基于模板匹配的模糊数字识别研究毕业设计论文(编辑修改稿)

基于模板匹配的模糊数字识别研究毕业设计论文(编辑修改稿)内容摘要：

的模糊数字识别方法，以期提高视频监控效果，更好地维护社会治安和人民生命财产安全 第二章， 节主要讲述模糊数字识别模糊数字图像收集， 节模糊数字图像频谱分析特点分析和灰度直方图分析，了解不同模糊程度不同数字的特点。 阐述了通过收集的模糊图像制作不同模糊程度模糊模板的过程， 节讲述匹配识别前待识别模糊数字图像处理方法。 第三章， 节修改模板库。 节主要讲改进匹配算法，算法流程，算法实现，算法仿真。 第二章 基于模板匹配的模糊数字识别 模糊图像收集 图 、 是收集到的不同程度的模糊数字图像： 图 图 收集的数字图像中有由于运动模糊的图像，如图 ；有由于远距离拍摄产生的模糊图像，如图 ，收集不同程度的车牌模糊数字图像，为后续模糊数字图像的制作，模糊数字模板库制作提供素材。 模糊数字图像特点分析 通过对场外车牌数字的拍摄，制作不同模糊程度数字。 如下是我收集到的车牌数字模糊图像： 图 为清晰化的车牌数字： 图 通过截图获取单个清晰化的数字模板，如图 ： 图 2.. 通过制作清晰化的车牌数字图像，为模糊数字图像分析提供借鉴，与模糊数字图像形成对比。 也为后续改进模板匹配算法提供良好的素材 将图 转化为灰度图像，可以利用 MATLAB 里的自带的灰度转换函数将其转化。 效果如图：如图 ： 图 将图 的图像通过对其做傅里叶变换，得到不同数字图像频谱图，如图 ： 图 图。 将标准清晰度 图像得到其灰度图，如图 ： 图 图 的清晰数字直方图与下面的模糊数字图像直方图形成对比，更好的看出模糊数字图像的特点，方便匹配预处理时模糊数字图像的清晰化 由于户外模糊数字图像不好拍摄，下面用的是通过 PHOTOSHOP 模拟户外拍摄条件的改变制作了下列轻微模糊数字图像，如图 ： 图 将图 的模糊数字图像进行傅里叶变换得到表面轻微模糊的数字图像频谱图，如图 ： 图 图 的灰度直方图如图 ： 图 对图 的数字图像进一步模糊得到严重模糊的数字图像，如图 所示： 图 对图 的数字图像进行傅里叶变换，如图： ： 图 的数字模糊图像的灰度直方图如图 ： 图 图 小结 通过上面各种模糊数字图像的频谱分析、灰度直方图分析发现，他们的频谱图、灰度直方图都是各不相同，各有各的特点。 数字一：其傅里叶频谱是一个非常清晰的十字图；数字 2 除了清晰的十字架外还多了倾斜的一小模糊线和中心点的清晰小椭圆；数字三有清晰的十字架和中心圆的高清亮点；数字 4 十字架不是很清晰尤其是垂直方向，中心高清不成形圆和倾斜的小亮线；数字 5 清晰十字架，水平方向多了一条平衡亮线；数字 6 垂直亮线十分清晰，水平亮线则显得有点模糊；数字 7 垂直亮线虽然清晰但粗糙，以数字 6 细小的亮线形成对比；数字 8 水平亮线十分清晰而垂直亮线模糊；数字 9 的唯一特点就是俩条相互垂直的垂直亮线；数字 0垂直、水平线都是模糊不清的。 建立不同模糊程度的数字模板 通过读取图像，对读取的图像进行处理。 二值化 图像二值化（ binary image），就是将图像上的像素点的灰度值设置为 0或 255，也就是将整个图像呈现出明显的黑白效果。 将 256 个亮度等级的 灰度图像 通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。 在 数字图像处理 中，二值图像占有非常重要的地位，首先，二值化的图像有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。 其次，要进行二值图像的处理与分析，首先要把 灰度图像 二值化，得到二值化图像。 所有灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为 255 表示，否则这些像素点被排除在物体区域以外，灰度值为 0，表示背景或者例外的物体区域。 本文采用的是自适应阈值二值化方法，使用迭 代法求出灰度阀值，高于该阀值灰度设为 255，低于该阀值灰度设为 0。 方法 1：迭代法是基于逼近的思想 ,其步骤如下 : (1) 求 出 图 象的 最 大 灰度值 和最 小 灰度 值 ,分别记为 Rmax 和 Rmin,令阈值  =(Rmax+Rmin)/2。 (2)根据阈值 将图象的平均灰度值分成两组 R1 和 R2。 (3)分别求出两组的平均灰度值μ 1 和μ 2。 (4)求出新阈值 =(μ 1+μ 2)/2。 是二值化后输出的图像，通过阀值（设为 ）来二值化图像的公式为      时，当 时，当  yxf yxfyxf ,1 ,0, 公式 21 其效果如图 ，图 : 图 （待识别字符图片） 图 （二值化图片） 但待识别数字不是很清晰情况下，此方法不在适用，如图 ： 图 左图为待处理图像，右图为处理后图像 方法 2： 利用 MATALAB 自带的函数中的最大类间方差法找到适合阀值。 在使用 im2bw函数将灰度图像转换为二值图像时， 需要设定一个阈值。 这个函数可以帮助我们获得一个合适的阈值， 利用这个阈值通常比人为设定的阈值能更好地把一张灰度图像转换为二值图像。 调用格式为： [level EM] = graythresh(I) 处理效果如图 ： 图 二值化后图像 再对二值化的图像进行去噪，本文采用低通滤波来进行。 低通的数学表达式如下式所示 :      vuHvuFvuG ,  （ 22） 式中 F（ u,v） 一含有噪声的原图像的傅立叶变换。 H(u,v)一为传递函数，也称转移函数（即低通滤波器）。 G(u,v)一为经低通滤波后输出图像的傅立叶变换。 H 滤波滤去高频成分，而低频信息基本无损失地通过。 滤波后，经傅立叶变换反变换可得平滑图像。 去噪 图像在生成和传输过程中常常因受到各种噪声的干扰和影响而使图像降质，这对后续图像的处理 (如分割、压缩和图像理解等 )将产生不利影响。 噪声种类很多，如：电噪声、机械噪声、信道噪声和其他噪声。 在图像处理中，图像去噪是一个永恒的主题，为了抑制噪声，改善图像质量，便于更高层次的处理，必须对图像进行去噪预处理。 本文是根据噪声能量一般集中于高频而图像频谱则分布于一个有限区间的这一特点，采用低通滤波方式来进行去噪。 低通滤波是频率域滤波的一种，频率域滤波是将图像从空间或时间域转换到频率域，再利用变换系数反映某些图像特征的性质进行图像滤波的方法。 傅立叶变换是一种常用的变换。 在傅立叶变换域，频谱的直流分量正比于图像的平均亮度，噪声对应于频率较高的区域，图像实体位于频率较低的区域。 图像在变换具有的这些内在特性可被用于图像滤波。 可以构造一个低通滤波器，使低频分量顺利通过而有效地阻于高频分量，即可滤除图像的噪声，再经过反变换来取 得平滑的图像。 建立模板 本文在在建立 标准的字符模板库时需要手动将样本输入，建立临时标准的字符模板库，然后保存，这就需要在之前已经有模板样本，进行必要的样本训练。 样本训练的过程也是提取样本图像字符的特征值的过程，方便之后匹配时使用。 匹配识别预处理 在进行匹配识别之前要先对待识别图像进行预处理，其中包括：灰度化、清晰化、倾斜调整、二值化、大小调整（调整成与模板大小一致） 灰度化 基于所研究的课题主要针对灰度图像，而摄像机拍摄到的图像都是彩色，需要将待识别的图像转化为灰度图像。 在这可以利用 MAYLAB 里自带的函数 rgb2gray 将其进行转换，这不影响后面的图像识别。 清晰化 要处理的图像是模糊图像，需要的匹配识别之前将模糊的数字图像进行清晰化处理。 不同模糊数字图像处理的步骤都不一致， 从下面几方面入手： 运动模糊处理 在空间域，图像特征不明显，不容易找出可用于识别运动模糊尺度的量。 因此，需要将图像以某种形式转换到另外一些空间。 对于不带噪声的匀速直线运动模糊图像，可以通过傅里叶变换将其转换到频率域再寻找图像特征。 在频谱图中，呈 现出亮暗相间的平行线条纹，这些条纹的方向与运动模糊方向垂直，而间距则与运动模糊尺度有关系。 运动模糊角度识别 ： 为了把任意方向的匀速直线运动的模糊情况转化为水平方向，就需要识别出运动模糊角度，这就可以利用 Rodon 变换实现。 图像的 Rodon 表换即图像 I(x,y)在角度为 、与原点的距离为 （ =xcos( )+ysin( )）的直线上的投影。 Radon 变换的定义： R（ , ） = （ 23） 对于数字图像， ，通过 Radon变换可计算其在某一指定角度射线方向上的线积分。 比如角度在 ～ 变化时，则可通过 Radon变换计算出这个角度范围内沿着每一个角度射线方向的投影值。 由于匀速直线运动模糊图像的频谱图中沿条 纹方向的线积分值最大，所以最大投影值对应的角度即为运动模糊角度。 频率域特征提取 ： 在匀速直线运动模糊图像的频谱图中平行暗条纹是等间距分布的，它们之间的距离与运动模糊尺度有关，所以，这个距离可以作为识别运动模糊尺度的特征，但间距不容易精确测定，这个问题可以利用频谱图中的幅度和来解决。 以水平方向匀速直线运动模糊图像为例 (以下相同 )，在其频谱图中，平行暗条纹是竖直方向的，将频谱图中的幅度 (这里的幅度指的是取对数之后的幅度，以下相同 )逐列相加，得到一行值，这就得到了可以使用的一组图像特征。 为了提高训练和辨识精度，只需要对频谱图中央区域计算幅度和。 因为周围区域的频谱幅度接近零值，而这些区域会给网 络训练和参数辨识带来一定误差，因此计算每列幅度和不需要考虑这些区域，同时还可以降低相应的网络训练和参数辨识的计算量，从而提高网络训练和参数辨识的速度。 数据归一化 竖直方向幅度求和后，得到一组图像特征，但各组特征中的数据差别比较大，这就有可能导致识别结果不准确。 为了改善这一状况，需要对数据进行归一化处理。 数据归一化是神经网络预测前对数据常做的一种处理方法。 数据归一化处理把所有数据都转化为 [o， 1]内的数，其目的是取消各维数据间数量级的差别，从而避免因为输入输出数据数量级差别较大而造成的较大网络预测误差。 数据归一化的方法主要有以下 2 种。 (1) 最大最小法。 函数形式如下： =( )/( ) (24) 式中， 为数据序列中的最小数； 为序列中的最大数。 (2) 平均数方差法。 函数形式如下： (25) 式中， 为数据序列的均值， 为数。