【正文】 第二節(jié) 圖像的預處理一、圖像的基礎 圖像就是所有具有視覺效果的畫面，它包括：紙介質上的、底片或照片上的、電視、投影儀或計算機屏幕上的。模擬圖像可以通過某種物理量（如光、電等）的強弱變化來記錄圖像亮度信息，例如模擬電視圖像；而數(shù)字圖像則是用計算機存儲的數(shù)據(jù)來記錄圖像上各點的亮度信息。由數(shù)組或矩陣表示，其光照位置和強度都是離散的。我們一般將其分為兩類，分別為灰度圖像與彩色圖像。其級數(shù)的大小代表了圖像中像素的亮度。三、圖像的灰度化在運算中由三種顏色所組成的彩色圖像使得某些圖像處理算法無法展開，因此必須對其進行灰度處理。圖像灰度化的處理方法主要有以下三種： 最大值法：使R、G、B的值等于三個值中最大的一個，即 (21) 最大值法會形成亮度很高的灰度圖像。 加權平均值法：根據(jù)重要性或其他指標給R、G、B賦予不同的權值，并使R、G、B的值加權平均，即 (23)其中，分別為R、G、B的權值。由于人眼對綠色敏感度最高，紅色次之，對藍色最低，因此使將得到比較合理化的圖像。本設計采用的是加權平均值法來得到灰度圖像。其圖像二值化的表達式如下： （25）其中為二值圖像輸出函數(shù)，為灰度圖像輸入函數(shù)，T為指定的閾值。即將256個亮度等級的灰度圖像通過適當?shù)拈撝颠x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。在某些時候，灰度信息對于處理的作用并不大，所以在下面的一些步驟時會進行一次二值化。對于灰度圖而言，可進行一些灰度增強。本章所提的知識為后面章節(jié)的內容做了鋪墊，由于圖像的預處理對于整個設計而言至關重要，在預處理時必須要根據(jù)不同類型的圖像選取正確的算法。圖像分割…. 識別方法（模板匹配）。（OpenCV庫…）本課題選用Matlab，主要是因為Matlab具有以下優(yōu)點[5]：（1）語言簡潔緊湊，使用方便靈活，庫函數(shù)極其豐富。 （2) Matlab繪圖功能很強大，但在VC++，VB語言里繪圖都很不容易，但Matlab里數(shù)據(jù)的可視化程度非常高，并且具有較強的編輯圖形界面的能力。由于Matlab是用C語言編寫的，Matlab提供了和C語言幾乎一樣多的運算符，靈活使用Matlab的運算符將使程序變得極為簡短。 （5) Matlab語言簡單，入門容易，程序設計不嚴格，自由度大，例如用戶無需對矩陣預定義即可使用 （6)Matlab語言簡潔緊湊，使用方便靈活，庫函數(shù)豐富，并且內部集成了很多工具箱，為程序開發(fā)提供現(xiàn)成模塊。另外還介紹了本次設計采用的研究平臺Matlab的一些相比其他軟件的優(yōu)勢。第四章 測試結果與分析第一節(jié) 車牌定位車牌圖像的采集與預處理一、圖像的采集通過道路監(jiān)控系統(tǒng)中的攝像頭對汽車牌照信息進行采集和定位一、圖像的灰度化 汽車圖像樣本目前大都是通過攝像機、數(shù)碼相機等設備拍攝獲取的，因而預處理前的圖像都是彩色圖像。（加權平均值的有點。在Matlab中，我們通過調用rgb2gray函數(shù)來實現(xiàn)彩色車牌圖像的灰度化。于是rgb轉gray圖的本質就是尋找一個三維空間到一維空間的映射，最容易想到的就是映射，即過rgb空間的一個點向直線R=G=B做垂線。其中，I1表示轉換后灰度圖像，I表示RGB圖像。由于用攝像機采集到的機動車圖像會受到噪聲干擾以及車輛本身的影響，獲得的圖像質量并不理想。通過良好的邊緣檢測可以大幅度的降低噪聲、分離出復雜環(huán)境中的車輛圖像、保留完好的車牌字符信息，方便后面的車牌精確定位與字符識別。robert39。both39。在edge函數(shù)中，有sobel算子，prewitt算子，roberts算子，Laplacian of Gaussian算子，zerocross算子及canny算子。因此，在本設計中，采用的是roberts算子來進行邊緣檢測。Roberts梯度算子所采用的是對角方向相鄰兩像素值之差，算子形式如下： （42） （43） （44）Roberts梯度算子對應的卷積模板為： （45）用以上兩個卷積算子與圖像運算后，可求出圖像的梯度幅值，然后選擇適當?shù)拈撝?若 ，則 為邊緣點，否則，判斷 為非邊緣點。Roberts算子采用的是用對角線方向上相鄰兩像素的差近似梯度幅值來檢測邊緣，它的定位精度高，對于水平和垂直方向的邊緣，檢測效果較好，而對于有一定傾角的斜邊緣，檢測效果則不理想，存在著許多的漏檢。因此，該算子適合于對低噪聲且具有陡峭邊緣的圖像提取邊緣。可以用來消除小且無意義的目標物，如果兩目標物間有細小的連通，可以選取足夠大的結構元素，將細小連通腐蝕掉[7]。設二值圖像為F，其連通域設為X，結構元素為S，當一個結構S的原點移到(x,y)處時，我們將其記作元素。腐蝕的運算規(guī)則為輸出圖像的像素值是輸入圖像領域中的最小值，在一個二值圖像中，只要一個像素值為0，則相應的輸出像素值為0。rectangle39。 %構造結構元素，以長方形構造一個se 在本設計中，通過imerode函數(shù)來實現(xiàn)圖像的腐蝕，imerode函數(shù)需要兩個基本輸入?yún)?shù)：待處理的輸入圖像以及結構元素對象。 %圖像的腐蝕其中，I2是待處理的圖像，se是結構元素。1。 腐蝕效果圖四、圖像的平滑處理 在得到車牌圖像的輪廓后，圖像的數(shù)字化誤差和噪聲會直接影響腳點的提取，因此為了抑制噪聲改善圖像質量進行的處理稱為圖像平滑或去噪[8]。在matlab中，通過調用imclose函數(shù)對圖像執(zhí)行形態(tài)學閉運算，即使用同樣的結構元素先對圖像進行腐蝕操作后進行膨脹操作。閉運算的定義為： ? （47）這個公示表明，使用結構元素B對集合A的閉運算就是用B對A進行膨脹，然后用B對結果進行腐蝕。結構元素se的生成方式為：se=strel(39。,[25,25])，由于車牌是一個矩形，所以se是一個2525的矩形。 平滑圖像效果圖在經過圖像平滑處理之后，可能會有多個閉合區(qū)域，而對于不是車牌區(qū)域的部分必須予以刪除。其在matlab中的調用格式為：I5=bwareaopen(I4,2000)。 移除小對象后效果圖五、車牌區(qū)域定位我國的車牌按照字符顏色和底色的搭配不同，可以分為以下4類：藍底白字、黃底黑字、黑底白字和白底黑字。在本設計中，車牌區(qū)域的定位采用的就是基于車牌顏色的彩色定位法[9]。統(tǒng)計行方向在此顏色范圍內的像素點數(shù)量，即該行對藍色的投影值，把此區(qū)域的所有像素行的投影值都統(tǒng)計出來，得到此區(qū)域對藍色的水平投影。車牌邊緣為白色或者被邊框包圍，在圖像對藍色的水平投影上表現(xiàn)為波谷。在分割出的行區(qū)域內，用相同的方法統(tǒng)計列方向的底色像素點數(shù)量，取圖像對藍色的垂直投影的兩個波谷為左右邊界，最終確定完整的車牌區(qū)域。 車牌區(qū)域定位圖第二節(jié) 車牌字符分割一、字符切割前彩色車牌圖像的進一步處理由于定位后的車牌圖像是彩色的，會占用較大的存儲空間和增加計算機的負擔，而且在定位的圖片中不可避免的會存在噪聲，因此在對車牌字符進行分割前必須對車牌區(qū)域圖像進行灰度化、二值化、濾波處理和膨脹或腐蝕處理。在matlab中的調用格式為：T=round(g_max(g_maxg_min)/3)。均值濾波是典型的線性濾波算法，它是指在圖像上對目標像素給一個模板，該模板包括了其周圍的臨近像素（以目標象素為中心的周圍8個像素，構成一個濾波模板，即去掉目標像素本身），再用模板中的全體像素的平均值來代替原來像素值[10]。膨脹和腐蝕剛好相反，膨脹是將與物體接觸的所有背景點合并到該物體中，使邊界向外部擴張的過程[7]。其定義是： （48）其算法是用33的結構元素掃描圖像的每一個元素，用結構元素與其覆蓋的二值圖像做“或”操作，如果都為0，結果圖像的該像素為0，否則為1。在matlab中，通過調用imdilate函數(shù)來實行圖像的膨脹操作。 %實現(xiàn)膨脹操作其中，d為待處理的圖像，se為結構元素，這里的結構元素是一個自己定義的表示結構元素鄰域的二進制矩陣。然而對于字符分割的問題往往不被重視，但是字符分割的質量直接決定了識別正確率的高低。根據(jù)以上車牌的固有特征，本設計采用垂直投影法對車牌字符進行分割。通過垂直投影圖的特征，分割字符就轉化為只需要得到每個區(qū)域的左右邊界即可。然后繼續(xù)向右檢測，將檢測到的投影數(shù)值出現(xiàn)第一個為零時，那么將這個投影數(shù)值所屬的像素點即看做是第一個投影區(qū)域的右邊界限。依據(jù)算法經過處理得到的字符投影塊數(shù)目等于7，同時每個字符投影塊都在標準字符寬度的閾值范圍內，那么就可進行分割車牌字符；若當檢測到的投影塊數(shù)目小于7，可知車牌的字符有粘連，則需進一步分割投影塊，直至投影塊數(shù)目為7，同時滿足字符寬度的閾值范圍；如果投影塊數(shù)目大于7，可知車牌字符有斷裂，則需進一步對投影塊進行合并處理，直至投影塊數(shù)目為7，同時滿足字符寬度的閾值范圍。 分割之后的7個單獨字符由于圖像采集時圖像的像素值不一樣，經切割出來的字符的大小也會不一樣，所以在進行匹配前必須先對字符圖像進行歸一化處理，使圖像大小跟模板圖像大小一致。在matlab中，通過調用imresize函數(shù)來實現(xiàn)字符大小的歸一化。 %對圖像做縮放處理，高32，寬16這里選用‘nearest’最近鄰插值法,這個參數(shù)也是默認的。基于模板匹配的OCR的基本過程是:首先對待識別字符進行二值化并將其尺寸大小縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有的模板進行匹配，最后選最佳匹配作為結果。綜合模板匹配的這些優(yōu)點我們將其用為車牌字符識別的主要方法。也可以計算圖象與模板特征量之間的距離，用最小距離法判定所屬類。在實際設計模板的時候，是根據(jù)各區(qū)域形狀固有的特點，突出各類似區(qū)域之間的差別，并將容易由處理過程引起的噪聲和位移等因素都考慮進去，按照一些基于圖象不變特性所設計的特征量來構建模板，就可以避免上述問題。汽車牌照的字符一般有七個，大部分車牌第一位是漢字，通常代表車輛所屬省份，或是軍種、警別等有特定含義的字符簡稱；緊接其后的為字母與數(shù)字。所以建立字符模板庫也極為方便。其他模板設計的方法與此相同。把每一幅相減后的圖的0值個數(shù)保存，即為識別出來的結果。在得到這個結果之前，需要對車牌圖像進行預處理、車牌定位、車牌分割等處理。預處理包括灰度化、車牌校正、平滑處理等。在本文中根據(jù)采集到的圖像本身的特點，對它進行了灰度化的處理。圖像中車輛牌照是具有比較顯著特征的一塊圖象區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的；在整體圖象中的位置較為固定。在定位方面。首先，將預處理后的圖像用數(shù)學形態(tài)學的方法進行處理。本文中對圖像進行了腐蝕、平滑處理，腐蝕和平滑都具有濾波的作用，腐蝕是對圖像內部做濾波處理，平滑是對噪聲進行濾波。最后還用了bwareaopen來去除對象中不相干的小對象。 車牌分割即把車牌的整體區(qū)域分割成單字符區(qū)域，具有承上啟下的作用。包括灰度化、二值化、均值濾波、膨脹或腐蝕處理。為滿足下一步字符識別的需要，將分割后的字符歸一化。把每一幅相減后的圖的0值個數(shù)保存，然后找數(shù)值最大的，即為識別出來的結果。 對于識別錯誤情況的分析可知，主要原因：一是牌照自身的污漬等影響了圖象的質量；二是牌照字符的分割失敗導致的識別錯誤；再就是部分字符的形狀相似性，比如B 和8；A 和4 等字符識別結果可能發(fā)生混淆的情況。第五節(jié) 本章小結在本章中，對整個系統(tǒng)都進行了分析研究，具體到系統(tǒng)的每個部分所使用的函數(shù)及算法。在最后也對整個實驗結果進行了分析，指出了這個系統(tǒng)的優(yōu)勢和一些需要在以后的研究中去改進的地方。首先在車牌定位方面，本文采用的是車牌顏色與數(shù)學形態(tài)學相結合的定位方法，這些在數(shù)字圖像處理中屬于比較基礎的算法，因此局限性比較大，例如將本設計中的采集樣本的攝像機換一個高度，可能會對定位產生比較大的影響，因為在程序中形態(tài)學算子是固定的，若高度發(fā)生變化，車牌在圖像中的比率也會發(fā)生相應改變，因此若仍沿用舊的算子則會對定位產生較大的影響，因此可以看出這種算法雖然穩(wěn)定性較高，但是其適應性卻略低。在最近的研究中比較廣泛的是根據(jù)車牌區(qū)域存在豐富的紋理，從而可以利用小波分析的方法進行定位，因此這可以作為今后的改進方向。垂直投影分割法對變形不是很嚴重的車牌能很好地分割，但是這種方法對鉚釘、字符粘連及車牌左右邊框等噪聲敏感，而且若漢字為左右結構（如“滬”）或左中右結構（如“川”），則很容易錯分字符。 識別部分在整個設計占有重要的地位，本次設計采用的是模板匹配法。因此在以后的研究中，需要對這種算法進行改進。致 謝隨著大學本科畢業(yè)設計的完成，我的大學生活也即將結束。從最初的定題，到資料收集，到寫作，修改，再到最后的定稿，在這期間，他們給了我耐心的知道和無私的幫助，他們?yōu)榱酥笇彝瓿僧厴I(yè)設計，放棄了自己的休息時間，對于他們的這種無私奉獻的敬業(yè)精神，在此我向他們表達我最真摯的謝意。四年里，他們讓我擁有了許多美好的時光，不管是學習上還是生活中，我都沒有感覺到枯燥，謝謝他們！當然，我必須感謝我的家人和朋友，他們的關愛和支持永遠是我前進的最大動力，在任何時候，他們都給予我最大的鼓勵和支持，謝謝他們！最后，像審閱我論文和參加答辯的老師們表示衷心的感謝，感謝你們抽出寶貴的時間來參加我的論文答辯會，感謝你們對論文不當之處提出的寶貴意見和