纸币图像特征提取与识别算法研究毕业论文(编辑修改稿)

纸币图像特征提取与识别算法研究毕业论文(编辑修改稿)内容摘要：

该方法是基于左下角区域的图案差别来区分。 100 和 50 的分别为相应的阿拉伯数字，而 1 元纸币则为一定的图案。 根据实物所对应的图案位置进行计算，确定出各面值纸币所对应的位置区域，将上述三种面值纸币序列号的粗略区域取并集，以确保提取特征信息无丢失。 其次进行中值滤波降噪，然后锁定左下角的位置，二值化，将区域灰度值沿 X 坐标向下投影，确定图案对应的投影的左起点和终点横坐标差值即为图案的长度，以图案的长度除以提取区域的长度为特征值，设定相应的阈值，以此来辨别不同的面值。 （ 2）基于边缘提取的长宽比例识别。 首先必须将图像读入，进行滤波处理。 依据边缘提取原理依次将 100、 50、 1 的相关的边缘即整个 图像的整体轮廓提取出来。 计算出长度与宽度的比值，以此相应的三个值，设置相应阈值为判断面值的依据。 本课题所采用的主色调法识别面值，算法简单。 识别速度快准确度高，不易受纸币破损，褶皱影响。 3 基于纸币序列号的特征提取和算法研究 7 3 基于纸币序列号的特征提取和算法研究 纸币序列号识别算法的简述 序列号识别的步骤较多。 但是可以概括成如下两点： （ 1）首先是 原图像的粗略定位截取，通过边缘检测技术，图像加强，图像滤波等形态学预处理。 实现对纸币序列号字符串的精确定位，把序列号字符串分割出来。 （ 2）对字符串图像处理，经过阈值选取二 值化和字符分割后，再归一化保存。 最后进行分割图像与模板库的模板进行匹配，最后输出匹配结果，来完成对序列号的识别， 纸币 序列号的粗略截取 图像粗略定位 纸币上的序列号是纸币身份的标识，每张都不重复。 我们对纸币号码区域的研究的重要性不言而喻。 在各套人民币中，纸币序列号的位置相对固定。 纸币的序列号字符串区域都在在纸币的左下角，高度差不多占整个纸币高度的 10%到 35%左右，长度差不多占整个纸币长度的 3%到 30%的左右。 这对序列号字符串区域定位有很大的帮助，我们可以根据这些数据， 先粗略分割出纸币号码区域，这样可以减少运算量。 下面我们以 100 元纸币为例，采用坐标粗略定位分割 ,再对其精确分割 [6]。 以图 所示，人民币图像在坐标系中显示： 图 100 纸币在坐标系中显示 西安工业大学毕业设计（论文） 8 再根据纸币系列号字符串的固定位置，通过坐标系，粗略截取出含有序列号字符串的区域。 粗略 截取图像如图 和主要算法程序如下所示： I=imread(39。 E:\money\39。 )。 figure(1),imshow(I)。 title(39。 原始图像 39。 )。 axis on。 %显示坐标 I=imcrop(I,[1,225,225,450])。 %目标区域粗略截取 图 目标区域粗略截取 图像的灰度化 由于纸币图 像 无论扫描仪或照相机采集都是 RGB图像即为真彩图像，根据三基色原理，每一种颜色都是可以由红、绿、蓝三种颜色按不同的比例构成，所以它的每一个像素都是由 3个数值来指定红、绿和蓝的颜色分量。 灰度图像实际上是一个数据矩阵 I，该矩阵的每两个元素对应于图像的一个像素点，元素的数值代表一定范围内的灰度级，通常 0代表黑色、 255代表白色。 矩阵 I可以是双精度；在 MATLAB中，一幅 RGB图像由一 个 uint uint16或者双精度类型的 mn3数组来描述，其中 m和 n分别表示图像的宽度和高度， RGB图像不使用调色板。 在 RGB模型中，如果 R=G=B时，则彩色表示一种灰度颜色，其中 R=G=B的值叫 灰度值 ，因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为 0255。 一般有以下四种方法对彩色图像进行灰度化。 （ 1） 分量法 西安工业大学毕业设计（论文） 9 将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。 ),(),(1 jiRjif  ),(),(2 jiGjif  ),(),(3 jiBjif  （ ） （ 2） 最 大 值法 将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。 )),(),(),(ma x(),( jiBjiGjiRjif  （ ） （ 3） 平均值法 将彩色图像中的三分量亮度求平均得到一个灰度值。 3/)),(),(),((),( jiBjiGjiRjif  （ ） 灰度图像是只有强度信息，而没有颜色信息的图像。 而 R=G=B的值究竟如何选取。 事实上， MATLAB中默认的 gray算法是用 加权平均法 ，精确的公式和数据如下 ),(),(),(),( jiBjiGjiRjif  （ ） 灰度可以说是亮度（ luminance）的量化值，而 RGB 的定义是客观的三个波长值，转换时需要考虑人眼对不同波长的灵敏度曲线，所以系数不相等。 通过算法，可以得到图像的灰 度图。 图像经过灰度化处理后结果如下图 所示： 图 图像的灰度化 图像的边缘检测 边缘检测是 图像处理 和 计算机视觉 中的基 本问题。 边缘检测的目的是标识数字图像中亮度变化明显的点。 图像属性中的显著变化通常反映了属性的重要事件和变化。 这些包括深度上的不连续、表面方向不连续、物质属性变化和场景照明变化。 边缘检测是图像处理和 计算机视觉 中，尤其是 特征提取 中的一个研究领域。 图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。 有许多方法可用于边缘检测。 西安工业大学毕业设计（论文） 10 用于边缘检测的方法 , 大致可分为两类：基于搜索和基于零交叉。 基于搜索的边缘检测方法首先计算边缘强度，通常用一阶导数表示，然后用计算估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值。 基于零交叉的方法找到由图像得到的 二阶导数 的零交叉点来定位边缘。 自然界图像的边缘并不总是理想的阶梯边缘。 相反，它们通常受到一个或多个下面所列因素的影响： （ 1）有限场景深度带来的聚焦模糊。 （ 2）非零半径光源产生的阴影带来的 半影 模糊。 （ 3） 光滑物体边缘的阴影。 （ 4）物体边缘附近的局部 镜面反射 或者 漫反射。 边缘主要存在于目标与目标，目标与背景，区域与区域（包括不同的色彩之间），是图像分 割，纹理特征提取和形状特征提取等图像分析的重要基础。 在序列号识别系统中提取纸币序列号位置有着很重要的地位。 其中边缘检测的算子有很多，如 Roberts、 Sobel、 Canny、 Prewitt 等算子方式。 各个算子有各算子的优缺点。 Roberts 算子检测方法对具有陡峭的低噪声的图像处理效果较好，但是利用Roberts 算子提取边缘的结果是边缘比较粗，因此边缘的定位不是很准确。 Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好， Sobel 算子对边缘定位不是很准确，图像的边缘不止一个像素。 Canny 方法不容 易受噪声干扰，能够检测到真正的弱边缘。 优点在于，使用两种不同的阈值分别检测强边缘和弱边缘，并且当弱边缘和强边缘相连时，才将弱边缘包含在输出图像中。 Prewitt 算子 对灰度渐变和噪声较多的图像处理效果较好。 经实验比较发现边缘检测中 Canny算子比较切合本课题，可以更好的提取出序列号。 所以本文采用了 Canny算子进行边缘检测。 Canny算子下边详细给出。 坎尼（ Canny）算子在边缘检测中提出了三个准则分别是： （ 1） 信噪比准则 信噪比越大，提取的边缘质量越高。 信噪比 SNR定义为：   wwwwdxxhdxxhxGS N R)()(39。 )(2 （ ） 其中 错误 !未找到引用源。 代表边缘函数， 错误 !未找到引用源。 代表宽度为W的滤波器的脉冲响应， 错误 !未找到引用源。 代表高斯噪声的均方差。 （ 2） 定位精度准则 边缘定位精度 L如下定义：  dxxhdxxhxGL wwww)(39。 )(39。 )(39。 2  () 西安工业大学毕业设计（论文） 11 其中 错误 !未找到引用源。 )(39。 )(39。 xhxG 和 分别是 )()( xhxG 和 的导数。 L越大表明定位精度越高。 （ 3） 单边缘相应检测 为了保证单边缘只有一个响应，检测算子的脉冲响应导数的零交叉点平均距离 错误 !未找到引用源。 应满足： 212)(39。 39。 )(39。 )39。 (dxxhdxxhfD  （ ） 错误 !未找到引用源。 的二阶导数。 以上述指标和准则为基础，利用泛函求导的方法可导出坎尼边缘检测器是信噪比与定位之乘积的最优逼近算子，表达式近似于高斯函数的一阶导数。 将坎尼 3个准则相结合可以获得最优的检测算子。 坎尼算子的边缘检测算法步骤如下： （ 1） 用一阶偏导的有限差分来计算梯度的幅值和方向； （ 2） 对梯度幅值进行非极大值抑制； （ 3） 用双阈值算法检测 和连接边缘 ； 根据 Canny 算子原理及三个准则，多次实验，取阈值为 最好。 实验发现 Canny 算子效果最好 ，如下图 是不同算子的结果对比图 ： (a) (b) (c) (d) （ a） Sobel 算子边缘检测 （ b） Canny 算子边缘检测 （ c） Roberts 算子边缘检测 （ d） Prewit算子边缘检测 纸币目标区域的 不同算法的 边缘检测 图像的闭运算 西安工业大学毕业设计（论文） 12 数学形态学的基本运算有 4 个：膨胀（或扩张）、腐蚀（或侵蚀）、开启和闭合。 二值形态学中的运算对象是集合，通常给出一个图像集合和一个结构元素集合，利用结构元素对图像进行操作。 膨胀运算符号为 ⊕ ，图像集合 A，用结构元素 B 来膨胀，记作 BA 错误 !未找到引用源。 ，其定义为： }])[(|{  ABxBA x  () 其中 错误 !未找到引用源。 表示 B 的映像，即与 B 关于原点对称的集合。 上式表明，用 B 对 A 进行膨胀的运算过程如下：首先作 B 关于原点的映射，再将其映像平移 x，当 A 与 B 映像的交集不为空时， B 的原点就是膨胀集合的像素。 腐蚀运算的符号是 错误 !未找到引用源。 ,A 用 B 来腐蚀记作 错误 !未找到引用源。 ，其定义为 :  | ( )xA B x B A   （ ） 上式表明， A 用 B 腐蚀的结果是所有满足将 B 平移后， B 仍旧全部包含在 A中的 X 的集合，从直观上看就是 B 经过平移后全部包含在 A 中的原点组成的集合。 腐蚀会去掉物体的边缘点，细小物体所有的点都会被认为是边缘点，因此会整个被删去。 再做膨胀时，留下来的大物体会变回原来 的大小，而被删除的小物体则永远消失了。 膨胀操作会使物体的边界向外扩张，如果物体内部存在小空洞的话，经过膨胀操作这些洞将被补上，因而不再是边界了。 再进行腐蚀操作时，外部边界将变回原来的样子，而这些内部空洞则永远消失了。 一般情况下，由于噪声的影响，图像在阈值化后所得到边界往往是很不平滑的，物体区域具有一些噪声孔，背景区域上散布着一些小的噪声物体。 连续的开和闭运算可以有效地改善这种情况。 有时需要经过多次腐蚀之后再加上相同次数的膨胀，才可以产生比较好的效果。 对边缘检测后的图像进行腐蚀，去除掉细 的，间断的边缘得图 ， 再对剩下的区域进行闭合以填充图像，此时可以 得 到图 ，图 像 中数块区域形成了一个大的连通域；调用 bwareaopen 函数去掉小的连通域，就能取出不相关的区域块。 从而把不需要的部分剔除掉 ， 达到 精确 分割的目的。 图像的形态滤波 （ 1）什么是图像滤波 图像滤波即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处。