車牌識(shí)別圖像預(yù)處

車牌識(shí)別圖像預(yù)處理當(dāng)今隨著汽車數(shù)量日益增加，城市交通狀況也相應(yīng)地受到人們的重視，如何進(jìn)行有效的交通管理更是成為了人們關(guān)注的焦點(diǎn)。MATLAB是一種高效的工程計(jì)算語言，它是一個(gè)比較完整的數(shù)據(jù)庫系統(tǒng)，在數(shù)據(jù)處理、圖像處理、神經(jīng)網(wǎng)絡(luò)、小波分析等方面都有廣泛的應(yīng)用。預(yù)處理目的圖像預(yù)處理實(shí)際上就是為準(zhǔn)確地分割圖像做好準(zhǔn)備。系統(tǒng)接受的是8位（256級）的灰度圖，因?yàn)閷?shí)際應(yīng)用中，在圖像的處理、存儲(chǔ)和傳輸方面，8位的灰度圖要比24位的真彩圖更容易實(shí)現(xiàn)；并且灰度圖的處理結(jié)果也足以令人滿意。彩色圖像包含了大量的顏色信息，對系統(tǒng)的存儲(chǔ)與處理能力要求比較高，且存在色差。車牌圖像預(yù)處理對于車牌圖像的預(yù)處理主要可以分為以下三個(gè)組成部分：A、圖像增強(qiáng)；B、邊緣檢測、二值化；C、形態(tài)學(xué)濾波；圖像增強(qiáng)定義：為了改善圖像的視覺效果，針對給定圖像的應(yīng)用場合，有目的地強(qiáng)調(diào)圖像的整體或局部特性，將原來不清晰的圖像變得清晰或強(qiáng)調(diào)某些感興趣的特征，擴(kuò)大圖像中不同物體特征之間的差別，抑制不感興趣的特征，使之改善圖像質(zhì)量、豐富信息量，加強(qiáng)圖像判讀和識(shí)別效果，滿足某些特殊分析的需要。優(yōu)點(diǎn)：有利于對圖像中目標(biāo)的識(shí)別、跟蹤和理解。

圖像增強(qiáng)對于我們所研究的車牌圖像預(yù)處理中圖像增強(qiáng)處理主要包括以下四個(gè)方面：a：灰度變換；b：中值濾波；c：直方圖均衡化；d：均值濾波。圖像增強(qiáng)—灰度變換灰度級變換(點(diǎn)運(yùn)算)的定義：1、對于輸入圖象f(x，y)，灰度級變換T將產(chǎn)生一個(gè)輸出圖像g(x，y)，且g(x，y)的每一個(gè)像素值都是由f(x，y)的對應(yīng)輸入像素點(diǎn)的值決定的，所以可得到g(x，y)=T(f(x，y))。

2、對于原圖象f(x，y)和灰度值變換函數(shù)T(f(x，y))，由于灰度值總是有限個(gè)(如：O～255)，非幾何變換可定義為：R=T(r)，其LlJR、r（O．255）。圖像增強(qiáng)—灰度變換灰度級變換的實(shí)現(xiàn)：

R=T(r)定義了輸入像素值與輸出像素之間的映射關(guān)系，通常通過查表來實(shí)現(xiàn)，其主要實(shí)現(xiàn)方式有：1、圖象求反；2、對比度拉伸；

3、動(dòng)態(tài)范圍壓縮；4、灰度級切片。圖像增強(qiáng)—中值濾波定義：設(shè)有一個(gè)一維序列f1,f2,…，fn，取窗口長度為m(m為奇數(shù))，對此序列進(jìn)行中值濾波，就是從輸入序列中相繼抽出m個(gè)數(shù)，fi-v，…，fi-1，…，f1，…，fi+1，…，fi+v，其中i為窗口的中心位置，v=(m-1)/2，再將這m個(gè)點(diǎn)按其數(shù)值大小排列，取其序號(hào)為正中間的那作為輸出。用數(shù)學(xué)公式表示為:yi=med{fi-v，…，f1，…，fi+v}，i屬于z且v=(m-1)/2。對于二維序列{Xij}進(jìn)行中值濾波時(shí)，濾波窗口也是二維的，但這種二維窗口可以有各種不同的形狀，如線狀、方形、圓形、十字形、圓環(huán)形等。二維數(shù)據(jù)的中值濾波可以表示為：基本原理：把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替。圖像增強(qiáng)—中值濾波利用中值濾波函數(shù)去除圖像中的噪聲過程如下：（1）使用imread()讀入原始的彩色圖像。（2）因?yàn)槭褂弥兄禐V波器只能對灰度圖像進(jìn)行處理，所以利用rgb2gray()將彩色圖像轉(zhuǎn)化為灰度圖像。（3）用imnoise()在灰度圖像中加入椒鹽噪聲。（4）利用medfilt2()函數(shù)進(jìn)行中值濾波,并在matlab環(huán)境下運(yùn)行。相應(yīng)的MATLAB主程序如下：f=imread('C:\Users\AUSU\Desktop\學(xué)習(xí)\數(shù)字圖像處理\2.jpg');t=rgb2gray(f);p1=imnoise(t,'salt&pepper',0.02);p2=medfilt2(p1);subplot(2,2,1);imshow(f);title('原始圖像');subplot(2,2,2);imshow(t);title('灰度圖像');subplot(2,2,3);imshow(p1);title('加入噪聲后圖像');subplot(2,2,4);imshow(p2);title('中值濾波后圖像');圖像增強(qiáng)—中值濾波右圖為MATLAB中所運(yùn)行出來的結(jié)果，從圖中我們可以看出經(jīng)過先加入椒鹽噪聲后，再對其進(jìn)行中值濾波，使得圖像看起來比原圖像更突出，更明顯。圖像增強(qiáng)—直方圖均衡化直方圖均衡化是圖像處理領(lǐng)域中利用圖像直方圖對對比度進(jìn)行調(diào)整的方法。對與一個(gè)灰度圖像，讓表示灰度出現(xiàn)的次數(shù)，這樣圖像中灰度為的像素的出現(xiàn)概率是:,

L是圖像中所有的灰度數(shù),n是圖像中所有的像素?cái)?shù),p實(shí)際上是圖像的直方圖，歸一化到。把c作為對應(yīng)于p的累計(jì)概率函數(shù),定義為：

C是圖像的累計(jì)歸一化直方圖。圖像增強(qiáng)—直方圖均衡化直方圖均衡處理的matlab編程如下：f=imread('C:\Users\AUSU\Desktop\學(xué)習(xí)\數(shù)字圖像處理\2.jpg');[m,n]=size(f);num=m*n;r=zeros(1,256);e=zeros(1,256);d=zeros(size(f));fori=1:mforj=1:nr(f(i,j)+1)=r(f(i,j)+1)+1;%原圖像概率密度

endend

r=r./num;fori=1:mforj=1:i

e(i)=e(i)+r(j);%累積分布end

end

fori=1:256

e(i)=floor(e(i)*255+0.5);%映射關(guān)系

end

fori=1:mforj=1:n

d(i,j)=e(f(i,j)+1);

endend

p=uint8(f);q=uint8(d);

subplot(121),imshow(p),title('原始圖像');

subplot(122),imshow(q),title('直方圖均衡化圖像');圖像增強(qiáng)—直方圖均衡化下圖為直方圖均衡化后的情況圖像增強(qiáng)—均值濾波均值濾波是一種基本的基于圖像局部統(tǒng)計(jì)信息對圖像進(jìn)行濾波的方法，其應(yīng)用廣泛。設(shè)f（i，j）為給定的含有噪聲的圖像，經(jīng)過鄰域平均法處理后的圖像為g（i，j），則g（i，j）=∑f（i，j）/N，（i，j）∈M，M是所取鄰域內(nèi)各鄰近像素的坐標(biāo)，N是鄰域中所包含的臨近像素個(gè)數(shù)。均值濾波與中值濾波的比較（1）均值濾波對高斯噪聲的抑制是比較好的,處理后的圖像邊緣模糊較少。但對椒鹽噪聲的影響不大,因?yàn)樵谙魅踉肼暤耐瑫r(shí)整幅圖像內(nèi)容總體也變得模糊，其噪聲仍然存在。（2）對于中值濾波,由圖像處理的結(jié)果可以看出,它只影響了圖像的基本信息,說明中值濾波對高斯噪聲的抑制效果不明顯。這是因?yàn)楦咚乖肼暿褂秒S機(jī)大小的幅值污染所有的點(diǎn),因此無論怎樣進(jìn)行數(shù)據(jù)選擇,得到的始終還是被污染的值。其中中值濾波對去除“椒鹽”噪聲可以起到很好的效果,因?yàn)榻符}噪聲只在畫面中的部分點(diǎn)上隨機(jī)出現(xiàn),所以根據(jù)中值濾波原理可知,通過數(shù)據(jù)排序的方法,將圖像中未被噪聲污染的點(diǎn)代替噪聲點(diǎn)的值的概率比較大,因此噪聲的抑制效果很好,同時(shí)畫面的輪廓依然比較清晰。由此看來，對于椒鹽噪聲密度較小時(shí),尤其是孤立噪聲點(diǎn),用中值濾波的效果非常好的。（3）均值濾波對高斯噪聲有較好的抑制作用，而對于椒鹽噪聲的處理中值濾波要略微有優(yōu)勢。邊緣檢測邊緣粗略分為階躍、屋頂和脈沖狀三種。階躍狀邊緣位于兩邊的像素灰度值有明顯不同的地方；屋頂狀邊緣位于灰度值從增加到減少的轉(zhuǎn)折處。邊緣檢測是圖像處理和計(jì)算機(jī)視覺中的基本問題，邊緣檢測的目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。這些包括：（i）深度上的不連續(xù)；（ii）表面方向不連續(xù)；（iii）物質(zhì)屬性變化；（iv）場景照明變化。邊緣檢測是圖像處理和計(jì)算機(jī)視覺中，尤其是特征提取中的一個(gè)研究領(lǐng)域。邊緣檢測邊緣檢測的方法主要有以下四種：roberts算子、prewitt算法、sobel算子、laplace算子以及canny檢測算子等等，通過對原圖像進(jìn)行邊緣檢測，從而對車牌圖像中的重要信息進(jìn)行提取，并準(zhǔn)確分析圖像的紋理，因而我們采用是邊緣輪廓比較清晰的圖像，以便對其處理顯得更醒目。邊緣檢測--編程實(shí)現(xiàn)f=imread('C:\Users\AUSU\Desktop\學(xué)習(xí)\數(shù)字圖像處理\2.jpg');I=rgb2gray(f);BW_sobel=edge(I,'sobel');BW_prewitt=edge(I,'prewitt');BW_roberts=edge(I,'roberts');BW_laplace=edge(I,'log');BW_canny=edge(I,'canny');figure(1);subplot(2,3,1),imshow(I),xlabel('原始圖像');subplot(2,3,2),imshow(BW_sobel),xlabel('sobel檢測');subplot(2,3,3),imshow(BW_prewitt),xlabel('prewitt檢測');subplot(2,3,4),imshow(BW_roberts),xlabel('roberts檢測');subplot(2,3,5),imshow(BW_laplace),xlabel('laplace檢測');subplot(2,3,6),imshow(BW_canny),xlabel('canny檢測');邊緣檢測--編程實(shí)現(xiàn)從右圖可以看出，將車牌經(jīng)sobel、prewitt、roberts、laplace以及canny算子進(jìn)行檢測后，很明顯地提取了圖像中的重要信息。同時(shí)我們也發(fā)現(xiàn)經(jīng)過這幾種算子處理后，每一種算子所處理后的圖像都不一樣?？偟膩碇v，canny算子所提取的東西最完整。邊緣檢測--算法比較Roberts算子是利用圖像的兩個(gè)對角線的相鄰像素之差進(jìn)行梯度幅值的檢測，檢測精度比較高，容易丟失一部分邊緣信息，不能抑制噪聲，但該算子對具有陡峭的低噪聲圖像響應(yīng)最好。Prewitt算子和Sobel算子都是對圖像進(jìn)行差分和濾波計(jì)算，圖像會(huì)產(chǎn)生一定的模糊，而且還會(huì)檢測出一些偽邊緣，所以檢測精度比較低，該算子比較適合用于圖像邊緣灰度值比較尖銳且圖像噪聲比較小的情況。Canny算子與LOG相似，易平滑掉一些邊緣信息，但其邊緣定位精度較高。邊緣定位準(zhǔn)確，連續(xù)性較好，虛假邊緣少且邊緣具有單向像素寬度。二值化將256個(gè)亮度等級的灰度圖像通過適當(dāng)?shù)拈撝颠x取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在數(shù)字圖像處理中，二值圖像占有非常重要的地位，首先，圖像的二值化有利于圖像的進(jìn)一步處理，使圖像變得簡單，而且數(shù)據(jù)量減小，能凸顯出感興趣的目標(biāo)的輪廓。其次，要進(jìn)行二值圖像的處理與分析，首先要把灰度圖像二值化，得到二值化圖像。二值化編程如下：f=imread('C:\Users\AUSU\Desktop\學(xué)習(xí)\數(shù)字圖像處理\2.jpg');t=rgb2gray(f);IBW=im2bw(t,graythresh(t));subplot(121),imshow(f),title('原始圖像');subplot(122),imshow(IBW),title('二值化圖像');二值化從右圖可以看出經(jīng)過二值圖像處理過后，它很明顯地凸顯車牌的特征，使得車牌的字符數(shù)字都能夠準(zhǔn)確的提取出來，且?guī)缀鯖]有干擾因素的存在。形態(tài)學(xué)濾波--腐蝕(erosion)膨脹和腐蝕這兩種操作是形態(tài)學(xué)處理的基礎(chǔ)，許多形態(tài)學(xué)算法都是以這兩種運(yùn)算為基礎(chǔ)的。定義：是一種消除邊界點(diǎn)，使邊界向內(nèi)部收縮的過程?？梢杂脕硐∏覠o意義的物體腐蝕的作用：使目標(biāo)收縮，孔洞擴(kuò)大。去除圖像小顆粒噪聲和目標(biāo)之間的粘連。定義腐蝕運(yùn)算為:erosion(A,B)={a|(a+b)∈A,a∈A,b∈B}.形態(tài)學(xué)濾波--腐蝕(erosion)Matlab處理：F=imread('C:\Users\AUSU\Desktop\學(xué)習(xí)\數(shù)字圖像處理\2.jpg');D=imerode(S,se);subplot(3,2,4),imshow(D),title('腐蝕后邊緣圖像');處理后的圖片：形態(tài)學(xué)濾波--腐蝕(erosion)形態(tài)學(xué)濾波--膨脹(dilation)定義：是將與物體接觸的所有背景點(diǎn)合并到該物體中，使邊界向外部擴(kuò)張的過程。可以用來填補(bǔ)物體中的空洞。膨脹的作用：使孔洞收縮，目標(biāo)擴(kuò)大。消除圖像目標(biāo)中的小顆粒噪聲和填補(bǔ)凹陷。

定義膨脹運(yùn)算為：dilation(A,B)={a+b|a∈A,b∈B}。比如：A={(2,8),(3,6),(4,4),(5,6),(6,4),(7,6),(8,8)}B={(0,0),(0,1)}dilation(A,B)={(2,8),(2,9),(3,6),(3,7),(4,4),(4,5),(5,6),(5,7),(6,4),(6,5),(7,6),(7,7),(8,8),(8,9)}形態(tài)學(xué)濾波--腐蝕(erosion)Matlab處理：G=bwareaopen(F,2000);subplot(3,2,6),imshow(G),title('形態(tài)濾波后圖像');形態(tài)學(xué)濾波--開、閉運(yùn)算先腐蝕后膨脹的過程稱為開運(yùn)算。開運(yùn)算通常是在需要去除小顆粒噪聲，以及斷開目標(biāo)物之間粘連時(shí)使用。其主要作用與腐蝕相似，與腐蝕操作相比，具有可以基本保持目標(biāo)原有大小不變的優(yōu)點(diǎn)。先膨脹后腐蝕的過程稱為閉運(yùn)算。用來填充物體內(nèi)細(xì)小空洞、連接鄰近物體、平滑其邊界的同時(shí)并不明顯改變其面積。引入開，閉運(yùn)算的原因：雖然腐蝕處理可以將粘連的目標(biāo)物進(jìn)行分離，膨脹處理可以將斷開的目標(biāo)物進(jìn)行接續(xù)，但同時(shí)都存在一個(gè)問題，就是經(jīng)過腐蝕處理后，目標(biāo)物的面積小于原有面積，而經(jīng)過膨脹處理之后，目標(biāo)物的面積大于原有面積。形態(tài)學(xué)濾波—開、閉運(yùn)算Matlab處理：I=imread('C:\Users\AUSU\Desktop\學(xué)習(xí)\數(shù)字圖像處理\2.jpg');I=imopen(H,strel('rectangle',[5,19]));subplot(4,4,9),imshow(I);xlabel('圖像開運(yùn)算[5,19]');J=imopen(I,strel('rectangle',[19,1]));subplot(4,4,10),imshow(J);xlabel('圖像開運(yùn)算[19,1]')H=imclose(G,strel('rectangle',[5,19]));

subplot(4,4,8)

,imshow(H);xlabel('圖像閉運(yùn)算[5,19]');

形態(tài)學(xué)濾波—開、閉運(yùn)算處理后的圖像：車牌定位及提取I=imread('C:\Users\AUSU\Desktop\學(xué)習(xí)\數(shù)字圖像處理材料\2.jpg');subplot(2,3,1),imshow(I);title('原始圖像');[y,x,z]=size(I);myI=double(I);Blue_y=zeros(y,1);fori=1:yforj=1:xif(((myI(i,j,1)<=55)&&(myI(i,j,1)>=0))&&((myI(i,j,2)<=100)&&(myI(i,j,2)>=30))&&...((myI(i,j,3)<=200)&&(myI(i,j,3)>=90)))%藍(lán)色RGB的顏色范圍

Blue_y(i,1)=Blue_y(i,1)+1;%藍(lán)色像素點(diǎn)統(tǒng)計(jì)

endendend[tempMaxY]=max(Blue_y);%Y方向車牌區(qū)域確定PY1=MaxY;while((Blue_y(PY1,1)>=5)&&(PY1>1))PY1=PY1-1;endPY2=MaxY;while((Blue_y(PY2,1)>=5)&&(PY2<y))PY2=PY2+1;endIY=I(PY1:PY2,:,:);subplot(2,3,2),plot(Blue_y);gridtitle('Y方向統(tǒng)計(jì)')subplot(2,3,4),imshow(IY);title('Y方向車牌區(qū)域確定')%X方向統(tǒng)計(jì)Blue_x=zeros(1,x);%進(jìn)一步確定X方向的車牌區(qū)域forj=1:xfori=PY1:PY2if((myI(i,j,1)<=55)&&myI(i,j,1)>=0&&((myI(i,j,2)<=100)&&(myI(i,j,2)>=30))&&...((myI(i,j,3)<=200)&&(myI(i,j,3)>=90)))Blue_x(1,j)=Blue_