果不是, 就把像素x 的灰度設(shè)為 0。這個過程叫作“非極大抑制” 。(4)對梯度取兩次閾值：用兩個閾值和, 。我們把梯度值小于的像素的灰度設(shè)為0, 得圖53。然后我們把梯度值小于的像素的灰度設(shè)為0, 得到圖54。由于圖54的閾值較高,噪音較少, 但同時也損失了有用的邊緣信息。而圖53的閾值較低, 保留了較多信息。因此我們可以以圖54為基礎(chǔ), 以圖53為補(bǔ)充來連接圖像的邊緣。(5)邊緣連接(a)掃描圖54, 當(dāng)我們遇到一個非零灰度的像素P 時, 跟蹤以P 為開始點(diǎn)的輪廓線, 直到該輪廓線的終點(diǎn)Q。(b)在圖53中, 考察與圖54中Q 點(diǎn)位置對應(yīng)的點(diǎn)的鄰近區(qū)域。如果在點(diǎn)的鄰近區(qū)域中有非零像素存在, 則將其包括到圖54中, 作為點(diǎn)R。從R 開始, 重復(fù)第 (a) 步, 直到我們在圖53和圖54中都無法繼續(xù)為止。(c)我們已經(jīng)結(jié)束了對包含P 的輪廓線的連接, 將這條輪廓標(biāo)記為已訪問過。回到第(a)步, 尋找下一條輪廓線。重復(fù)第 (a) , (b) , (c) 步直到圖54中再也找不到新輪廓線為止。 圖53 高嘲音輔助圖 圖54 低嘲音基礎(chǔ)圖, 都屬于一階微分方法。它們都通過計算圖像的梯度值來增強(qiáng)圖像, 通過對梯度按閾值取舍的方法檢測邊緣。最簡單的算子是Roberts算子，Sobel算子產(chǎn)生的邊緣較粗，canny算子產(chǎn)生的邊緣較細(xì)， 本文采用的就是這個算子。效果圖如圖55所示。 (a)原灰度圖 (b)Roberts檢測圖像邊緣的效果圖(c)sobel檢測圖像邊緣的效果圖 (c)canny檢測圖像邊緣的效果圖圖55 一階梯度模板檢測的效果圖 實(shí)驗(yàn)結(jié)果分析。圖55中，其中(a)為原圖，(b)(d)分別為Roberts算子、Sobel算子、canny算子檢測得到的邊緣圖像。根據(jù)對實(shí)驗(yàn)結(jié)果的分析得出如下結(jié)論：(1)Roberts邊緣檢測算子采用對角線方向相鄰兩像素之差進(jìn)行梯度幅度檢測，其檢測水平、垂直方向邊緣的性能要好于斜線方向邊緣，并且檢測定位精度比較高，但對噪聲敏感。(2)Sobel邊緣檢測算子可以產(chǎn)生較好的邊緣效果，但是對噪聲具有平滑作用，減小了對噪聲的敏感性。但是，Sobel邊緣檢測算子也檢測出了一些偽邊緣，使得邊緣比較粗，降低了檢測定位精度。在檢測定位精度不是很高的情況下，Sobel算子是比較常用的邊緣檢測算子。(3)canny邊緣檢測算子是高斯函數(shù)的一階微分，能在噪聲抑制和邊緣檢測之間取得較好的平衡，并能產(chǎn)生較細(xì)的邊緣效果。且有著計算簡單，容易實(shí)現(xiàn)，速度快等優(yōu)點(diǎn)。本文介紹的幾種邊緣檢測中，他們都通過計算圖像的梯度值來增強(qiáng)圖像，通過對梯度按閾值取舍的方法檢測邊緣的。而Laplacian算子是用差分運(yùn)算代替微分運(yùn)算，其對灰度突變比較敏感，可以檢測出絕大多數(shù)的邊緣，但是容易丟失一些邊緣。而Marr算子是根據(jù)所用Marr算子尺度的不同可以得到圖像在不同分辨率上的描述，其結(jié)構(gòu)復(fù)雜，不容易實(shí)現(xiàn)。而canny算子有著計算簡單，容易實(shí)現(xiàn)，速度快等優(yōu)點(diǎn)。因此本文采用canny算子對車牌的邊緣進(jìn)行了提取，仿真結(jié)果表明了該算子能較好的檢測出圖片的邊緣信息。第6章 結(jié)束語 車牌識別系統(tǒng)是智能交通領(lǐng)域研究中的重要環(huán)節(jié)之一，隨著經(jīng)濟(jì)的高速發(fā)展，車輛在人們的日常工作、生活中占據(jù)著越來越重要的地位，車輛數(shù)目的高速增長給車輛管理提出了更高的要求。目前國內(nèi)外許多公司、機(jī)構(gòu)從事車牌識別領(lǐng)域的研究，并取得了一定的成績。一般的車牌識別系統(tǒng)的算法分為車輛圖像采集、車牌定位、字符分割和字符識別四個模塊。其中，車牌定位非常關(guān)鍵，定位結(jié)果直接影響到后面的字符分割和字符識別的精確性；字符分割也同等重要，它決定了字符識別的有效性；字符識別是整個系統(tǒng)的核心，它的算法優(yōu)劣最終決定了系統(tǒng)的可用性。因此這三個模塊是相輔相成的。 本課題所要研究的內(nèi)容是針對通過數(shù)碼相機(jī)抓拍到的圖像進(jìn)行基于圖像處理技術(shù)的車牌識別的討論和研究，并提出了自己的觀點(diǎn)。在車輛圖像采集模塊中，我們首先介紹了常用的車輛檢測方法并分別介紹了光流場法、基于相鄰幀差算法以及背景消減法的運(yùn)動目標(biāo)檢測的基本原理，討論了各自優(yōu)缺點(diǎn)。并提出采取簡單實(shí)用的背景消減法作為車輛檢測的方法較好。 在車牌定位模塊中，我們首先歸納了車牌的特征，為后面的定位提供了事實(shí)依據(jù)。然后介紹了幾種傳統(tǒng)的車牌定位方法，并對它們的優(yōu)劣做了簡單的評析。各有其優(yōu)缺點(diǎn)，可根據(jù)不同的要求選擇適用的車牌定位方法。在邊緣檢測中，我們首先對圖像進(jìn)行預(yù)處理，主要對圖像的灰度化、二值化方面的處理進(jìn)行了詳細(xì)的分析。再比較分析了Roberts算子、Sobel算子、canny算子、拉普拉斯(Laplacian)算子和Marr邊緣檢測算子。通過對比我們知道Roberts算子檢測定位精度比較高，但對噪聲敏感。Sobel算子可以產(chǎn)生較好的邊緣效果，但是對噪聲具有平滑作用，減小了對噪聲的敏感性。但是，Sobel邊緣檢測算子也檢測出了一些偽邊緣，使得邊緣比較粗，降低了檢測定位精度。Laplacian算子是用差分運(yùn)算代替微分運(yùn)算，其對灰度突變比較敏感，可以檢測出絕大多數(shù)的邊緣，但是容易丟失一些邊緣。而Marr算子是根據(jù)所用Marr算子尺度的不同可以得到圖像在不同分辨率上的描述，其結(jié)構(gòu)復(fù)雜，不容易實(shí)現(xiàn)。canny算子能在噪聲抑制和邊緣檢測之間取得較好的平衡，并能產(chǎn)生較細(xì)的邊緣效果。且有著計算簡單，容易實(shí)現(xiàn)，速度快等優(yōu)點(diǎn)。因此本文選擇了canny算子對車牌的邊緣進(jìn)行了提取，仿真結(jié)果表明了該算子能較好的檢測出圖片的邊緣信息。本論文在研究的過程中，從資料的調(diào)研、算法的研究與實(shí)驗(yàn)、到整體設(shè)計方案的確立與編程實(shí)現(xiàn)等等，各個環(huán)節(jié)都是非常認(rèn)真的完成。雖然系統(tǒng)本身還存在著種種不足，距離實(shí)際應(yīng)用的要求仍然有很大差距，但是相信這種差距通過大家的進(jìn)一步努力是能夠克服的。由于畢業(yè)設(shè)計的時間有限，還有一些對該系統(tǒng)的設(shè)計想法沒有實(shí)現(xiàn)，現(xiàn)列舉如下：(1)本系統(tǒng)使用的圖像是在白天光照充足的條件下使用數(shù)碼相機(jī)抓拍的靜止圖像，若在惡劣天氣條件下，如雨、雪、霧、陰天或夜晚，獲取的運(yùn)動圖像質(zhì)量不理想，雖然做了一系列的圖像預(yù)處理的工作，還是影響到了最終的識別結(jié)果。因此，進(jìn)一步的工作是研究在惡劣天氣條件下，如何實(shí)現(xiàn)系統(tǒng)的正常工作，這將涉及到圖像恢復(fù)等方面的工作。(2)本文所用的canny算子方法屬于經(jīng)典邊緣檢測方法，是依靠對圖像進(jìn)行微分運(yùn)算求得梯度來進(jìn)行邊緣檢測的，其優(yōu)點(diǎn)是計算簡單，速度快，缺點(diǎn)是僅僅依靠了局部信息，對噪聲較為敏感。這些方法大都采用了平滑運(yùn)算，但平滑運(yùn)算和微分運(yùn)算是一對矛盾，平滑降低了噪聲的影響同時也會使邊緣模糊。這些方法中使用的平滑濾波器的參數(shù)都要人為設(shè)定，由于沒有對圖像中的噪聲以及邊緣的尺度進(jìn)行估計，因此不合適的濾波可能會濾掉一些邊緣細(xì)節(jié)信息，造成微分操作無法準(zhǔn)確得到邊緣細(xì)節(jié)。經(jīng)典邊緣檢測方法在處理簡單的圖像時有著很大的優(yōu)勢，但是由于物理世界和成像過程的復(fù)雜性，以及各種噪聲源的干擾。使得被處理的圖像信號相當(dāng)復(fù)雜，在這種情況下僅僅依靠局部信息檢測是不夠的。因此還需要提出在復(fù)雜情況下的最優(yōu)邊緣檢測方法。致 謝 首先，我衷心地感謝我的導(dǎo)師曾曉輝老師。從論文的開題到完成，曾老師在各個方面都給予了我大力的支持、耐心的幫助和熱情的勉勵，使我能夠克服各種困難，順利地完成論文。曾老師以她淵博的知識、科學(xué)嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、一絲不茍的工作作風(fēng)和無私忘我的奉獻(xiàn)精神深深打動和影響著我，將使我受益終身。 感謝在大學(xué)階段給我授課的各位老師們，沒有您們專業(yè)知識的講授，就沒有這篇文章的完成，在此深表謝意!感謝學(xué)校的老師和領(lǐng)導(dǎo)，是您們對我工作的支持和理解才使我順利地完成學(xué)業(yè)，在此謹(jǐn)向您們表示誠摯的謝意! 此外，我還要對在這次設(shè)計中，幫助和支持我的同學(xué)，表示感謝！參 考 文 獻(xiàn)[1] 婁紅菊,[J].決策探索,2007,1:5052.[2] 陶濤,[J].青海交通科技,2007,6:35.[3] [J].,11:3637.[4] Mallat S, Zhong S. Characterization of signal from multiscale edge [J]. IEEE Trans PAMI. 2002, (7):710732.[5] and Ganesan. Subramanian Efficient implementation of the Hough Transform for detecting vehicle license plates using DSP39。s[J]. Real TimeTechnology and Applications Proceedings May 1517 2003:5859.[6] , . Modem. Automatic identification and skew estimatition of text lines inreal scene images [J]. Pattern Recognition 32(1999): 791810.[7] 胡小鋒, C++/MATLAB圖像處理與識別實(shí)用案例精選[M].北京:人郵電出版社，2004：5960,9293, 98, 145, 153, 173.[8] 張暉,[J]南京郵電大學(xué)學(xué)報，參考文獻(xiàn)2007，3：8894.[9] 林海涵，[J].江南大學(xué)學(xué)報(自然科學(xué)版)2007，第6卷第3期：323326.[10]Barron J,Fleet D, Beachem in S. Performence of optical flow techniques[J]. of puter Vsion 2004，12(1):4247.[11] [M].北京:國防工業(yè)出版社，1998:196.[12] Seki M, Fujiwara H, Sumi K. A robust background subtraction method for changing background[J].Proceeding of IEEE workshop on Applications of Computer Vision，2000:207213.[13] Gupt O. Martin RFK,etal. Detection and classification for vechicles[J]. IEEE Transcations on Intelligent Transpor tation Systems, 2002,3(1):3747.[14] C++數(shù)字圖像實(shí)用工程案例精選北京[M].人民郵電出版社，2004: 253.[15] (上冊)—圖象處理和分析[M].:清華大學(xué)出版社，2005：95.[16] 袁曉輝,李久賢,[J].(1):8285.[17] [M].北京:國防科技大學(xué)出版社，2005：131134.[18] C++數(shù)字圖像模式識別技術(shù)及工程實(shí)踐[M].北京:人民郵電出版社，2003:424.[19] 牛欣、[M].2000 (1)3133.[20] 鄭南寧、[J]. 西安交通大學(xué)學(xué)報1991 (l)4353.[21] . 5圖形圖像處理[M].國防工業(yè)出版社，2004:128131.[22] 樂寧，[J]., (2):17.[23] 胡愛明，[J]., 15(6):716719.[24] 李文舉，梁德群，崔連延，[M].(7): 258260.[25]張鐵弓，基于DSP的微光視頻圖像實(shí)時處理研究，[c]，武漢：武漢理工大學(xué)，2002:3336.附 錄