【導(dǎo)讀】車牌識別是智能交通中關(guān)鍵技術(shù)之一。車牌識別系統(tǒng)一般包括車輛圖像采。集、車牌定位、字符分割和字符識別四個模塊。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。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)生較細的邊緣效果。故本文采用canny算子對車牌的邊緣進行了提取，仿真

　　

【正文】 ???????????????byxfdbyxfacayxfdb cdayxfcyxg,, (43) 從灰度直方圖分析，由于 abcd ??? 。所以對離散圖像來說，盡管變換前后像素的個數(shù)不變，但是不同像素之間的灰度差變大，圖像質(zhì)量優(yōu)于變換前。但是這種兩端截取式的變換使小于灰度級 a和大于等于灰度級 b的像素分別強行變?yōu)?c 和 d，這將會造成 小部分圖像信息的丟失。 圖 42 線性灰度變換 圖 43 分段線性灰度變換 0 mdcban? ?yxf ,? ?yxg , 0dcba ? ?yxf ,? ?yxg ,第 4 章 車牌圖像的邊緣檢測 24 同理，可以采取分段線性灰度變換，將圖像灰度區(qū)間分成兩段或多段分別做線性變換。分段線性變換的優(yōu)點是可以根據(jù)需要，拉伸感興趣的灰度 范圍，相對抑制不感興趣的灰度范圍。分成三段進行線性變換 如圖 43 所示 ，變換公式如下 ： ? ?? ? ? ?? ?? ? ? ?? ?? ? ? ?????????????????????????myxfbdbyxfbmdnbyxfacayxfabcdayxfyxfacyxg,,0, (44) 圖中對灰度范圍 ? ?ba, 進行了灰度擴展，而對灰度范圍 ? ?a,0 和 ? ?mb, 進行了壓縮。通過調(diào)整折線拐點的位置和分段直線的斜率，可以對任意灰度范圍進行擴展或壓縮。 用某些非線性函數(shù)，例如對數(shù)函數(shù)、指數(shù)函數(shù)等作為映射變換函數(shù) 時，可以實現(xiàn)圖像灰度的非線性變換。對數(shù)變換一般為 ： ? ? ? ?? ?cb yxfayxg ln 1,ln, ? ??? (45) 其中 a， b 和 c 為可調(diào)參數(shù)，用于調(diào)整曲線的位置和形狀，它使圖像的低灰度區(qū)得以擴展，而高灰度區(qū)得到壓縮。與之相對應(yīng)的指數(shù)變換一般為 ： ? ? ? ?? ? 1, , ?? ?ayxfcbyxg (46) 其中 a， b 和 c 為可調(diào)參數(shù)，用于調(diào)整曲線的位置，它的效果與對數(shù)變換的相反，它使圖像的高灰度區(qū)進行擴展，而對圖像的低灰度區(qū)進行壓縮。 利用對數(shù)函數(shù)進行灰度變換在實際應(yīng)用中有重要意義，它能擴展低灰度區(qū)，符合人們在視覺上的主觀感覺。 直方圖均衡化 一般情況下，在一幅有限行和有限列的數(shù)字圖像中取不同灰度值像素的數(shù)目是不同的。直方圖是用于表達圖像灰度分布情況的統(tǒng)計圖表，其橫坐標(biāo)是灰度值，縱坐標(biāo)是出現(xiàn)這個灰度值的概率值。盡管灰度直方圖不能表示出具有某些灰度值的像素的具體位置，更不能直接顯示圖像的內(nèi)容，但是具有 統(tǒng)計特征的直方圖卻四川理工學(xué)院本科畢業(yè)（設(shè)計）論文 25 能描述該圖像的灰度分布特征，使人們從中得到諸如總體明亮程度、對比度、灰度分布概貌等信息。 如果圖像灰度集中在較窄的區(qū)間，會引起圖像細節(jié)的模糊，為了使圖像細節(jié)清晰，并使一些目標(biāo)得到突出，達到增強圖像的目的，可通過改善各部分亮度的比例關(guān)系，即可通過對直方圖進行調(diào)整的方法來實現(xiàn)，這種方法是以概率論為基礎(chǔ)的。一幅對比度小的圖像，其直方圖分布一定集中在某一比較小的范圍內(nèi)，經(jīng)過均衡化處理的圖像，其所有灰度級出現(xiàn)的概率相同，此時圖像的熵最大，圖像所包含的信息量最大。直方圖均衡化又稱直方圖平坦化， 是將一已知灰度概率密度分布的圖像，經(jīng)過某種變換，變成一幅具有均勻灰度概率密度分布的新圖像，其結(jié)果是擴展了像素取值的動態(tài)范圍，從而達到增強圖像整體對比度的效果。 設(shè)原始圖像總的像素數(shù)目為 N,那么，直方圖均衡化的具體計算步驟如下 ： (1)列出原始圖像的灰度級 ir ， 1,1,0 ?? Li ? ，其中 L 是灰度級的個數(shù)； (2)統(tǒng)計各灰度級的像素數(shù)目 ??irn ， 1,1,0 ?? Li ? ； (3)計算原 始圖像直方圖各灰度級的頻數(shù) ? ? ? ?NrnrP ii ?， 1,1,0 ?? Li ? ； (4)計算用于灰度變換函數(shù) ? ? ? ????ijii NrnrT0， 1,1,0 ?? Li ? ； (5)計算映射后的輸出圖像的灰度級 ? ? ? ?? ? i nm i nm a x ???? srTssIN Ts ii ，ppi ,1,1,0 ?? ? 為輸出圖像灰度級的個數(shù)， INT 為取整數(shù)運算； (6)統(tǒng)計映射后各灰度圖的像素數(shù)目 ??isn ， 1,1,0 ?? pi ? ； (7)計算輸出圖像直方圖 ? ? ? ?NsnsQ ii ?， 1,1,0 ?? pi ? ； (8)用 ir 和 is 的映射關(guān)系調(diào)整原始圖像的灰度級，獲得直方圖近似為均勻分布的輸出圖像。 第 4 章 車牌圖像的邊緣檢測 26 根據(jù)原圖像的直方圖統(tǒng)計值就可以算出均衡化后各像素的灰度值。按上述步驟對圖像進行均衡化處理時，直方圖上灰度分布較密的部分被拉伸，灰度分布稀疏的部分被壓縮，從而使一幅圖像的 對比度在總體上得到很大的增強。 空間域濾波 圖像的實質(zhì)是光電信息，因此圖像噪聲的主要來源有以下幾個 ： 在光電、電磁轉(zhuǎn)換過程中引入的噪聲 ； 大氣電磁暴、閃電、電壓和浪涌等引起的強脈沖的干擾；由不連續(xù)性或粒子性所引起的自然起伏性噪聲。噪聲會惡化圖像的質(zhì)量，使圖像模糊，甚至?xí)蜎]和改變圖像本身的特征，給圖像分析和識別帶來困難。為了消除噪聲，常采用濾波的方法。另外，采用合適的濾波方法也可以用來對圖像進行銳化，增強圖像的邊緣信息。 領(lǐng)域平均法 為了消除圖像中的噪聲，可以直接在空間域上對圖像進行平滑濾波 。它的作用方法，一是模糊；另一種是消除噪聲。空間域的平滑濾波一般采用簡單平均法進行，就是求鄰近像素點的平均亮度值，稱為鄰域平均法。鄰域的大小與平滑的效果直接相關(guān)，鄰域越大平滑的效果越好，但領(lǐng)域過大，平滑會使邊緣信息損失的越大，從而使輸出的圖像變得模糊，因此需要合理選擇鄰域的大小，實際中我們一般采用的鄰域窗口大小為 33? 。 一幅有意義的圖像一般是由許多灰度值相近的小塊組成，相鄰像素間存在很高的空間相關(guān)性，而噪聲則是獨立的，則我們用像素預(yù)定鄰域內(nèi)的各像素的灰度平均值代替該 像素原來的灰度值，就可以實現(xiàn)圖像的去噪。最簡單的局部平滑算法稱為非加權(quán)鄰域平均，它均等地對待臨域中的各像素，即把各個像素灰度的平均值作為中心像素的輸出值。設(shè)有一幅 NN? 的圖像 ? ?yxf , ，用非加權(quán)鄰域平均法所得圖像為 ? ?yxg , ，則有 ： ? ? ? ???? xji yxfMyxg , ,1, (47) 上式中， x， y=0,1,..., N 1； s 為不包括 ? ?yx, 的鄰域中各像素的集合，即四川理工學(xué)院本科畢業(yè)（設(shè)計）論文 27 去心領(lǐng)域； M 表示集合 s 內(nèi)像素的總數(shù)。典型的鄰域有兩種 ： 四鄰域和八鄰域，其模板分別為 ： (a) 四鄰域模版 (b)八鄰域模版 圖 44 鄰域平滑模版 如果圖像中的噪聲是隨機不相關(guān)的加性噪聲，窗口內(nèi)各點噪聲是獨立分布的，經(jīng)過上述平滑后，信號與噪聲的方差比可提高 M 倍。這種算法簡單，處理速度快，但它的主要缺點是在降低噪聲的同時使圖像產(chǎn)生模糊， 特別在邊緣和細節(jié)處。并且隨著鄰域的增大，雖然增強了去噪的能力，但同時模糊程度也更嚴重。為克服簡單鄰域平均法的弊病，目前己提出許多保持邊緣、保細節(jié)的鄰域平均算法，它們的出發(fā)點都集中在如何選取鄰域的大小、形狀、方向、參加平均的像素個數(shù)以及鄰域中各像素的權(quán)重系數(shù)等 [25]。 鄰域加權(quán)平均法是對非加權(quán)鄰域平均法的一種改進。鄰域加權(quán)平均的基本思想是 ： 離中心點越近的點對該中心點的影響越大，因此在求平均值時應(yīng)賦予較大的權(quán)重，它用窗口內(nèi)像素灰度級加權(quán)均值來取代窗口中心像素原有灰度級，公式如下 ： ? ? ? ? ? ?yxfjiwyxgxji , , ?? ?? (48) ? ?jiw, 為加權(quán)系數(shù)矩陣。 鄰域平均法實際上是一種空間域的低通濾波。由信號頻譜分析知識可知，信號變化較慢的部分在頻率域?qū)儆诘皖l部分，而信號變化較快的部分在頻率域?qū)儆诟哳l部分。對于圖像而言，它的邊緣和噪聲干擾附近的灰度變化較大，屬于頻域中的高頻分量，因此可以采用低通濾波的方法來去除噪聲。頻域的濾波也就是乘積運算，變換到空間域就成為卷積運算，對一幅灰度圖像的空間域濾波 實際上是???????????010101010414M???????????111101111818M第 4 章 車牌圖像的邊緣檢測 28 進行二維離散卷積運算。我們把用于二維離散卷積計算的鄰域稱為沖激響應(yīng)陣列，又叫做卷積陣列，還有的地方叫做卷積模板。 高通濾波 在進行圖像處理時，我們經(jīng)常要對圖像進行銳化以便突出圖像的邊緣。同樣的，可以采用在空間域?qū)D像進行濾波的方法，只不過這時采用的沖激響應(yīng)陣列與空間域低通濾波時所采用的完全不同。因為圖像中的邊緣與頻域中的高頻分量相對應(yīng)，所以可以采用高通濾波器讓高頻分量順利通過，而對低頻分量則充分限制，使圖像的邊緣變得清晰，實現(xiàn)圖像的銳化。但是，對圖像進行空間域的高通濾波，在增強圖像邊緣的 同時孤立的噪聲點也得到了增強。常用于空間域高通濾波的沖激響應(yīng)陣列有以下幾種 ： (a) (b) (c) 圖 45 常用空間域高通濾波的沖激響應(yīng)陣列 高通濾波的效果也可以用原始圖像減去低通圖像得到。用原始圖像乘以一個放大系數(shù)，然后再減去低通圖像可以構(gòu)成一幅高頻增強圖像，這樣的圖像恢復(fù)了部分高通濾波時丟失的低頻成分，濾波后得到的圖像與原始圖像更為接近，這種方法稱為非銳化掩模法。 中值濾波 中值濾 波是一種非線性濾波，它也是一種鄰域運算，類似于卷積。但中值濾波的計算不是加權(quán)求和，而是把它鄰域內(nèi)的所有像素按灰度值進行排序，然后取該組的中間值作為鄰域中心像素點的輸出值。中間值取法如下 ： 當(dāng)鄰域內(nèi)的像素個數(shù)為奇數(shù)時，取像素灰度值排序后的中間值；當(dāng)鄰域內(nèi)的像素個數(shù)為偶數(shù)時，取排序后的中間兩像素灰度值的平均值。鄰域可以選擇不同大小和形狀的窗口，如：線狀、方形、十字形、圓形、菱形等。不同形狀的窗口產(chǎn)生不同的濾波效果，使用中必須根據(jù)圖形的內(nèi)容和不同的要求加以選擇。從以往的經(jīng)驗看，方形或圓???????????????????1111911112H???????????????1212521213H???????????????0101510101H四川理工學(xué)院本科畢業(yè)（設(shè)計）論文 29 形窗口適宜于外廓線較長的物體圖 像，而十字形窗口對有尖頂角狀的圖像效果好。使用中值濾波器去除噪聲的方法多種多樣，且十分靈活。一種方法是先使用小尺度鄰域，后逐漸加大鄰域尺寸進行處理；另一種方法是一維濾波和二維濾波交替使用。此外還有迭代操作，就是對輸入圖像反復(fù)進行同樣的中值濾波，直到輸出不再有變化為止。中值濾波的突出優(yōu)點是在消除噪聲的同時，還能防止邊緣模糊。如果圖像的噪聲多是孤立的點，這些點對應(yīng)的像素又很少，而圖像則是由像素較多、面積較大的塊構(gòu)成，中值濾波效果很好。 簡單邊緣檢測算子 由于邊緣是圖像上灰度變化比較劇烈的地方，在灰度突變 處進行微分，將產(chǎn)生高值，因此在數(shù)學(xué)上可用灰度的導(dǎo)數(shù)來表示變化。最早的邊緣檢測方法都是基于像素的數(shù)值導(dǎo)數(shù)的，在數(shù)字圖像中應(yīng)用差分代替導(dǎo)數(shù)。邊緣檢測可借助空域微分算子卷積完成。 ? ? ? ? ? ?jifjifjifx ,1, ???? (49) ? ? ? ? ? ?1, ???? jifjifjify (410) ? ? ? ? ? ? ??? s in,c o s, jifjifjif yx ????? (411) 上式可見，導(dǎo)數(shù)運算簡單易行，但有方向性，只適用于某一種方向上的邊緣。 梯度算子 梯度對應(yīng)著一階導(dǎo)數(shù)，梯度是圖像處理中最為常用的一次微分方法。對于一個連續(xù)函數(shù) ? ?yxf , ，它在位置 ? ?yx, 的梯度可表示為一個矢量： ? ? ? ? rryx yfxfGGyxf ????