车牌图像范文

车牌图像范文（精选7篇）

车牌图像 第1篇

汽车牌照自动识别技术是一项利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。通过对图像的采集和处理,完成车牌自动识别功能。

本文应用图像处理对车牌定位、字符分割、模板匹配识别等技术对车牌自动识别系统中的关键技术进行分析和解决。

二、车牌定位

在一张完整的车辆图像中,大部分区域都是背景图像,我们可以将背景区域视为无用区域,设法将其去除,即从复杂的背景图像中准确的定位并分割出车牌区域图像,以便节省系统识别时间,这也是车牌定位的目的及意义所在。车牌定位的过程如图1所示。

首先,对图像做预处理,主要包括图像灰度化、图像增强、二值化。然后,利用不同的算子对车牌图像进行边缘提取,通过检测结果的比较,最终采用了Roberts算子,因其主要适用于垂直和水平边缘的提取。最后,采用数学形态学方法对车牌进行了开闭运算,获得了候选车牌区域。并结合区域特征分析获取车牌的具体位置,从而对车牌进行精确的定位和提取。

1、边缘提取

在车辆图像中,车牌区域含有丰富的字符边缘信息,并且边缘图像在背景图像中较为明显,它能反映图像中车牌的主要特征,是车牌图像分割和识别的直接依据。传统的图像边缘检测大多是从图像的高频分量重提取边缘信息,微分运算时图像边缘检测与提取边缘信息的主要手段。Roberts算子用图像对角线方向相邻两像素差代替梯度,其检测水平方向、垂直方向边缘性要好于斜线方向边缘,并且检测定位精度比较高。检测结果如图2所示。

2、形态学变换

利用数学形态学中的开闭运算对图像处理,得到多个车牌可能区域,然后用多区域判别法在图像的多个车牌可能区域中找到车牌的正确位置。此算法中结构元素大小的选取至关重要。结构元素过大,会使非车牌区域的边缘点粘连在一起,可能的车牌区域增多,给随后的多区域判别算法带来困难;结构元素过小,车牌区域无法粘连在一起,可能使真正的车牌区域不包含在可能车牌区域集合中。本算法中用到了开和闭这两个基本运算,最后还用了bwareaopen来去除对象中不相干的小对象。如图3所示。最终的定位结果如图4所示。

三、字符分割

字符分割的意义在于将定位图像中的数字、字母以及汉字分割为独立的图像。由于识别系统只能对单个字符进行识别,因此经定位处理的车牌图像还不能直接用以识别,需要将车牌图像中的每个字符完整的分割成一个个独立的字符图像,这个过程即为车牌字符分割。字符分割的过程如图5所示。

该方法的计算思想是:首先,对车牌区域图像进行水平投影,确定水平分割线,去除车牌上下边框和铆钉部分,再对水平分割后的车牌区域图像进行垂直投影,确定字符的平均宽度,从而进行分割。实验表明,该方法能够有效去除车牌边框、铆钉、噪声等对车牌字符分割的影响,并且能够准确快速地分割出车牌字符。

1、水平投影分析

对水平投影进行峰谷分析,如图6所示。检测出车牌上边框、车牌字符投影、车牌下边框的波形峰上升点、峰下降点、峰宽、谷宽、峰间距离、峰中心位置参数。确定水平分割线的位置,如图7所示。

2、垂直投影分析

对经过水平切分后的车牌区域图像进行垂直投影,对垂直投影进行峰谷分析,如图8所示。计算出车牌左边框、车牌字符投影、车牌右边框的波峰上升点、波峰下降点、峰宽、谷宽、峰间距离、峰中心位置的参数,获取字符的平均宽度。将平均字符宽度作为分割时的宽度值,切分结果如图9所示。

四、字符识别

车牌字符识别是系统的最后一个步骤,也是最为关键的一步,前面对车牌图像所做的处理都是为了完成最终的识别。系统输入的是单个的字符图像,输出的却是文本格式的完整的车牌号码,车牌字符识别的准确率直接反映出车牌识别系统性能的好坏。字符识别的过程如图10所示。

1、模版匹配识别

模板匹配的主要特点是实现简单,当字符较规整时对字符图像的缺损、污迹干扰适应力强且识别率相当高。综合模板匹配的这些优点我们将其用为车牌字符识别的主要方法。

首先取字符模板,接着依次取待识别字符与模板进行匹配,将其与模板字符求相似度,相似度越大那么就越匹配。把每一幅图像的相似值保存,然后找数值最大的,即为识别出来的结果。识别流程图和结果分别如图11和12所示。

五、结束语

本文在数字图像处理的基础上对车牌自动识别系统进行了研究和分析,在图像增强,去噪及车牌定位分割等方面,结合已有的算法提出了一些新的算法,并通过仿真实验验证这些方法的可行性,能够达到实际应用的要求。

摘要：基于图像的车牌识别是图像识别领域的重要研究课题之一。本论文采用MATLAB编程实现该车牌识别系统,综合使用多种方法提高系统的有效识别能力。首先,对图像进行预处理。其次,采用了一种结合字符边缘和形态学的车牌定位算法。接着,根据分割出的车牌区域,采用一种水平和垂直投影相结合的车牌字符分割法,完成单个字符的分割。最后,运用模板匹配的方法实现字符识别。

关键词：MATLAB,图像处理,车牌定位,字符分割,字符识别

参考文献

[1]Jia W.,et al.Region-based license plate detection[J].Jour-nal of Network and Compuer Applications.2007,30(4):1324-1333.

[2]Zheng Ma,Feng Yang.Vehicle license plate detection basedon projection and mathematical morphology.Circuits Signal and Sys-tems,2005:234-238.

[3]朱秀昌,刘峰,胡栋.数字图像处理与图像通信[M].北京:北京邮电大学出版社,2002:85-91.

[4]许录平.数字图像处理[M].北京:科学出版社,2007:14-17.

[5]盛智.基于边缘检测的车牌图像分割技术[J].自动化技术与应用,2004,23(3):24-26.

[6]Otsu N.A Threshold Selection Method from Gray-LevelHistograms[J].IEEE Transactions,Systems,Man and Cybernetics,1979,9(1):62-66.

[7]李波,曾致远,付祥胜.基于数学形态学和边缘特征的车牌定位算法[J].视频技术应用与工程,2005,(7):94-96

[8]沈庭芝,方子文.数字图像处理及模式识别[M].北京:北京理工大学出版社,1998:169-170.

[9]叶晨洲等.车辆牌照字符识别系统[J].计算机系统应用,1999(5):10-13.

基于图像分解的车牌定位算法 第2篇

近年来在图像处理中提出了一种新的图像表示方法: 卡通- 纹理分解［12 －14］,即将图像表示成卡通成分和纹理成分的叠加。其中卡通部分包含图像的主要结构和慢变成分,而纹理分量包含具有周期变化特性或震荡特性的小尺度细节以及随机噪声等成分。光学车牌图像背景复杂,其中包含了大量小尺度细节,这些小细节会形成与车牌纹理特征相似的区域,影响车牌定位的准确性。为消除图像中背景的影响,本文提出了一种基于图像卡通纹理分解的车牌定位方法,对车牌图像先进行结构纹理分解,将无用的小尺度细节及噪声分离到纹理部分,对含有车牌信息的结构部分做边缘检测与形态学相结合的处理,利用车牌的先验知识定位出车牌区域。对于有一定背景的光学车车牌图像,该算法能有效去除背景中的无用信息,提高车牌定位的准确性。

1基于结构纹理分解的车牌定位

基于对目前常用的车牌定位方法及自然光照条件下车牌的分析,本文车牌定位流程如图1所示。

1. 1图像灰度化

为提高处理效率,本文算法是基于灰度图像而设计的。对彩色车牌图像需要灰度化处理,本文采用一般的灰度化公式

其中,R,G,B分别表示像素点( x,y) 处红,绿,蓝的值, f( x,y) 是其灰度化后的值。

1. 2灰度图像的结构纹理分解

设f ∶ Ω→R是给定的灰度图像,将f分解成u,v两部分

其中,u( x,y) 是图像的结构部分,包含图像的主要结构和慢变部分; v( x,y) 是图像的纹理部分,包含图像的细小纹理和噪声。本文采用Vese和Osher提出的一个易于求解的卡通纹理分解模型［14］

其中,λ,μ 是可调参数,p≥1,v = div( z) 。右边第1项是刻画图像的结构部分,第2项为图像的噪声部分,确保将图像分解为结构部分和纹理部分后能量损失尽可能的小,第3项是对图像的纹理部分的度量。

模型( 3) 的Euler - Lagrange方程

其联合边界条件为

其中,nx,ny是边界∂Ω 上的单位外法向量。用差分格式对式( 4) 进行离散化求解。

为检验模型对不同背景图像的分割效果,文中选取某校园内拍摄的带有不同背景的图像进行检验, 图2给出了一组灰度图像结构纹理的分解结果,图1中参数λ =0. 01,u =0. 01,p =1。证明该方法可以有效地将图像中地面纹理、车标等小尺度细节和噪声分到纹理图,车牌、车灯等大尺度分量分到结构图。在本文实验中取 λ = 0. 15,μ = 1,p = 1,可以达到良好的效果。

1. 3车牌定位

以上实验结果表明,车牌图像的结构纹理分解可以去除背景中比字符小的纹理,但结构图还有散热片、 车灯等较大的类似车牌的干扰信息,为了去除这些因素的干扰,本文采用边缘检测与形态学相结合的方法消除干扰信息,利用车牌的先验知识确定车牌区域。

1. 4边缘检测

图像边缘是图像最基本的特征,车牌区域边缘丰富是车牌的一大特征。常用的边缘检测算子有Canny、 Sobel、Roberts、Prewitt和krisch算子等。经过结构纹理分解得到的结构图含噪声较少,故采用Roberts算子［7］来检测边缘,利用图3( b) 和图像g( x,y) 卷积近似计算对和的偏导数

利用式( 7) 计算( x,y) 点处的梯度值

针对计算所得到的G( x,y) ,设定一个合适的域值T, 如果G( x,y) ≥T,则判断该点为边缘点。取T =0. 05, 通过对图像进行边缘检测得到结果如图4( a) 所示。

1. 5形态学处理

数学形态学方法是分析几何形状和结构的常用方法,其基本思想是利用一个结构算子来探测图像各部分的联系。数学形态学的基本运算有: 腐蚀,膨胀,开启和闭合。利用结构算子B对图像A开运算的定义为

闭运算是开运算的对偶算子

开启的目的是消除细小物体,在纤细处分离物体, 平滑较大物体的边界又不改变其面积。闭合具有填充物体内细小孔洞,连接邻近物体,在不明显改变物体面积的情况下平滑其边界的作用。本文根据车牌的先验知识构造结构算子,对边缘图像进行开运算,消除其中的噪声,然后用闭运算形成连通区域,并移除小的连通区域,再对余下的目标区域作膨胀运算以填充区域内的细小孔洞。结合车牌长宽比的先验知识,开运算结构算子选取3 × 1,闭运算选取8 × 24,膨胀算子选取6 × 2,得到连通区域,如图4( b) 所示。

1. 6提取连通区域和车牌定位

经过形态学处理后的连通区域往往不止一个,需要根据每个连通区域的信息,筛选出最符合条件的区域。对连通区域进行标记,二值图像被分割成一个个连通区域。分析这些连通区域,可以得到一些区域特征,比如长宽比、区域面积。根据我国车牌的特点,所有车牌尺寸均一致的,长宽之比也是一定的,用这个信息对车牌进行精确定位。对图4( b) 所得到的连通区域进行特征提取,我国车牌外轮廓长宽为440 mm × 140 mm,由于拍摄角度的不同和形态学操作的影响, 实验表明车牌长宽比在2. 8 ~4. 5之间,宽度小于图像高度的1/8,得到最终输出结果。图5给出了4组不同图像的最终输出结果。

2数值实验

为说明文中算法的有效性,对在不同光照,不同背景,不同角度,不同焦距拍摄的150张图进行测试,图像大小为640 × 480,定位成功率达97. 3%,具体结果如表1所示。

表1数据表明本文算法对有相对复杂背景,车牌倾斜角较小的图定位有较高的准确率,对车牌倾斜角较大的图有一定的鲁棒性。通过计算发现当车牌倾斜角度过大时,根据车牌的连通区域判断车牌的长宽比的方法已经失真,因而不能准确定位出车牌。利用图像的结构纹理分解将图像中的细小噪声分到纹理图, 进而使去噪效果具有良好的准确性和实用性。

3结束语

车牌定位技术是车牌识别系统的一个重要环节, 本文提出了一种基于图像结构纹理分解的车牌定位算法。通过对相对复杂背景下的车牌图像进行结构纹理分解,将噪声等小尺度细节分到纹理图,车牌字符等大尺寸目标分到结构图。再对结构图进行边缘检测,形态学处理,最后利用车牌的先验知识确定出车区域。 实验结果表明,算法思路简单、准确率较高。

摘要：针对车牌图像背景复杂和定位准确率低的问题,提出基于图像结构纹理分解的车牌定位方法。将图像中的小尺度细节分到纹理图,车牌部分划分到结构图,从而去除噪声,再结合边缘检测和形态学方法对结构图进行车牌定位。结果表明,该方法可以显著提高车牌定位的准确率。

基于图像处理技术的车牌检测系统 第3篇

近年来, 中国经济的快速发展, 人民生活水平继续提高, 私家车的数量越来越多, 公路交通的快速发展造成严重的交通拥堵和交通事故, 传统的手工管理模式已经越来越不能满足对交通控制和安全管理的需求。因此, 新兴的智能交通系统, 成为当前交通管理的主要途径, 这是现代信息智能化的结果。智能交通系统利用先进的计算机技术, 如人、车辆、道路有机地联系在一起, 形成一个有序的系统, 该系统投入使用, 在一定程度上, 改善交通的质量, 保证交通安全, 提高交通效率。

2 车牌识别关键技术

车牌识别系统主要包括图像采集、图像处理、车牌定位、车牌字符分割和车牌字符识别。

2.1 车牌图像采集

CCD相机或摄像机车牌图像通过视频卡输入等。通过计算机处理。

2.2 车牌图像处理

图像处理的车牌车牌输入计算机的主要特点, 方便信息。图像处理主要的图像格式转换、压缩、图像去噪、图像增强等。

2.3 车牌位置

区域定位车牌字符的车牌图像, 这一过程的特点主要是使用许可信息。

2.4 车牌字符分割

为了得到每个字符的许可证信息, 需要定位后的车牌字符分割。

2.5 车牌字符识别

一个车牌字符识别。

目前车牌定位算法, 常用的有:车牌定位, 基于数学形态学的车牌定位基于投影方法, 车牌位置基于纹理分析的字符, 等。车牌字符分割算法主要包括:区域连接方法, 投影分割方法, 基于人工智能算法。最常用的车牌字符识别方法:基于模板匹配和基于人工智能方法。基于人工智能的方法, 包括统计学习方法, 提出神经网络, 等。基于统计学习理论与方法不适合大样本字符识别, 并基于神经网络识别方法是费时。这种方法需要提取字符的特征来训练神经网络, 然后识别字符, 可以识别的传统BP神经网络通常是基于神经网络的识别方法。

3 基于图像处理的车牌识别系统

数字图像处理起源于1920年代, 人们每天看到图像可以用数学模型表达的f (x, y) 。在现实生活中, 事情可以反射光, 通过测量光的反射的物体, 可以看到图像的目标对象。计算机只能处理数字图像, 所以获得的图像采集设备必须通过一个离散的治疗和量化。利用数字图像处理技术来解决汽车车牌识别首次在1980年代, 主要过程是射击, 收集车牌图像分析自动提取有效信息, 确定汽车车牌号码。本文把基于图像处理技术的车牌识别系统的原理框图如图1所示。

3.1 图像采集

汽车包含汽车车牌图像, 本文作为一个原始图像, 这种图像是清晰的盘子, 射击场, 拍摄角度的影响。特别注意, 本文收集了主要由车牌颜色是蓝色的, 白色的汽车车牌图像的车牌信息。检测后, 通过量化过程的模拟图像变换从而得到计算机可以处理的数字信息。

3.2 初步定位汽车牌照

由于汽车通常包含图像不仅需要车牌信息, 还包含很多其他信息, 如车型, 汽车外观特征, 首先需要将待处理的车牌定位、排除那些无用的信息, 车牌分割, 以方便进一步的操作。治疗车牌的颜色是蓝色的, 白色的车牌信息在汽车车牌图像, 利用HSV模型确定蓝色, 白色, Y方向分别使用RGB模型识别扫描蓝色白色像素, 像素和X方向车牌区域, 并切成一定的比例, 使用HSV彩色地图图像。

3.3 车牌图像预处理

本文的预处理主要是得到初步定位彩色车牌图像灰度车牌图像, 提取特征。

3.4 车牌定位和分割

使用封闭操作, 消除腐蚀不属于汽车的车牌信息, 为了能够更容易地观察车牌信息, 腐蚀抹去的结果是相反的颜色显示。通过投影法来定位车牌, 对图片左边和投影, 找到边缘, 在某个方面比较切割出车牌图像、车牌位置分割。

3.5 字符修正和调整

许可的汉字, 字母和数字修改, 减少每个特定上下边界的字符, 根据每个字符的边界, 每个字符的倾斜校正, 然后把字符信息存储在数组中。

3.6 车牌识别结果

每个字符包含它自己的独立的字符信息, 我们通过语音形式一个接一个地读来确定每个字符识别汽车牌照的检测到, 提示完成注册。

4 总结

目前各大学学者都致力于研究车牌识别方法也相继提出。现在车识别系统。实际生活中跟智能交通系统建设、智能车牌识别系统的应用也越来越普及。但是, 车牌识别技术的实际应用仍然留在了。

参考文献

[1]胡小锋, 赵辉.Visual C++/MATLAB图像处理与识别实用案例精选[M].北京:人民邮电出版社, 2004.

[2]焦蓬蓬, 郭依正.一种基于数学形态学的车牌定位与分割方法[J].自动化技术与应用, 2013 (06) :57-59.

[3]王雨.车牌定位与字符分割技术研究[D].武汉:华中科技大学图书馆, 2007.

[4]万燕, 徐勤燕, 黄蒙蒙.复杂背景中基于纹理和颜色的车牌定位研究[J].计算机应用与软件, 2013 (10) :259-262+316.

车牌图像 第4篇

1 数字图像处理的相关理论知识

数字图像处理就是运用计算机技术, 来处理由图像转来的数字信号, 来满足人们对其信息的需求。数字图像技术最早起源于20世纪20年代初, 至今为止已经八十几年了, 这期间随着计算机技术和信息技术的飞速发展, 特别是网络技术的高速发展, 数字图像凭借其传输速度快、可远程服务、使用工具简单以及信息量非常丰富等优势已经成为人们获取信息的重要源泉。而数字图像处理凭借其处理内容丰富、处理精度高以及可处理复杂的非线性运算等优点更加促进了其自身在各个领域中的发展。

一般来说, 数字图像处理系统大致可以分为输入部分的图像数字化设备、用作处理的计算机设备以及输出的图像显示设备等三个部分。而一个较为完整的图像处理工作周期主要包括图像信息的获取、图像信息的存储、图像信息的传输、图像信息的处理以及图像信息的输出和显示等五个时期。

2 基于数字图像处理的车牌识别技术的原理

大多数情况下, 基于数字图像处理的车牌识别过程可以分为五个部分, 分别是图像预处理、车牌区域定位、车牌校正、车牌分割以及车牌识别等, 以下对这五个过程进行一一分析。

2.1 图像预处理

之所以要进行图像预处理, 是因为在整个的车牌识别系统中, 采集进来的图像是真彩图, 还有其他因素的影响, 例如采集环境因素、硬件设备等原因, 图像比较模糊, 其背景和噪声会严重影响字符的准确分割和识别, 经过图像预处理后, 可以大大提高图像质量。

2.2 车牌区域定位

对经过预处理后的车牌的二值图片运用形态学进行滤波, 使得车牌区域能够形成一个连通区域, 然后以车牌的先验知识为依据筛选所得到的连通区域, 进而获得车牌区域的准确位置, 最后完成从图片中提取车牌的任务。

2.3 车牌校正

由于摄像头与车身之间存在着一定的角度, 使得得到的车牌图片呈非水平形态。但是为了能够顺利地对车牌进行分割和识别, 必须对车牌的角度进行校正, 通常情况下是使用Radon变换来完成车牌的校正。

2.4 车牌分割

车牌分割的过程首先对车牌图片进行水平方向的投影, 去除水平边框, 然后再进行垂直方向的投影。通过分析车牌投影可以得知, 投影中最大值峰所对应的是车牌中的第二个字符和第三个字符之间的间隔, 第二大峰中心距离对应的是车牌字符的宽度, 以此类推就可以对车牌进行分割。

2.5 车牌识别和显示

字符识别的方法有很多种, 一般来讲模板匹配方法是应用最广泛的。在进行识别的过程中, 要先建立标准字库, 然后将分割所得到的字符进行分类, 将分类后的字符与标准字库中的字符进行比较, 最后以误差最小的字符作为结果显示出来。

3 车牌识别技术在实际应用中的问题

3.1 破旧车牌识别难度较大

车牌经过长时间的使用, 不可避免会出现磨损现象, 再加上路面上行驶的车辆不可能都是标准干净的车牌。所以, 在实际的车辆监控中, 如何提高破旧车牌的车牌识别系统的识别能力是实际生活中急需解决的问题。

3.2 摄像机技术有待进一步提高

在道路监控中, 由于摄像机收到环境因素的影响比较大, 并且长期在室外, 因此车牌识别系统中的摄像机不仅要求清晰度高, 还要求适应性强。例如省道、国道以及县道对车辆行驶速度要求不同, 这就要求摄像机的快门速度设计有所不同, 不仅要方便使用者安装调试, 还要求快门速度设定更加精准, 以满足不同使用场所的要求。另外, 在北方冬天的雨雪或大雾天气, 就会严重影响监控摄像机的清晰度, 针对这种情况, 不少厂家在摄像机上设计了透雾功能, 针对有雾的图片进行独特的处理, 实时调整图像的动态曲线范围, 提供更为清晰的监控画面。

3.3 由高清晰所产生的其他问题

现在, 智能交通系统已经从过去的标清系统逐渐被现在的高清系统所取代, 因为高清系统的优势不言而喻, 但是高清晰的图片也会产生其他问题。高清图片的图片覆盖范围广, 可能会产生在同一图片中同时出现多个车牌的识别问题。更重要的是, 高清产生过大的数据量, 不仅占据过多的资源, 并且使得计算机的处理速度过慢, 这样就难以实现高清视频流识别, 这些都是由高清晰所产生的问题。

综上所述, 基于数字图像处理的车牌识别技术的核心是车牌定位和字符识别技术, 它在交通管理系统等方面已经得到越来越广泛的运用。虽然这种技术也日趋成熟, 但是车牌识别技术毕竟要以实战为重心, 针对车牌识别技术在应用方面存在的问题, 只有通过业内专业人士不断的努力, 以追求更高的车牌识别正确率为己任, 我坚信, 运用数字图像处理的车牌识别技术将得到空前的发展, 为我国日益繁忙的交通做出更大的贡献。

摘要：随着我国经济的日益增长, 人们生活节奏的加快, 汽车的数量也变得越来越多, 随之人们对交通控制以及安全管理的要求也日益提高。现在, 交通管理正朝着智能交通系统的方向发展, 车牌识别系统作为智能交通系统的一个重要组成部分, 已经在城市交通中占据中非常重要的作用。车牌识别系统在不影响汽车状态的情况下, 利用计算机自动完成车牌的识别, 从而大大简化了交通管理工作。目前解决车辆牌照识别技术主要有车牌定位技术、车牌校正技术、图像处理技术、车牌分割技术等, 本文主要研究基于数字图像处理的车牌识别技术, 本文首先介绍了数字图像处理的定义和车牌识别技术的原理, 最后分析了车牌识别技术在实际应用中的相关问题。

关键词：数字图像处理,车牌识别,智能,模式识别

参考文献

[1]刘阳, 尹铁源, 葛震, 等.数字图像处理应用于车辆牌照识别的研究[J].辽宁大学学报 (自然科学版) , 2004 (1) .

[2]李文举.智能交通中图像处理技术应用的研究[D].大连海事大学, 2005.

[3]胡永杰, 郭书军.车辆牌照自动识别系统的研究[A].2007通信理论与技术新发展——第十二届全国青年通信学术会议论文集 (上册) [C], 2007.

[4]石晓瑛, 许智榜.车牌自动识别系统设计与实现[J].华东交通大学学报, 2009.

车牌图像阈值分割的一种简化方法 第5篇

车牌图像分割是车牌自动识别系统中的重要环节, 图像的分割质量直接影响到后续车牌字符的识别。阈值分割方法是图像分割中简单有效、易于实现的分割方法, 其关键是快速选取最佳阈值以获得最佳分割效果[1,2], 在诸多阈值选取方法中, 以最大熵[3], Otsu[4]为代表的阈值选取方法, 因对不同大小的目标均能产生较好的分割效果且实现简单而颇受关注。为了较好地反映出图像局部空间信息, 增强抗噪性, Abutaleb、Brink等人提出了灰度级-邻域平均灰度级二维直方图阈值选取[5,6], 继而龚坚、张毅军等人分别提出二维直方图快速递推算法[7,8,9], 运行时间大幅减少。然而, 上述阈值方法将二维直方图划分成4个矩形区域 (称之为直分) , 阈值选取时仅计算2个沿对角线的矩形部分, 引入了一定的近似, 因此得到的图像分割质量不够理想。于是文献[10,11]提出了二维直方图斜分阈值选取方法, 即通过倾斜的直线将二维直方图划分为目标类和背景类 (称之为斜分) 。二维直方图斜分方法相比较直分, 相应的运算时间缩短, 抗噪性增强, 分割图像的准确性提高。

现有的二维直方图斜分阈值选取方法, 虽增强了抗噪性, 改善了图像的分割效果, 但运算时间较一维阈值选取方法大大增加。为此本文提出二维直方图简化最大熵斜分阈值及简化otsu斜分阈值选取方法。文中首先给出了二维直方图斜分阈值选取, 然后导出了简化最大熵斜分阈值及简化Otsu斜分阈值选取方法, 最后通过实验给出图像分割结果和运行时间, 并与一维最大熵阈值、一维Otsu阈值、二维直方图最大熵斜分阈值[10]及二维直方图Otsu斜分阈值[11]选取方法进行了比较。

1. 二维直方图的简化斜分阈值选取

1.1 图像二维直方图斜分

定义Z为像素点 (m, n) 的n-邻域, n一般取值为8。W为邻域Z中的像素个数, 像素点 (m, n) 的邻域平均灰度级为。若用表示 (灰度级i, 邻域平均灰度级j) 对出现的频数, 则 (灰度级, 邻域平均灰度级) 的联合概率为, 其中L为图像灰度级, 为图像大小。显然, 即为图像的二维直方图。

如图1所示, 将二维直方图用斜线 (T为阈值) 划分为两部分, 斜线右上方为目标区域Co, 斜线左下方为背景区域Cb。分割后的二值图像为b (m, n) :

1.2 简化斜分阈值选取

如图2所示, 用四条斜线L1、L2、L3、L4将二维直方图划分为1个内点区、2个边界点区和2个噪声点区。其中斜线L1和斜线L2之间区域的像素点灰度级和邻域平均灰度级基本相同, 视为目标内点和背景内点区;斜线L1和斜线之间及斜线L3和斜线之间的区域因为像素点灰度级和邻域平均灰度级有一定的差别, 认为是目标和背景之间的过渡边界点区, 即目标和背景的边界;斜线L3和斜线L4以外的区域由于像素点灰度级和平均灰度级差距较大, 将其定位噪声区。

首先在二维直方图中作一条垂直于f轴的直线CD, 并与直方图的主对角线OB交于点A, 然后过点A作一条垂直于主对角线OB的斜线EF。如果用斜线EF来划分二维直方图, 则所围区域R1、R2、R3、R4、R5及R6分别为目标上的噪声点区、目标边界点区、目标内点区、背景内点区、背景边界点区及背景上的噪声点区。若用直线CD将二维直方图划分为背景区和目标区 (一维阈值选取) , 则对于这六个区域存在明显的错分, 而用斜线EF划分的结果更为准确。文献[10, 11]中, 对二维直方图区域斜分法优于直分法已做了详细的分析, 此处不再赘述。

通过分析图2可知, 若C点的坐标为 (t, 0) , 则相应的F点坐标为 (2t, 0) , 斜线段EF所在直线方程为g=-f+2t。如果能够得到一维阈值选取方法的最佳阈值t*, 即点C的坐标为 (t*, 0) , 则可以将斜线EF所对应的阈值T*2作为划分二维直方图的最佳斜分阈值, 则

二维直方图斜分阈值可以通过一维最佳阈值直接得到, 简化了二维直方图中公式的推导和递推算法, 大大缩短了图像的分割运行时间。

2. 二维直方图简化最大熵斜分阈值选取

设图像中像素点 (m, n) 的灰度级f (m, n) 取0, 1, …, L-1, 对应的灰度级概率分布为。现用阈值t按灰度级将图像像素划分成背景类和目标类, 则背景和目标两类的概率分布分别为

最大熵阈值选取方法的准则函数为:

式中, 。当ɸ (t) 取最大值时得到一维最大熵最佳阈值:

则二维直方图的简化最大熵斜分的最佳阈值为, 即线段EF所在直线方程为。

3. 二维直方图简化Otsu斜分阈值选取

图像中的像素按灰度级用阈值t划分成背景Cb和目标Co两类, 背景和目标两类的概率分别表示为

再分别计算背景和目标两类的灰度均值:

一维Otsu阈值选取方法的准则函数为

当取最大值时得到一维Otsu最佳阈值:

则二维直方图简化Otsu斜分最佳阈值为, 即线段EF所在直线方程为。

4. 实验结果及分析

利用上述提出的二维直方图简化最大熵斜分阈值及简化Otsu斜分阈值选取方法对大量图像进行了阈值选取实验, 并与一维最大熵阈值、一维Otsu阈值、二维直方图最大熵斜分阈值、二维直方图Otsu斜分阈值选取方法进行了比较, 发现本文所提出的方法具有明显的优势。受篇幅限制, 现以其中的苏C图像 () 、京A图像 () 为例加以说明。相应的最佳阈值和运行时间 (Intel Celeration (R) Core (TM) 2 Duo CPU2.2GHz/2GB内存/Matlab 7.0运行环境) 列于表1。

图4、图5中, 图A、图B、图C、图D、图E及图F分别为一维最大熵阈值、二维直方图最大熵斜分阈值、二维直方图简化最大熵斜分阈值、一维Otsu阈值、二维直方图Otsu斜分阈值及二维直方图简化Otsu斜分阈值选取方法分割结果。图A、图D中的分割图像含有较多的噪声 (将图像放大) , 不利于后续车牌字符的匹配与识别。而图B、图E为对应图A、图D的二维直方图斜分阈值选取方法的分割图像, 具有明显的抗噪性。图C、图E为对应图B、图E的简化斜分阈值选取方法的分割结果, 图像中字符清晰, 能够反映车牌图像字符的边缘信息, 提高了车牌字符识别准确率。

与现有的阈值分割方法相比, 本文所提出的二维直方图简化最大熵斜分阈值及简化Otsu斜分阈值选取方法可以准确地分割出车牌图像字符。此外, 由表1可知, 二维直方图简化最大熵斜分阈值及简化Otsu斜分阈值选取方法的最佳阈值与现有的二维直方图最大熵斜分阈值、二维直方图Otsu斜分阈值选取方法的最佳阈值近似相等, 但本文所提出的两种简化阈值选取方法的运行时间相比较现有的斜分阈值选取方法大幅降低, 能更好的满足实时性要求。

5. 结论

在二维直方图斜分阈值选取方法的基础上, 本文提出的二维直方图简化最大熵斜分阈值及简化otsu斜分阈值选取方法可以很好地实现车牌图像的分割。分割出来的图像目标边界形状准确, 抗噪性好, 与二维直方图最大熵斜分阈值、二维直方图Otsu斜分阈值选取方法相比, 分割图像的效果相似, 分割运行时间大幅降低, 更加适用于交通系统中的自动车牌识别。

摘要：鉴于二维直方图的最大熵斜分阈值与Otsu斜分阈值选取方法运行时间较长, 提出了二维直方图简化最大熵斜分阈值和简化Otsu斜分阈值选取方法。首先给出了二维直方图简化斜分阈值选取, 然后导出了简化最大熵斜分阈值及简化Otsu斜分阈值选取方法。最后与二维直方图最大熵斜分阈值、Otsu斜分阈值等选取方法进行了比较, 实验结果表明本文方法准确地分割出了车牌图像中的字符, 缩短了运行时间。

关键词：车牌图像,阈值选取,二维直方图,简化最大熵斜分,简化Otsu斜分

参考文献

[1]Sezgin M, Sankur B.Survey Over Image Thresholding Techniques and Quantitative Performance Evaluation[J].Journal of Electronic Image, 2004, 13 (1) :145-165.

[2]Bardera A, Boada I, Feixas M, et al.Image Segmentation UsingExcess Entropy[J].Journal of Signal Processing Systems, 2009, 54 (1-3) :205-214.

[3]Kapur J N, Sahoo P K, Wong A K C.A New Method For Grey-Level Picture Thresholding Using The Entropy of The Histogram[J].Computer Vision, Graphics and Image Processing, 1985, 29 (3) :273-285.

[4]Otsu N.A threshold selection method from gray-level histogram[J].IEEE Transaction on System, Man, and Cybernetics, 1979, 9 (1) :62-66.

[5]Abutaleb A S.Automatic Thresholding of Gray-Level Picture Using Two-Dimensional Entropies[J].Pattern Recognition, 1989, 47 (1) :22-32.

[6]Brink A D.Thresholding of Digital Image Using Two-Dimensional Entropies[J].Pattern Recognition, 1992, 25 (8) :803-808.

[7]Gong J, Li L Y, Chen W N.Fast Recursive Algorithm For Two-Dimensional Thresholding[J].Pattern Recognition, 1998, 31 (3) :295-300.

[8]张毅军, 吴雪菁, 夏良正.二维熵图象分割的快速递推算法[J].模式识别与人工智能, 1997, 10 (3) :259-64.

[9]汪海洋, 潘德炉, 夏德深.二维自适应阈值选取算法的快速实现[J].自动化学报, 2007, 3 (9) :968-971.

[10]吴一全, 潘喆, 吴文怡.二维直方图区域斜分的最大熵阈值分割算法[J].模式识别与人工智能, 2009, 22 (1) :162-168.

车牌图像 第6篇

关键词：车牌识别,小波变换

1 引言

如何快速、准确地将牌照图像从车身图像中分割出来是车牌识别的前提和基础。而图像分割是将数字图像分成互不重叠的各个区域过程,除了一个称为背景的区域外,其他各个区域称为目标。然后,将待识别的目标从背景中分离出来。在车辆牌照图像分割中,待处理图像往往来自于停车场或高速公路端点处的CCD摄像头,由于车辆、车牌位置不尽相同和车牌自身的污损、变形,以及照明条件、气候等因素的影响,待处理图像往往含有较大的噪声。因此,在对车辆图像作分割以前,要先对它作预处理。针对牌照与车身背景的分割问题,首先,对车牌图像进行小波去噪,然后利用直方图均衡化和对比度增强,再利用数学形态学对去噪后的车牌图像进行阈值分割。实验结果表明:此方法能够从含有较强噪声的车辆图像中获取车牌图像。

2 图像的小波分解

小波变换是一种信号的时-频分析方法[2],它具有多分辨率分析(Multi-Resolution Analysis)的特点,而且在时域和频域都具有表征信号局部特征的能力。通过小波变换可以将图像分解成不同的子波带,其低频部分包含了原始图像的主要信息。

2.1 二维Mallat算法

对于一幅二维图像,有二维Mallat分解算法[2]:

对应的完全重构Mallat算法如下:

图1是图像正交小波分解的示意图,L表示低频,H表示高频,下标1,2表示一级或二级分解,分解的数据传递示意图如图2所示。为方便起见,记Ii 0=LLi,Ii1=HLi,Ii 2=LHi,Ii 3=HLi。

2.2 小波系数分析[2,5]

一个图像经小波分解后,可得到一系列不同频率的子图像。其中,高频子图像上大部分点的数值都接近零,越是高频越明显。通过对小波系数的统计分析可知,随着分解层数的增加,小波系数的范围越来越大,说明较低层的小波系数具有更重要的地位。

3 形态学图像处理技术

数学形态学[4]诞生于20世纪60年代,最初是从处理二值图像开始发展起来的。其基本思想是利用一个称作结构元素的“探针”收集图像的信息。当探针在图像中不断移动时,便可以考察图像各个部分之间的相互关系,从而了解图像的结构特征。将二值的图像处理技术进一步扩展就可以在灰值图像中运用。因此,二值图像的处理成为数学形态学的基础。形态学方法已经成功地应用于计算机文字识别、计算机显微图像分析、医学图像处理、工业检测、机器视觉等诸多方面[3,4]。

3.1 腐蚀与膨胀

数学形态学图像的处理中,最基本的手段就是腐蚀(erode)和膨胀(dilate)。

腐蚀表示用某种“探针”对一幅图像进行探测,以便找出在图像内部可以放下该基元的区域。事实上,所有数学形态学的运算都依赖于这一概念。

膨胀是腐蚀的对偶运算,可定义为对图像的补集进行的腐蚀运算。

集合A被集合B腐蚀表示为AθB,其定义如下:

其中A称为插入图像,B称为结构元素。AθB由将B平移x但仍包含在A内部的所有点x组成,如将B当作模板,那么AθB则由在平移模板过程中所有可以填入A内部的模板的原点所组成。

将结构元素B在图像A(Δ表示原点)中平移,至点(2、1)可以填入A,故点(2、1)在腐蚀后所得到图像的内部。依此类推,即可得到腐蚀后的图像。

膨胀的定义可以表示为:

3.2 开闭运算

开运算的实质就是先作腐蚀然后作膨胀,而闭运算作为其对偶运算,也就是先作膨胀再作腐蚀。

由于开闭运算具有平移不变性和单调递减性,以及非扩展性(扩展性)和等幂性,因此将开闭运算进行各种组合就可能对图像进行去噪和恢复等运算,并且有着良好的表现。

4 车牌图像分割算法

4.1 算法的依据和基本思想

由2可知:通过小波变换将图像f(x,y)分解成不同的子波带,逼近图像Sj(低频部分)中包含了原始图像的主要信息。对于一幅含有噪声的车牌图像来说,图像的轮廓主要体现在低频部分,而噪声成分则包含在高频部分(细节部分)。因此,可以通过对低频分解系数进行增强处理,对高频分解系数进行衰减处理即可达到降噪和增强图像的效果。实际操作中还可以采取直方图增强、对比度增强等措施进一步提高增强效果[6]。

基于小波变换和形态学的车牌图像分割算法的基本思想是:利用小波变换对原始车牌图像进行降噪、增强;然后利用形态学运算对图像进行分割,最终获得感兴趣的部分。一个受到高斯噪声干扰的车牌图像信号的基本模型如下式所示:

其中,e(n)为高斯噪声。小波分解的目的就是要尽可能地减少噪声部分的值,以恢复信号f。

4.2 基本步骤

基于小波变换和形态学的图像分割的实现步骤为:

(1)选择小波和小波分解的层次,对信号s进行N层小波分解。

(2)对第一到第N层的高频系数进行自适应软阈值处理。

(3)依据(1-2)式施行小波反变换,获得降噪并增强的图像信号。

(4)对增强后的车牌图像进行阈值分割[4,5],以消除部分冗余信息。

(5)选用适当的结构元素,对分割后的图像进行腐蚀运算。

(6)选用适当的结构元素,对腐蚀后的图像进行膨胀运算。

4.3 实验及分析

实验中采用数字照相机拍摄的汽车牌照图像,用上述算法实现车牌图像的分割。

实验软件为Matlab 7.0,计算机的CPU为PENTIUM 4,1。70GHZ.

实验步骤(1)中选择“Sym4”小波,小波分解的层次为2。“Sym4”小波属于“SymletsA”小波系,具有近似对称性和较好的正则性。因而常被用于二维信号分析。

实验步骤(2)、(4)中阈值的选择使用MATLAB的thSelect(x,TPTR)函数。该函数的参数x是待消噪信号,参数TPTR确定阈值选择标准。本实验中,参数TPTR取值为“risrsure”,即基于史坦的无偏似然估计原理的自适应阈值选择。

在步骤(3)中利用直方图对图像信号进行增强,使用MATLAB的thisteq(x,hgrqm)函数。这样,增强后的图像的直方图与hgrqm近似匹配,具有length(hgrqm)个条。

在步骤(4)(5)中结构元素的选取是非常重要的。结构元素的形状和大小将对腐蚀和膨胀运算产生决定性的影响。

膨胀具有“扩大”图像的效果;腐蚀具有“收缩”图像的效果。不同的结构元素对图像作腐蚀或膨胀运算所产生的效果是不同的[3]。在文中由于所研究的提取对象以数字为主,因此实验中采用矩形的结构元素。膨胀运算采用(4,2)结构元素,腐蚀运算采用(3,1)结构元素。

实验主要结果示于图1-图4。其中图1为采集的含噪声原始图像,图2为小波消噪并增强后的图像,图3为对阈值分割后的车牌图像用(3,1)结构元素进行腐蚀后效果,图4为对腐蚀后的车牌图像用(4,2)结构元素进行膨胀运算后的效果,即分割效果。

5 结语

针对噪声环境下获取的车辆牌照图像的分割问题,提出了基于小波-形态学方法的车辆牌照阈值分割算法。首先,对车牌图像进行小波去噪,然后利用数学形态学对去噪后的车牌图像进行阈值分割。实验结果表明:此方法能够从含有较强噪声的车辆图像中获取车牌图像,且具有相对于图像的平移、尺度变化和旋转的低敏感性。

参考文献

[1]刘贵忠,邸双亮,著.小波分析及其应用.西安:西安电子科技大学出版社,1992.

[2]杨福生.小波变换的工程分析与应用.北京:科学出版社,2000.

[3]崔屹编著.图像分析与处理——数学形态学方法及应用.科学出版社,2000.

[4]王耀明,严炜,董建萍.图像的数学形态学阈值分割[J].上海师范大学学报,2001,30(1):48-51.

[5]胡昌华,等.基于MATLAB的系统分析与设计-小波分析.西安电子科技大学出版社.

基于灰度值的车牌图像预处理研究 第7篇

通常情况下, 由于外界光线、气候或其他自然、设备本身、人为因素等干扰而导致所拍摄的车牌图片成像不完美, 使得对比度太小、曝光量太大、不清晰、倾斜等情况产生, 造成图片模糊不清, 这些情况都会极大的影响后期车牌号码字符的分割、识别操作, 甚至导致无法进行字符分割和识别操作。因此, 在做字符分割和识别操作之前, 需通过必要的技术手段, 对获取的车牌图像进行预处理, 以提高车牌识别系统的性能。图像预处理方法有车牌图像灰度图转换、边缘检测、二值化处理、图像增强、形态学处理等技术。

MATLAB是一种高效的工程计算语言, 它是一个比较完整的数据库系统, 在数据处理、图像处理、神经网络、小波分析等方面都有广泛的应用。本文运用MATLAB软件对车牌进行图像增强、二值图像化、边缘检测处理等过程。本文基于灰度值转换, 然后利用Sobel和Roberts算法进行边缘检测, 在MATLAB环境下运行, 达到了预期的效果。

2 灰度化

灰度化方法是将彩色图片的各个颜色分量R、G、B取其最大值或平均值并代替, 消除图像中每个像素点的颜色差异, 仅仅通过亮度值大小来区别像素点。使用函数H (x, y) 描述像素点 (x, y) 的灰度值, R (x, y) 表示像素 (x, y) 的红色分量的色度值, G (x, y) 表示像素点 (x, y) 的绿色分量的色度值, B (x, y) 表示像素点 (x, y) 的蓝色分量亮度值, 可以通过如下公式进行灰度转换。其中α、β、γ均为加权系数, 在本文中三个加权系数分别为0.315, 0.514.0.126, 灰度化效果如图1 (B) 所示。

3 Sobel算法边缘检测

Sobel方法利用边缘点、边缘段、边缘检测器、边缘跟踪等步骤进行搜索边缘点, 对车牌图像的水平和垂直两个方向进行边缘检测, 然后将所得图像与用Sobel算子直接对原始图像进行边缘检测的图像相加。本系统利用MATLAB对数字图像和红外图像都进行了仿真。结果表明, 该算法仅仅检测了垂直与水平方向的车牌图像, 没有对其他方向进行改进, 相对传统方法, 该方法提高了Sobel边缘检测算子的性能, 具有良好的检测精度, 检测效果如图1 (C) 所示, 但该算法需进一步改进。

4 Roberts算法边缘检测

由于车牌图像本身的复杂性, 传统的roberts算法受噪声干扰非常严重, 改进的roberts算法能克服Sobel算法多角度检测的不足, 它是一种交差差分算子, 是根据任意一对互相垂直方向上的差分来计算梯度的原理, 采用对角线方向相邻两像素之差, 即:, 它的两个方向模板是2×2。有了之后, 我们计算计算出梯度幅值R（i，j）, 确定TH阈值, 若判断:则为阶跃状边缘点, {R（i，j）}为边缘图像。Roberts算子采用对角线方向相邻两像素之差近似梯度幅值检测边缘。检测水平和垂直边缘的效果好于斜向边缘, 定位精度高。

5 实验结果分析

图1 (A) 是预处理前的原始图, (B) 是经过灰度化后的效果图, (C) 是Sobel算法检测后的效果图, 图1 (D) 是Roberts算法检测后的效果图。Sobel算法在空间上实现简单, 该方法只能检测图像水平和垂直方向的, 对于纹理比较复杂的图像, 检测效果不是很理想。 Roberts方法克服了传统Sobel算法的缺陷, 其检测效果要优于Sobel算法, 检测图像更加清晰。

参考文献

[1]华显立, 倪江楠.车牌识别中的图像预处理研究[J].电子世界, 2014 (18) .

[2]刘雄飞, 朱盛春.车牌字符多特征提取与BP神经网络的识别算法[J].计算机仿真, 2014 (10) .