车牌识别系统中车牌定位及分割技术研究

车牌识别系统中车牌定位及分割技术研究内容摘要：

B () （ 2）取最大值法，取彩色图像中像素点 R、 G、 B 三个分量的最大值，即： MAX （ R,G,B ） () （ 3）加权平均值法，根据彩色 图像像素点 R、 G、 B 三个分量的重要性或者其他指标赋予三个分量不同的加权值 Wr、 Wg、 Wb， 再使 g 等于 R、 G、 B 三个分量的加权平均值，即： rg3gbW R W G W B () 由于人眼对绿色的敏感度最高，对红色的敏感度次之，对蓝色的敏感度最低，当Wr=， Wg=， Wb= 时，能得到最合理的灰度图像。 Matlab 实现程序： close all clear clc im=imread(39。 E:\GD\39。 )。 figure(1),subplot(1,2,1)。 imshow(im)。 title(39。 显示原图 39。 )。 %显示原图 im_gray=rgb2gray(im)。 %RGB转换为灰度图像 figure(1),imshow(im_gray)。 title(39。 灰度图像 39。 )。 %显示灰度图像 辽宁科技大学本科生 毕业设计 (论文 ) 第 8 页 图 原始图像、灰度图像对比 图像的去噪 实际获得的车牌图像在形成、传输、接收和处理的过程中，不可避免地存在着外部的干扰和内部的干扰，如光电转换过程中敏感元件灵敏度的不均匀性、数字化过程中产生的量化噪声、传输过 程中的误差及人为的因素等，均会存在着一定程度的噪声干扰。 噪声降低了图像的质量，使图像变得模糊，特征淹没，这给分析带来了一定困难。 因此，去除噪声，恢复原始图像是图像处理中的一个重要内容。 消除图像噪声的工作被称为图像平滑或滤波。 图像平滑的目的有两个 :改善图像质量和抽出对象特征 [6]。 线性低通滤波 线性低通滤波器是最常用的线性平滑滤波器。 实现这种滤波器的方法也称为领域平均法。 这种方法的基本思想是 : 用几个像素灰度的平均值来代替每个像素的灰度值。 其邻域大小为 :NxN， N 一般取奇数。 如 3x3 均值滤波、 5x5 均值滤波器。 均值滤波算法对高斯噪声有较好的去噪能力，而对脉冲噪声的去噪能力却很差。 该滤波方法的优缺点 : 均值滤波由于图像经邻域平滑处理后，噪声的方差减少了 M 倍，因此起到了降低噪声平滑图像的作用，但该算法存在如下缺点 : ①均值滤波算法在平滑图像噪声的同时，必然会模糊图像的细节。 由以上噪声方差的分析可知，采用均值算法在缩小图像噪声方差 M 倍的同时，实际上也缩小了由图像辽宁科技大学本科生 毕业设计 (论文 ) 第 9 页 细节信号本身建立的模型“方差”的 M 倍，这必然会造成图像细节的模糊。 这是均值算法本身存在的固然缺陷，而且只能改善，不能改变 ； ②采用相同权值进 行平滑，算法存在盲目性，而这种盲目性的结果则表现为算法对冲击噪声的敏感性。 这样，当采用相同的权值对含有噪声的图像进行均值滤波时，如果被处理区域含有受脉冲噪声污染的像素点，那么这个像素点会在很大程度上影响滤波的效果，并且它还会通过此时的均值运算把它的影响扩散到其周围的像素点 ； ③采用相同权值的均值滤波算法没有充分利用像素间的相关性和位置信息。 Matlab 实现程序： k1=filter2(fspecial(39。 average39。 ,3),im_gray)/255。 k2=filter2(fspecial(39。 average39。 ,5),im_gray)/255。 k3=filter2(fspecial(39。 average39。 ,7),im_gray)/255。 figure(2),subplot(1,3,1)。 imshow(k1)。 title(39。 3x3均值滤波 39。 )。 %3x3均值滤波 figure(2),subplot(1,3,2)。 imshow(k2)。 title(39。 5x5均值滤波 39。 )。 %5x5均值滤波 figure(2),subplot(1,3,3)。 imshow(k3)。 title(39。 7x7均值滤波 168。 39。 )。 %7x7均值 滤波 图 3 种均值滤波对比结果 维纳（ Wiener）滤波 20 世纪 40 年代， 维纳 奠定了关于最佳滤波器研究的基础。 即假定线性滤波器的输入为有用信号和噪声之和，两者均为 广义平稳 过程且知它们的二阶统计特性，维纳根据最小均方误差准 则 (滤波器的输出信号与需要信号之差的均方值最小 )，求得了最佳线性滤波器的参数，这种滤波器被称为 维纳滤波器。 Matlab 实现程序： w1=wiener2(im_gray,[3,3])。 w2=wiener2(im_gray,[5,5])。 w3=wiener2(im_gray,[7,7])。 辽宁科技大学本科生 毕业设计 (论文 ) 第 10 页 figure(3),subplot(1,3,1)。 imshow(w1)。 title(39。 3x3维纳滤波 39。 )。 %3x3维纳滤波 figure(3),subplot(1,3,2)。 imshow(w2)。 title(39。 5x5维纳滤波 39。 )。 %5x5维纳滤波 figure(3),subplot(1,3,3)。 imshow(w3)。 title(39。 7x7维纳滤波 39。 )。 %7x7维纳滤波 图 3 种维纳滤波对比结果 由图 图 以看出 不同尺寸的低通滤波 器 对图像的处理效果不同，在其平滑模版的尺寸增大时，噪音消除效果明显增强，但是图像会变得模糊，细节信息会丢失。 在使用维纳滤波处理之后，图 像的轮廓信息清晰，噪声大大降低，图像质量明显提高。 所以本设计采用维纳滤波对图像进行去噪处理。 边缘检测 边缘是指图像灰度发生剧烈变化的边界，它是图像分割的基础。 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。 剧烈的灰度变化可以利用求导数的方法来方便的检测。 图像中的一个 点是否是边缘点可以用一阶导数于检测，边缘像素是在边缘亮的一边还是暗的一边可以用二阶导数的符号 检测。 经典的边缘检测方法是以原始图像为基础，对图像的各个像素考察它的某个区域内灰度的阶跃变化，利 用边缘邻近一阶或二阶导数变化规律来检测边缘，这种方法称为局部边缘检测算子。 在实际应用中，常用的边缘检测算子有 Roberts 算子、 Sobel 算子、Prewitt 算子以及 Canny 算子等。 Roberts 算子 Roberts 算子是 一种利用局部差分算子寻找边缘的算子 [7]， 根据任意一对互相垂直方向上的差分可用来计算梯度的原理，采用对角线方向上的相邻两像素之差， Robert算子 检测水平边缘 和垂直边缘的效果要好于斜向边缘，定位精度高，但是它对噪声很敏感。 辽宁科技大学本科生 毕业设计 (论文 ) 第 11 页 假设灰度图像 ( , )f xy 是具有整数像素坐标的输入。 其梯度定义为： 22( ( , ) ( 1 , 1 ) ) ( ( 1 , ) ( , 1 ) )f x y f x y f x y f x y       () 一般情况下，可以将上式简化为如下两种形式： ( , ) ( , ) ( 1 , 1 ) ( 1 , ) ( , 1 )f x y f x y f x y f x y f x y         () ( , ) m a x ( ( , ) ( 1 , 1 ) , ( 1 , ) ( , 1 ) )f x y f x y f x y f x y f x y        () 公式 （ ）和（ ）表 示称模板的形式如下： 1 1001R  2 0110R  Sobel 算子 Sobel 算子是一组方向算子， Sobel 算子对数字图像的每个像素，考察它的上、下、左、右相邻点灰度的加权差，与之接近的相邻点的权大。 根据此， Sobel 对灰度渐变和噪声较多的图像处理的效果较好。 该算子通常有下列计算公式表示 : 39。 ( , ) ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 ) ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 )xf x y f x y f x y f x y f x y f x y f x y               () 39。 ( , ) ( 1 , 1 ) 2 ( 1 , ) ( 1 , 1 ) ( 1 , 1 ) 2 ( 1 , ) ( 1 , 1 )yf x y f x y f x y f x y f x y f x y f x y                () 39。 39。 ( , ) ( , ) ( , )xyG f x y f x y f x y () 式中 39。 ( , )xf xy 、 39。 ( , )yf xy 分别表示 x 方向和 y 方向的一阶微 分， ( , )G f x y 为 Sobel算子的梯 度， ( , )f xy 是具有整数像素坐标的输入图像。 求出梯度后，可设定一 个常数 T，当 ( , )G f x y T 时 ，标出该点为边界点 ，其像 素值设定为 0，其它的设定为 255， 适当调整常数 T 的大小来达到最佳效果。 两个 Sobel 模板： 1 2 10001 2 1  和 1 0 12 0 21 2 1。 Prewitt 算子 辽宁科技大学本科生 毕业设计 (论文 ) 第 12 页 Prewitt 算子和 Sobel 算子是在实践中计算数字梯度时最常用的， Prewitt 模板实现起来比 Sobel 模板更为简单，对于数字图像的每个像素，考察它的上、下、左、右相邻点的灰度之差，在边缘处达到极值检测边缘，此外，该算子没有将重心放在接近模板中心的像素点上。 Prewitt 算子也产生一幅边缘幅度的图像，也是对灰度渐变和噪声较多的图像处理效果较好。 该算子通常有下列计算公式表示 : 39。 ( , ) ( 1 , 1 ) ( 1 , 1 ) ( 1 , ) ( 1 , ) ( 1 , 1 ) ( 1 , 1 )xf x y f x y f x y f x y f x y f x y f x y                () 39。 ( , ) ( 1 , 1 ) ( 1 , 1 ) ( , 1 ) ( , 1 ) ( 1 , 1 ) ( 1 , 1 )yf x y f x y f x y f x y f x y f x y f x y                () 39。 2 39。 2[ ( , ) ] ( , ) ( , )xyG f x y f x y f x y () 式中 39。 ( , )xf xy 、 39。 ( , )yf xy 分别表示 x 方向和 y 方向的一阶微分， ( , )G f x y 为 Prewitt算子的梯 度， ( , )G f x y 是具有整数像素坐标的输入图像。 求出梯度后，可设定一个常数 T，当 ( , )G f x y T 时，标出该点为边界点，其 像素值设定为 0，其它的设定为 255，适当调整常数 T 的大小来达到最佳 效果。 Prewitt 算子不仅能检测边缘点，而且能抑制噪声的影响，因此对灰度和噪声较多的图像处理得较好。 Prewitt 算子和 Sobel 算子的模板一样都是 : 1 2 10001 2 1  和 1 0 12 0 21 2 1。 LOG 算子 LOG 算子 (高斯一拉普拉斯算子 )是二阶微分算子，它是一个标量，而不是向量，也能进行各向同性的运算。 高斯拉普拉斯算子是两种算子的结合，它对灰度突变敏感。 在数字图像中，可以用差分来近似，是图像首先与高斯滤波器进行卷积运算，这一步即平滑了图像又降低了噪声，孤立的噪声点和较小的结构组织将被滤除掉。 由于平滑会导致边缘的扩展，用拉普拉斯算子找到图像中的陡峭边 缘即只考虑那些具有局部梯度最大值的点，这一点可以用二阶导数的零交叉点来实现。 拉普拉斯算子是一个线性的、移不变辽宁科技大学本科生 毕业设计 (论文 ) 第 13 页 的算子，它的传输函数在频域空间的点是零，因此拉普拉斯算子滤波过的图像具有零的平均灰度。 最后用二值化处理后所产生闭合的连通的轮廓，消除了所有的内部点。 高斯一拉普拉斯算子通常具有如下形式 : 2222 2 21( ) (1 ) e x p ( )22rrGr        () 式中，。