【正文】 馬上就要畢業(yè)了，四年中，我的朋友還有各位老師、同學(xué)都給予了我很大幫助。她的 博學(xué)、勤勉以及平和的為人，使我油然而生敬意。 Applications， 20xx： 4345. [22] Lairong Chen， Ronghua Ji， Ning on SVMbased License PlateRecognition[J]. Journal of Highway and Transportation Research and Development， 20xx， 23(5):128129. 致 謝 在畢業(yè)論文完成之際，我首先要感謝周麗娟老師 的悉心指導(dǎo)， 她 嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度，一絲不茍的敬業(yè)精神給我留下了深刻的印象。本設(shè)計采用的是 中值濾波 方法算法 ，只對加入了椒鹽噪聲的圖片進行了處理，而 對高斯噪聲和其他噪聲的去除能力還未可知，這是接下來將要探索的地方。并在設(shè)計過程中，自己分析問題和解決問題的能力都得到了鍛煉和提高，完善了自己的知識結(jié)構(gòu)，加深了對知識的理解。我對 MATLAB 的強大功能有了充分的認(rèn)識，并對其產(chǎn)生了濃厚的興趣。 圖 11 原圖和二值化圖對比 Fig 11 Comparison images of original image and binary image 5 總結(jié) 通過對 參考 文獻(xiàn)的閱讀，在對字符 圖像預(yù)處理研究現(xiàn)狀和研究內(nèi)容有了一定了解基礎(chǔ)上，本設(shè)計 圍繞著圖像預(yù)處理的基本知識及主要處理方法如灰度變換、直方圖修正特別是平滑濾波方法上展開了著重研究，并對圖像濾波實現(xiàn) 的幾種主要算法進行了描述，并進行了基本的比較，而且寫出了自己的程序 ，運用 MATLAB 軟件進 行了仿真。 圖 10 原圖和中值濾波對比圖 Fig 10 Comparison images of original and median filtering （ 4）圖像二值化 。 為了更加得檢驗中值濾波的效果，我在圖片中加入了椒鹽噪聲。 圖 9 為原圖像和經(jīng)過 直方圖均衡化增強的圖像 的對比，以及圖像的直方圖在圖像增強前后的對比， 如圖所示。 變換后圖像的灰度級將減少 ， 這將導(dǎo)致圖像的某些細(xì)節(jié)在變換中消失 。 圖 8 是原圖和處理之后的灰度圖對比。 下面是各個步驟的效果圖。 圖 7 原圖和二值化圖對比 Fig 7 Comparison images of original image and binary image 實例二 實例二是對 人的頭像 的處理。若該像素灰度值小于或等于 150， 則置為 0。 先 取得原圖的數(shù)據(jù)區(qū)指針 ，讀入圖片。 圖 6是利用中值濾波對車牌圖片處理的效果對比圖。 中值濾波算法對去除高斯噪聲和低強度的椒鹽噪聲有不錯的效果，但是由于它是以去窗口內(nèi)像素的中值作為新圖像的灰度值的，如果椒鹽噪聲分布范圍較廣且不均勻，那么進行中值處理后有可能噪聲不 僅沒清除反而會加重噪聲點的范圍，所以中值濾波缺點也很明顯。 圖 5 直方圖 均衡化對比圖像 Fig 5 Comparison images of histogram equilibrium （ 3）圖像濾波。由于直方圖均衡化是對圖像的灰度變化范圍進行一個非線性拉伸 ， 因此變換后圖像的灰度級將減少 ， 這將導(dǎo)致圖像的某些細(xì)節(jié)在變換中消失 。 圖 4 原圖和灰度圖 Fig 4 Original image and grayscale image (2)圖像增強。 我所采用的是加權(quán)值法 ，得到了良好的處理結(jié)果。 圖 3 是車牌圖像的原始圖。本文在下面分別具體列出了兩組實例的測試結(jié)果。其中對車牌的處理收到了良好的效果，所有的步驟完成后，可以得到清晰可見車牌號碼的二值化圖像。)。 end, end, subplot(122) 23 imshow(image,map), title(39。 else image(i,j)=0。 image=double(A)。)。 imshow(A,map), title(39。 figure(1)。f:\39。模版選擇 3X3 中值濾波圖像 39。 imshow(hh)。加噪聲后的圖像 39。) subplot(222) imshow(I)。 title(39。 hh(i,j)=uint8(y((N*N+1)/2))。 y=reshape(k1,1,N*N)。) k=double(ones(N)/(N*N))。%加椒鹽噪聲 N=input(39。 pepper39。 I=imnoise(e,39。 [rows , cols ] = size(e)。f:\39。均衡化圖 39。原圖 39。 H=histeq(J,256)。f:39。)。 imshow(x), 21 title(39。)。 imshow(A), title(39。 figure(1)。f:\39。 x=uint8(x)。 x=*red+*green+*blue+。 green=image(:,:,2)。 image=double(A)。f:\39。它將圖像的每個像素的灰度值與 T 進行比較，若大 于 T ，則取為前景色（白色）；否則，取為背景色。 （ 4） 在圖像二值化階段，我采取的是全局閾值法。 首先確定一個以某個像素為中心點的鄰域 ， 一般為方形鄰域 ， 然后將鄰域中各像素的灰度值進行排序 ， 取中間值作為中心像素灰度的新值 ， 這里的鄰域通常被稱為窗口 。它以概率論為理論基礎(chǔ)，運用灰度點運算實現(xiàn)直方圖的變化，從而 達(dá)到圖像處理的目的。 （ 2） 在圖像增強階段，我采取的是直方圖增強的方法。 根據(jù)三個分量的重要性及其 20 它指標(biāo)，將三個分量以不同的權(quán)值進行加權(quán)平均運算。 并對測試結(jié)果進行了測試并取得了良好的結(jié)果。比較典型的局部二值化算法有 Bernsen 方法、多閾值的梯度強度法、基于紋理圖像的方法、最大方差法等。用這種方法分割后的圖像在不 同子圖像的邊界處有灰度的不連續(xù)分布，因此必須采用平滑技術(shù)來消除灰度的不連續(xù)性。當(dāng)照明不均勻、有突發(fā)噪聲，或者背景灰度變化較大時，局部閾值確定技術(shù)必須根據(jù)像素的坐標(biāo)位置關(guān)系自動確定不同閾值，實施動態(tài)的自適應(yīng)二值化處理。但是如果圖像的背景不均勻，或目標(biāo)灰度變化率比較大，全局方法便不再適用。例如可以將原圖像劃分為一些不相交的小塊，將各塊圖像的灰度均值作為該部塊圖像的閾值，在局部上采用上面的整體閾值法。對于灰度均勻分布的區(qū)域內(nèi)的像素點，這些算子對其進行灰度減弱；對于在邊緣附近的像素點，這些算子對其進行灰度增強。但此方法依然存在一些不足，主要表現(xiàn)在：若目標(biāo)與背景之間灰度差不明顯，可能出現(xiàn)大塊黑色區(qū)域，甚至丟失整幅圖像的信息；僅利用一維灰度直方圖分布，沒有結(jié)合圖像的空間相關(guān)信息，處理效 果不好；當(dāng)圖像中有斷 裂 現(xiàn)象或者背景有一定噪聲時，無法得到預(yù)期效果。當(dāng)被分割成的兩類類間方差最大時，此灰度值就作為圖像二值化處理的閾值。 (2) 大津法：又稱最 大類間差法，是基于整幅圖像的統(tǒng)計特性，實現(xiàn)閾值的自動選取。 圖像二值化常用 方法 為了滿足圖像處理應(yīng)用系統(tǒng)自動化及實時性要求，圖像二值化的閾值的選擇最好由計算機自動來完成。 典型的全局閾值方法包括 Otsu 方法、最大熵方法等。其中全局閾值法又可分為基于點的閾值法和基于區(qū)域的閾值法。它將圖像的每個像素的灰度值與 T 進行比較，若大于 T ，則取為前景色（白色）；否則，取為背景色。當(dāng)圖像中只包含前景和背景兩部分信息時 ， 就可以將前景的像素值置為 1， 背景的像素值置為 0， 這樣圖像就被二值化了 。 然后以此作為新圖像的灰度值并輸出 。 每次移動后 ， 對窗口內(nèi)的諸像素灰度值進行排序 。 傳統(tǒng)的中值濾波方法是先選擇一定的窗口 ( 一般窗口大小為 3 3 或 5 5) ， 然后使窗口在圖像內(nèi)逐次移動 ， 并 18 用窗口內(nèi)像素灰度值的中值來代替窗中心點處的像素灰度值。較簡單的模板是 NXN 的方形 (注 :此處的 N 通常是奇數(shù) )。 讀 取 圖 像 像 素 值選 取 合 適 的 窗 口對 窗 口 內(nèi) 的 像 素 進 行 排序得 到 灰 度 中 值以 灰 度 中 值 作 為 圖 像 的新 灰 度N輸 出 新 圖 像 并 顯 示結(jié) 束 圖 2 中值濾波流程圖 Fig 2 Median filtering flow diagram 中值濾波去除噪聲的效果除了與噪聲的類型有關(guān)外 ， 還與鄰域的空間范圍和中值計算中涉及的像素數(shù)有關(guān)。中值濾波的輸出像素是由鄰 域圖像的中間值決定的 ， 因而中值濾波對極限像素值 (與周圍像素灰度值差別較大的像素 )遠(yuǎn)不如平均值那么敏感 ， 從而可以消除孤立的噪聲點 ， 可以使圖像產(chǎn)生較少的模糊。其濾波原理是 :首先確定一個以某個像素為中心點的鄰域 ， 一般為方形鄰域 ， 然后將鄰域中各 17 像素的灰度值進行排序 ， 取中間值作為中心像素灰度的新值 ， 這里的鄰域通常被稱為窗口 。這里高斯濾波的流程圖就不在描述，因為高斯濾波用 MATLAB 函數(shù)就可以實現(xiàn)。 Y1=filter2(A2， g)/255 顯示濾波后的圖像。gaussian39。 輸入高斯濾波器的均值和方差。這些性質(zhì)使得它在早期的圖像處理中特別有用，表明高斯平滑濾波器無論在空間域還是在頻率域都是十分有效的低通濾波器。通過二維高斯函數(shù)的卷積可以分兩步來進行，首先將圖像與一維高斯函數(shù)進行卷積，然后將卷積的結(jié)果與方向垂直的相同一維高斯函數(shù)進行卷積。通過調(diào)節(jié)平滑程度參數(shù)σ，可在圖像特征分量模糊 (過平滑 )與平滑圖像中由于噪聲和細(xì)紋理所引起的過多的不希望突變量 (欠平滑 )之間取得折衷。 高斯濾波器的寬度 (決定著平滑程度 )是由參數(shù)σ表證的，而且σ和平滑程度的關(guān)系是非常簡單的。因為圖像常被高頻信號所污染，而我們所期望的圖像特征，既含有低頻分量，又含有高頻分量。相反如果平滑濾波對邊緣像素點仍然有很大的作用，則會導(dǎo)致圖像失真。 高斯函數(shù)是單值函數(shù)。 高斯濾波的特性與高斯函數(shù)息息相關(guān)，高斯函數(shù)具有 一下的 重要性質(zhì)： 二維高斯函數(shù)具有旋轉(zhuǎn)對稱性，也就是濾波器在各個方向上的平滑程度是相同的。 (2)高斯平滑濾波 高斯平滑濾波也屬于線性濾波，它是根據(jù)高斯函數(shù)的形狀來選擇權(quán)值的線性平滑濾波器。 根據(jù)均值濾波原理編寫的算法流程圖 如圖 1 所示。 按照此灰度矩陣的值輸出圖像。 然后求這些像素值的均值，作為輸出的像素值，這就是鄰域平均法的原理 。 可知鄰域平均法就是將當(dāng)前圖像各像素鄰域內(nèi)的灰度平均值作為其輸出值的一種簡單的去噪辦法。均值濾波還分為算術(shù)均值濾波和幾何均值濾波。它是一種直接在空間域里進行圖像平滑處理的技術(shù)。 頻域法則是先進行傅里葉變換到頻域進行處理然后在反變回空間域還原圖像，一般人們采用低通濾波等方法，這和空間域里直接對圖像的像素值進行鄰域內(nèi)運算不同 平滑去噪常用方法 圖像 的平滑去噪一般分為空域和頻域兩種方法，本文只介紹空域和頻域里幾種常用的平滑濾波方法，比如均值濾波、高斯濾波以及中值濾波和低通濾波等等，其他的常用方法不在研究之內(nèi)。線性濾波器用連續(xù)窗函數(shù)內(nèi)像素加權(quán)和來實現(xiàn)平滑濾波。例如我們最常見的空間域濾波方法均值濾波和高斯濾波都屬于線性濾波，而空域濾波中的中值濾波屬于非線性濾波。 在空域法里還可以分為兩個方面，一類是噪聲消除，即先判定這個點是否為噪聲點，若是則重新賦值給它，不是就按原值輸出；另一類則是平均法，即不一一對噪聲點進行清除，而是對整個圖像依據(jù)某種方法進行平均運算，一般來說這類濾波方法有均值濾波、高斯濾波、維納濾波等等。一種優(yōu)良的圖像平滑方法應(yīng)該是 既可以消除圖像噪聲的影響但是又不會讓圖像的邊緣輪廓和線條變得模糊不清。其概率密度函數(shù)如式所示： (10) 伽馬噪聲。 瑞利噪聲。椒鹽噪聲作為一種非常典型的圖像噪聲，對圖像質(zhì)量的處理起著極大的影響。 椒鹽噪聲。高斯噪聲被稱為正態(tài)噪聲，其噪聲的概率密度如下式所示： (8) 式中， z 代表圖像的灰度值， 代表 z 的期望值， 代表 z 的標(biāo)準(zhǔn)差。均勻分布噪聲是指原圖像中每個像素點等概率產(chǎn)生的噪聲。在這過程中因受到環(huán)境條件的影響及設(shè)備的性能質(zhì)量原因，使得圖像必不可免的產(chǎn)生噪聲。圖像的去噪方法種類很多，依據(jù)的原理也各不相同，其中比較常用的就是圖像平滑去噪方法。因此，對于圖像處理來說，圖像去噪是必不可少的預(yù)處理操作，為了抑制和消減噪聲，改善圖像的質(zhì)量，以便于做進一步的處理，對圖像進行去噪預(yù)處理是首要的步驟。圖像在生成和傳輸過程當(dāng)中常常會受到各 12 種噪聲的干擾和破壞而使圖像失去原來的本色，這將對后續(xù)圖像的處理比如圖像分割、壓縮、圖像理解等產(chǎn)生不好的影響。 圖像 平滑去噪 灰度變換和直方圖修正都可以對圖像進行簡單的預(yù)處理，然而這些預(yù)處理僅限于圖像沒有受到污染，即沒有因為各種原因產(chǎn)生噪聲或收到不規(guī)則破壞，此時灰度變換和直方 圖就不能達(dá)到我們預(yù)期的效果了，對于圖像的復(fù)雜處理就必須采用平滑 去 噪方法。另外由于直方圖是只是近似的概率函數(shù)，直接變換