字符图像识别系统的预处理算法设计与实现__毕业设计论文(编辑修改稿)

字符图像识别系统的预处理算法设计与实现__毕业设计论文(编辑修改稿)内容摘要：

有一定的缺点和不足 ， 如果对于所有彩色图像都采用该方法来进行灰度化 ，同样不能满足系统的要求 ， 因为现实环境中的彩色图像应用的领域不同 ， 其对图像灰度化的质量也会有不同的要求。 （ 2） 取最大值法。 最大值法的原理是选取每一个像素点的所有分量中最大的分量来代替该像素点 ， 从而达到图像灰度化的目的。 这种方法同样比较简单 ， 没有复杂的计算过程 ， 因此可以在较短的时间内就可以得到彩色图像的灰度化图像。 （ 3） 平均值法。 由于彩色图像每一个像素点都同时有几个不同的分量 ， 因此平均值法的原理是将每一个像素点的所有分量的平均值作为当前像素点的像素值。 例如在 RGB色彩空间 ， 每一个像素点都包含 R、 G、 B三分量 ， 利用 R、 G、 B三分量的平均值来替代该像素。 该方法是一种简单的灰度化方法 ， 整个过程无需复杂的计算。 （ 4） 加权平均值法。 根据三个分量的重要性及其它指标，将三个分量以不同的权值进行加权平均运算。 由 于人眼对绿色的敏感度高，对蓝色的敏感度低，故可以按照不同的权值对 RGB 三个分量进行加权平均运算能得到比较合理的灰度图像。 图像增强 很多由于场景条件的影响图像拍摄的质量不佳或者干扰噪音较多 ， 这就需要图像增强技术来改善图像的视觉效果。 图像增强其目的主要是通过对图像进行一定的变换处理去除一些无关紧要的信息同时增强有用信息 ， 比如突出 图像 中车牌的某些特点、从数字图像中提取目标物的特征参数或者忽略一些不关紧要图像信息等等 ， 经过增强后的图像将会具有更好的视觉效果 ， 同时更有利于提取相关信息。 本文前部已经提到 ， 利用图像获取设备得到的 图像 并不是完全理想的图像 ， 实际应用中的图像都受到了不同程度的干扰 ， 因此将会对提取图像中的重要信息带来不利影响。 这样的影响如果太大 ， 将会影响人和机器对图像的理解 ， 将会降低整个系统的识别率和准确率。 有学者曾提出应该根据 图像 受到的噪音和 9 干扰提出一个干扰数学模型 ， 这样就可以将外部环境对 图像 的影响通过数学表达式的方式参与到整个系统的计算当中 ， 但是在绝大多数情况下 ， 外部环境的噪音和干扰具有极大的随机性 ， 因此到目前为止还未能提出专门的噪音干扰的数学模型。 人们通常情况下是通过自身的经验来对图像的噪音进行过滤。 例如由于拍摄环境的原因使得拍摄的 图像 模糊或者重要细节丢失等等不利于整个系统的干扰产生 ， 这样的情况下可以使用一些常用的数字图像 操作例如图像对比度增强或者图像平滑等等来尽量过滤影响系统的噪音。 此外 ， 拍摄图像的物理设备也可能会差生一定的噪音 ， 由于这样的设备在使用一段时间后可能会出现部分零部件的老化等等使得拍摄图像的质量下降等等 ， 拍摄到的图像会受到各种各样的噪音的影响和干扰 ， 因此尽可能多的去除图像中的干扰是有必要的 ， 下面是 一些数字图像中经常使用的一些图像增强方法。 灰度变换 灰度变换是基本的图像点运算，是图像增强处理中的一种非常基础空间域图像处理方法。 灰度变换是指根据某种目标条件按照一定的变换关系去逐点改变原图像中每一个像 素灰度值，目的是为了改善画质，以便让图像的显示效果更佳清晰 ， 因此灰度变换还被称为图像的对比增强。 经过灰度变换后的图像动态范围变大，对比度会增强，图像会变得更加清晰，特征也更加明显。 灰度变换主要利用点运算来改变图像像素点的灰度值，不改变图像内的空间关系，除了根据某种特定的变换函数进行变换之外，灰度变换可以认为是对像素进行简单的复制。 灰度变换的表达式为： )],([),( yxfTyxg  (1) 其中函数 T是灰度变换函 数，它定义了输入图像灰度和输出图像灰度之间的变换条件。 所以如果灰度函数确定了，那么灰度变换就被完全确定。 灰度变换的方法有很多种，比如图像灰度求反、灰度拉伸、灰度切分、灰度动态范围调整及灰度级修正等等。 以上几种方法对图像的处理效果各不相同，但是它们处理过程中都必须用到点运算。 点运算通常可以分为线性变换、分段线性变换以及非线性变换这三大类。 （ 1） 线性变换 假定输入图像 f(x， y)的灰度值范围为 [a， b]，变换后的输出图像 g(x， y)的灰度值范围扩展至 [c， d] ，则对于图像的任一点的灰度值 (x， y) ，其表达式如 下所示：cayxfyxg ab cd   ]),([),( (2) 若原图像大部分像素的灰度级在区间 [a， b]内， max f 为原图像灰度最大值，只有个别 10 部 分 的 灰 度 级 不 在 区 间 内 ， 则 为 了 改 善 图 像 增 强 效 果 ， 可 以 令 ： fyxfbdbyxfacayxfayxfocyxg ab cdm a x),(,),(]),([),(),( (3) 因此线性变换适合那些曝光不足或过度的图像，它们的灰度可能会分布在一个很小的范围内，这时得到的图像是一个比较模糊、没 有灰度层次的图像。 采用上述线性变换对图像的每一个像素进行灰度作线性拉伸，将会有效的 增 强图像的质量。 （ 2） 分段线性变换 分段线性变换与线性变换类似，区别是为了突出图像中感兴趣的灰度区间，相对抑制不需要的灰度区间，可以进行分段线性变换，它对图像灰度区间进行两至多段的分段。 进行变换时，把 0255 灰度值区间分为几个线段，每一线段都对应一个线性变换函数。 （ 3） 非线性变换 非线性变换顾名思义就是利用非线性变换函数对图像进行变换，分为指数变换和对数变换。 指数变换，就是指输出图像像素点的灰度值与输入图像灰度值之间是 指数关系，其一般公式为： y)f(x,),( byxg  (4) 对数变换 也就 是指输出图像像素点的灰度值与输入图像的灰度值之间 呈现出 对数关系，其一般公式为： )],(lg[),( yxfyxg  (5) 可见指数变换对于高灰度区间的扩展度要远远高于低灰度的区间，所以指数灰度变换一 般适用于过亮的图像。 与指数变换相反，对数变换对于低灰度区间扩展度较大，所以一般用来对过亮的图像进行 处理。 直方图变换 （ 1） 直方图 介绍 图像的灰度直方图是反映图像的像素灰度级与这种灰度级出现的概率之间的相对关系的图形。 通常灰度级为 [0， L1]范围的图像直方图则是离散函数 h( kr )= kn ， kr 是第 k 级灰度， kn 是图像灰度级 =kr 的像素个数 [13]。 求灰度直方图的方法就是拿图像中像素数目的总和 n 去除图像的每一个像素灰度值，表达式如下： nnrP kk /)(  k=0， 1， 2， ... (6) 11 从以上表述可以总结出直方图主要有以下几个特点： 直方图中没有图像的位置信息。 直方图仅仅反应了图像的灰度分布，和灰度所在的位置没有丝毫关系，因此不同的图像也可能具有相同的直方图。 直方图反应了图像整体 的灰度范围。 直方图反应了图像整体灰度分布，对于较暗的图像，直方图集中在灰度级低一侧，相反，较亮图像的直方图则集中于灰度级较高的一侧。 直方图具有可叠加性。 图像的直方图等于它各个分部直方图的和。 直方图具有统计特性。 从定义可知，连续图像的直方图是连续函数，它具有统计特征。 （ 2） 直方图均衡化 如果图像的视觉效果差或者人们特殊需要，常常需要对图像的灰度级进行修正，即对图像的直方图进行转换。 直方图均衡化是图像处理中较常用的方法之一。 直方图均衡化首选要先进行直方图修正，即把原图像的直方图利用灰度变换函数修正为均匀分布，然后再进行直方图均衡化。 它以概率论为理论基础，运用灰度点运算实现直方图的变化，从而达到图像处理的目的。 直方图的变换函数取决于直方图的累积分布函数。 简单的说即把已知灰度值概率分布的图像经过一种变换，让它成为一个灰度值概率均匀分布的新图像。 比如有些图像在低灰度区间的分布频率较大，使较暗地方的 细节边缘比较模糊，此时我们可以进行直方图均衡化将图像的灰度范围均匀分布。 而当图像的直方图分布为均匀分布时，此时图像包含的信息量最多，看起来就越清晰。 另外由于直方图是只是近似的概率函数，直接变换求直方图很少能得到完全平坦的分布，而且变换后会出现灰度级减少的现象即“简并”。 由于以上原因， 我们也要进行直方图均衡化，以改善图像灰度的动态范围。 图像 平滑去噪 灰度变换和直方图修正都可以对图像进行简单的预处理，然而这些预处理仅限于图像没有受到污染，即没有因为各种原因产生噪声或收到不规则破坏，此时灰度变换和直方 图就不能达到我们预期的效果了，对于图像的复杂处理就必须采用平滑 去 噪方法。 图像噪 声 （ 1） 噪声基本介绍 噪声就是妨碍人们感觉器官对所收到的图像信息进行准确理解的因素，噪声的种类很多，比如电子噪声、机械噪声、信道噪声以及其他噪声，噪声对图像信号和相位的影响很大，有些噪声和图像信号不相关，有些却相关。 图像在生成和传输过程当中常常会受到各 12 种噪声的干扰和破坏而使图像失去原来的本色，这将对后续图像的处理比如图像分割、压缩、图像理解等产生不好的影响。 上面这幅图片就是受到噪声污染后的图像，可以看出图像的质量 与我们所预想的差别很大。 因此，对于图像处理来说，图像去噪是必不可少的预处理操作，为了抑制和消减噪声，改善图像的质量，以便于做进一步的处理，对图像进行去噪预处理是首要的步骤。 人们根据图像的实际特点、噪声的统计特点、频谱的分布规律等等，发展了各式各样的减噪方法。 图像的去噪方法种类很多，依据的原理也各不相同，其中比较常用的就是图像平滑去噪方法。 （ 2） 图像噪声模型 数字图像的噪声一般源自于将图像数字化和传输的过程。 在这过程中因受到环境条件的影响及设备的性能质量原因，使得图像必不可免的产生噪声。 下面介绍几种常见的比 较重要的噪声： 均匀分布噪声。 均匀分布噪声是指原图像中每个像素点等概率产生的噪声。 均匀噪声的概率密度及其期望值和方差如下式所示： (7) 高斯噪声。 高斯噪声被称为正态噪声，其噪声的概率密度如下式所示： (8) 式中， z 代表图像的灰度值， 代表 z 的期望值， 代表 z 的标准差。 由于高斯噪声在实 际图像中很常见，且在数学上处理相对比较容易，使高斯噪声模型应用比较广泛。 椒盐噪声。 椒盐噪声也叫脉冲噪声，它的特点是持续时间小于 秒，间隔时间大于 1 秒。 椒盐噪声作为一种非常典型的图像噪声，对图像质量的处理起着极大的影响。 其噪声的概率密度如式所示： (9) 式中，假设 ba，则图像中灰度值 b 将以 的概率在图中显示为一个亮点即盐粉 13 微粒；灰度值 a 则将以 的概率显示为 一个暗点（胡椒微粒）。 瑞利噪声。 瑞利噪声是服从瑞利分布的噪声。 其概率密度函数如式所示： (10) 伽马噪声。 伽马噪声又称为爱尔兰噪声，其概率密度函数如式所示： (11) (3) 图像平滑去噪 图像平滑去噪（ Smoothing）是一种比较实用的数字图像预处理技术，主要目的是减少图像传输过程中参杂的噪声 [14]。 一种优良的图像平滑方法应该是 既可以消除图像噪声的影响但是又不会让图像的边缘轮廓和线条变得模糊不清。 图像平滑去噪的方法分为两大类，即空域法和频域法。 在空域法里还可以分为两个方面，一类是噪声消除，即先判定这个点是否为噪声点，若是则重新赋值给它，不是就按原值输出；另一类则是平均法，即不一一对噪声点进行清除，而是对整个图像依据某种方法进行平均运算，一般来说这类滤波方法有均值滤波、高斯滤波、维纳滤波等等。 另外空域滤波还可以根据输出图像采用什么线性组合分为线性滤波和非线性滤波，线性滤波就是输出像素是输入像素的邻域像素的线性组合，而非线性滤波则指 的是输出像素是输入像素的邻域像素的非线性组合。 例如我们最常见的空间域滤波方法均值滤波和高斯滤波都属于线性滤波，而空域滤波中的中值滤波属于非线性滤波。 线性平滑滤波在大多数情况下对各种类型的噪声有很好的去除效果。 线性滤波器用连续窗函数内像素加权和来实现平滑滤波。 特别典型的是线性滤波器是空间不变的，这样就可以使用卷积模板来实现滤波。 频域法则是先进行傅里叶变换到频域进行处理然后在反变回空间域还原图像，一般人们采用低通滤波等方法，这和空间域里直接对图像的像素值进行邻域内运算不同 平滑去噪常用方法 图像 的平滑去噪一般分为空域和频域两种方法，本文只介绍空域和频域里。