【正文】 。通常來說一幅圖像的邊緣方向是不知道的，因此，我們在濾波之前是無法確定哪個方 16 向上需要要更多的平 滑的，而這意味著高斯濾波在圖像處理中不會偏向任一方向。與均值濾波相似，高斯濾波用圖像像素鄰域的加權(quán)均值來代替該點的像素值，而權(quán)值的選取是隨著該像素點與中心點距離單調(diào)遞減的，所以離中心點比較遠的像素權(quán)值較小，受到的高斯濾波影響會很小。 高斯函數(shù)的傅立葉變換頻譜是單瓣的。高斯函數(shù)傅立葉變換的單瓣意味著平滑圖像不會被不需要的高頻信號所污染，同時保 留了大部分所需要的信號。σ越大，高斯濾波器的頻帶就越寬，平滑程度就越好。 由于高斯函數(shù)的可分離性，大高斯濾波器可以有效實現(xiàn)。因此，二維高斯濾波的計算量隨濾波模板寬 度成線性增長而不是成平方增長。高斯濾波的算法一般分如下幾步： 使用 imread()讀入原始的彩色圖像。 利用高斯濾波 A1=fspecial(39。 k， n3) %生成 高斯 序列 用生成的高斯序列進行濾波 。 以上分析可以看出高斯濾波是有高斯函數(shù)而決定的， 所以 它非常適合對正太分布的高斯噪聲進行濾波，而 對那些隨即分布的噪聲比如脈沖噪聲和椒鹽噪聲的清除效果就不很好了，所以高斯濾波有他的局限性。 （ 3） 中值濾波 中值濾波是一種基于排序統(tǒng)計理論的可有效抑制噪聲的非線性平滑濾波。 當(dāng)窗口在圖像中上下左右進行移動后 ， 利用中值濾波算法可以很好地對圖像進行平滑處理。 圖 2 是中值濾波的流程圖。一般來說 ， 小于濾波器面積一半的亮或暗的物體基本上會被濾除 ， 而較大的物體幾乎原封不 動地保存下來 ， 因此 ， 中值濾波器的空間尺寸必須根據(jù)現(xiàn)有的問題來進行調(diào)整?？傊?， 中值濾波具有算法簡單、實時性好、可靠性高等特點 ， 既能保護圖像的邊緣信息 ， 又可以除去圖像中的噪聲 ， 具有較高的實用價值。 傳統(tǒng)的中值濾波算法的實現(xiàn)過程如下 : 選擇一個 (2n +1) (2n +1) 的窗口 (通常為 3 3 或 5 5) ， 并用該窗口沿圖像數(shù)據(jù)進行或列方向的滑動 。 用排序法所得到的中值替代窗口中心位置的原始像素灰度值。 圖像 二值化 圖像二值化介紹 一幅圖像中的信息包括目標(biāo)物體 ， 背景和噪聲三個部分 ， 圖像的二值化是為了得到圖像中的目標(biāo)物體而產(chǎn)生的一種圖像處理方法 ， 二值化以后圖像中所有的像素點將會變?yōu)榘谆蚝凇? 二值化的方法有很多種 ， 一般分為 全局閾值法 和局部閾值法 全局閾值法是指在二值化過程中只使用一個全局閾值 T 的方法。根據(jù)文本圖像的直方圖或灰度空間分布確定一個閾值，以此實現(xiàn)灰度文本圖像到二值圖像的轉(zhuǎn)化。閾值分割法的結(jié)果很大程度上依賴于 對閾值的選擇，因此該方法的關(guān)鍵是如何選擇合適的閾值。全局閾值法算法簡單，對于目標(biāo)和背景明顯分離、直方圖分布呈雙峰的圖像效果良好，但對于由于光照不均勻、噪聲干擾較大等原因使直方圖分布不呈雙峰的圖像，二值化效果明顯變差。下面列舉幾個閾值的自動選擇算法： (1) 平均灰度值法：以圖像中所有像素灰度值的平均值為閾值。其原理是把圖像直方圖用某一灰度值分割成兩類，分別計算這兩類的像素點數(shù)和灰度平均值，然后計算它們的類間方差。大津法的使用范圍比較廣，不論圖像的直方圖有 19 無明顯的雙峰，都能得到較滿意的結(jié)果，在很多領(lǐng)域得到了應(yīng)用和發(fā)展。 (3) 邊緣算子法：采用 Laplace 算子、 Robert 算子、 Sober 算子等對像素點進行灰度級增強或減弱的變換。 由當(dāng)前像素灰度值與該像素周圍點局部灰度特征來確定像素的閾值。 對于目標(biāo)和背景比較清楚的圖像，全局閾 值化方法可以取得較好結(jié)果。局部閾值法是用像素灰度值和此像素鄰域的局部灰度特性來確定該像素的閾值的。局部閾值選取一般將圖像劃分為若干子圖像，在每個子圖像區(qū)域上使用整體閾值法，從而可以構(gòu)成整幅圖像的局部閾值法 (根據(jù)每個子圖像確定相應(yīng)的閾值，具體的閾值確定方法同全局閾值的確定類似 )。 局部閾值法一般用于識別干擾比較嚴重、品質(zhì)較差的圖像，相對 整體閾值方法有更廣泛的應(yīng)用，但也存在缺點和問題，如實現(xiàn)速度慢、不能保證字符筆畫連通性以及容易出現(xiàn)偽影現(xiàn)象 (即在背景域受到噪音干擾得到筆畫結(jié)果 )等。 4 算法 設(shè)計與實現(xiàn) 總體設(shè)計 字符圖像預(yù)處理一共有四個階段，我對于每個階段都采取了相應(yīng)的方法對圖像進行處理。 （ 1） 在圖像灰度化階段，我采取的是加權(quán)平均值法。由 于人眼對綠色的敏感度高，對藍色的敏感度低，故可以按照不同的權(quán)值對 RGB 三個分量進行加權(quán)平均運算能得到比較合理的灰度圖像。 直方圖均衡化首選要先進行直方圖修正，即把原圖像的直方圖利用灰度變換函數(shù)修正為均勻分布，然后再進行直方圖均衡化。 （ 3） 在圖像濾波階段，我采用了中值濾波。 當(dāng)窗口在圖像中上下左右進行移動后 ，利用中值濾波算法可以很好地對圖像進行平滑處理。 在二值化過程中只使用一個全局閾值 T 的方法。 具體代碼 A=imread(39。)。 red=image(:,:,1)。 blue=image(:,:,3)。 A=uint8(A)。 imwrite(x,39。)。 subplot(1,2,1)。原圖 39。 subplot(1,2,2)?；叶葓D 39。 J=imread(39。)。 subplot(2,2,1), imshow(J) title(39。) subplot(2,2,2), imshow(H) title(39。) subplot(2,2,3), imhist(J) subplot(2,2,4), imhist(H) e=imread(39。)。 I=e。salt amp。,)。請輸入一個奇數(shù)（模版尺寸階數(shù)）： 39。 for i=(N+1)/2:(rows((N1)/2)) for j=(N+1)/2:(cols((N1)/2)) k1=double(I(i(N1)/2:i+(N1)/2,j(N1)/2:j+(N1)/2))。 y=sort(y)。 end end 22 figure(1) subplot(221) imshow(e)。原圖像 39。 title(39。) subplot(223)。 title(39。) [A,map]=imread(39。)。 subplot(121)。原圖 39。 [rows,cols]=size(A)。 for i=1:rows, for j=1:cols, if (image(i,j) 150) image(i,j)=255。 end。二值化 39。 具體實例 在具體處理的過程中我使用了多組字符圖片對系統(tǒng)進行測試，預(yù)處理算法對各種圖片的處理效果各有不同。對人的頭像的處理不如車牌 理想，但是最后還是能清晰看見人臉的輪廓。 實例一 實例一是對車牌圖像的處理。 圖 3 原圖 Fig 3 Original image （ 1）圖像 灰度化。圖 4 是原圖和處理之后的灰度圖對比。 對于直方圖均衡化，我主要是調(diào)用系統(tǒng)的函數(shù)，通過對實例圖的測試發(fā)現(xiàn)， 直方圖均衡化對于背景和前景之間存在較大差異的圖像具有較好的效果 ， 但是由于直方圖均衡 化對處理的數(shù)據(jù)不加選擇 ， 因此經(jīng)過直方圖均衡化處理后圖像里的各類信息都有 24 可能受到增強或削弱 ， 對于圖像里的一些無用信息削弱或增強對于后期圖像信息提取影響不大 ， 如果圖像里的重要信息被削弱 ， 將使得基于變換后圖像上的信息提取受到一定的影響 ， 因此這是使用直方圖均衡化時可能導(dǎo)致的不利影響。 圖 5 為原圖像和經(jīng)過直方圖均衡化增強的圖像 ， 以及圖像的直方圖在圖像增強前后的對比， 如圖所示。 我在具體實現(xiàn)的過程中采用的中值濾波算法，我通過在程序運行時讀入一個 n，用來定義不同的窗口大小，以滿足對不同噪聲類型的處理需要。 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。 25 圖 6 原圖和中值濾波對比圖 Fig 6 Comparison images of original and median filtering （ 4） 圖像二值化 。 每個像素依次循環(huán) ，若該像素灰度值 大于 150，則置為 255。 如下圖所示，車牌圖有了良好的處理效果，車牌號碼清晰可見，達到了處理的要求。 圖像的各 個 步驟的處理方法與實例一相同。 （ 1）圖像 灰度化。 26 圖 8 原圖和灰度圖 Fig 8 Original image and grayscale image (2)圖像增強。但是圖像的對比度還是有所增強。 圖 9 直方圖均衡化對比圖像 Fig 9 Comparison images of histogram equilibrium （ 3）圖像濾波。 27 下圖是利用中值濾波對圖片處理的效果對比圖。 先如 下圖所示， 圖 像 有了良好的處理效果，達到了處理的要求。 28 經(jīng)過本次設(shè)計的鍛煉，我對圖像預(yù)處理有了較為深入的了解，為以后的進一步研究打下了基礎(chǔ)。 在圖像處理方面也累積了不少經(jīng)驗，特別是在對軟件開發(fā)工具和圖像處理不很熟悉的情況下，通過自己的學(xué)習(xí)和導(dǎo)師的指導(dǎo)完成了設(shè)計任務(wù)。 由于設(shè)計時間有限，本人在寫出算法后編程遇到了 困難 ，只能 選取相對簡單的方法進行程序編寫。 參考文獻 [1] 李站明，徐錦鋼 .車牌號識別系統(tǒng)中的車牌圖像預(yù)處理研究 [J].科學(xué)技術(shù)與工程， 20xx， 8（ 1）：20812084. [2] 彭碧霞 .車牌圖像自動識別系統(tǒng)預(yù)處理算法研究 [J].武漢大學(xué)學(xué)報（工學(xué)版）， 20xx， 39（ 3）：131134. [3] 董玲嬌 .車牌圖像預(yù)處理研究 [J].機電工程 ， 20xx， 26(6): 107109. [4] 李德峰 ， 丁玉飛 ， 邱細亞 .基于 VC++車牌圖像預(yù)處理方法研究 [J].電子質(zhì)量， 20xx，（ 11）： 3537. [5] 朱光忠 ， 鄭月齋 .基于多尺度 TopHat 算子的車牌圖像預(yù)處理研究 [J].中國科技信息 ， 20xx，12: 155156. [6] Yoping Huang. A templatebased model for license plate recognition[C].IEEE International Conference on Networking， Sensing and Control,20xx， 11(2): 6568. [7] 后俊 .車牌圖像分割與智能字符識別方法的研究 [D]，合肥：合肥工業(yè)大學(xué)， 20xx:126. [8] 楊亞莉 .夏勇 .車牌圖像的預(yù)處理實現(xiàn) [J]. 武漢科技學(xué)院學(xué)報， 20xx， 21(12):3133. [9] 趙茜 .基于圖像處理的車牌識別系統(tǒng)的研究 [D].天津：天津大學(xué)， 20xx： 120. [10] 羅金凱 .基于顏色劃分的車牌識別研究 [D].長沙：中南林業(yè)科技大學(xué) ， 20xx: 118. [11] 陳軒飛 .車牌識別技術(shù)的研究 [D].長沙：中南大學(xué)， 20xx： 316. [12] 江治國 ， 章飛 .圖像增強算法在車牌圖像預(yù)處理中的研究與應(yīng)用 [J].河南城建學(xué)院學(xué)報 ,20xx: 118. [13] 冀光強 .基于 MATLAB 的車牌識別技術(shù) [J]. 微計算機信息 ， 20xx:3133. 29 [14] 劉連忠 ， 寧海燕 .基于支持向量機的車牌字符識別 [J].微計算機信息 ， 20xx :3537. [15] 宋萬里 ， 張鸰 .車牌識別中的傾斜車牌校正算法 [J].科技信息 ， 20xx:107109. [16] 馬俊莉 ， 莫玉龍 .一種基于改進模板匹配的車牌宇符識別方法 [J].小型微型計算機系統(tǒng) ， 20xx， 24(9): 16701672. [17] 王敏 ， 黃心漢 .一種模板匹配和神經(jīng)網(wǎng)絡(luò)的車牌字符識別方法 [J].華中科技大學(xué)學(xué)報 ， 20xx， 29(3):4850. [18] 邢博 ， 梁德群 ， 李文舉 .一種新的車牌數(shù)字及字母字符識別方法 [J].遼寧師范大學(xué)學(xué)報 (自然科學(xué)版 )， 20xx， 28(1): 5658. [19] 童劍軍 ， 鄒明福 .車牌字符的一種精判別識別方法 [J].計算機工程與應(yīng)用 ， 20xx， 2:223226. [20] 黃戈祥 ， 陳繼榮 ， 胡應(yīng)添 .基于 ARTZ 神經(jīng)網(wǎng)絡(luò)的車牌字符識別 [J].計算機應(yīng)用 ， 20xx，24:309312. [21] Xuan and Application on License Plate Character RecognitionBased on Support Vector Machine[J]， Computer Systems amp。 感謝她在百忙 之中一直督促關(guān)心著我的本科論文的寫作。 還要感謝何儒云老師，是她給了我這個機會加入到圖像預(yù)處理項目中來，使我能夠?qū)W習(xí)到許多圖像處理學(xué)科前沿的知識，而且通過實際項目開發(fā)，積累了寶貴的實踐經(jīng)驗，提高了我用 MATLAB 的操作和編程能力。在這里，我再次對你們表示深深的感