基于matlab图像处理的车牌识别研究

东北大学秦皇岛分校毕业设计(论文) 第 12 页

灰度处理后如图2.2所示。程序代码:

j=rgb2gray(i); %灰度处理

figure, imshow(j)

图2.2 灰度处理后的车牌图像

2.2 二值化处理

二值图像是指整幅图像内仅有黑、白二值的图像,在它们之间不存在其它灰度层次的变化。二值化算法又称闭值算法,目的是找出一个合适的闭值将待研究的车牌区域划分为前景和背景两部分。二值化后的车牌要能再现原字符图像,基本不出现笔画断裂和粘连现象,尽量不丢失原字符的特征。另外二值化算法可以用于车牌定位过程中精确定位车牌的上下左右边界。

常用的二值化算法有基于灰度的二值化和基于彩色的二值化。基于灰度的二值化主要有全局动态二值化和局部自适应二值化;基于彩色的二值化主要有基于 HSV(Hue Saturation Value)空间的彩色二值化。本文首先提取有关色彩的信息,然后对灰度图像进行二值化处理。

图像二值化的关键在于阐值T的选取,根据闭值T来区分图像中的对象和背景。设原始灰度图像为f(x,y),变换过后的二值图像为g(x,y),则二值化的过程表示为[8]:

g(x,y)=

(2.3)

东北大学秦皇岛分校毕业设计(论文) 第 13 页

根据闭值选取情况,分为全局闭值、局部闭值和动态闭值。

(1)全局闭值法根据图像的直方图或灰度空间分布确定一个闭值,实现灰度图像到二值图像的转化。典型的全局闭值法包括Qstu方法,最大嫡方法等。全局闭值算法简单,对于目标和背景明显分离、直方图分布呈双峰的图像效果良好,对那些由于光照不均匀、噪声干扰较大等原因使直方图分布不呈双峰的图像效果明显变差。

(2)局部阐值法通过定义考察点的领域,并由领域计算模板,实现考察点灰度与领域点的比较;非均匀光照条件等情况虽然影响整体图像的灰度分布,但是对局部图像的性质没有什么影响,从而局部闭值法比全局闭值法有更广泛的应用。如Bemsen算法是一种典型的局部闭值法;光照不一致的情况,如一种局部二值化的适应算法,应用车牌字符自身布局的先验知识来进行区域门限校正,取得了比较理想的实验效果,与以往的逐点进行二值化的方法相比,这种方法大大提高计算速度,因而在处理大规模的图像数据时能起到更明显的效果。

(3)根据上述两种方法的优缺点,有效结合使用是一种不错的方法。自适应二值化方法的动态阐值法是利用像素自身及其领域灰度变化的特征,此算法充分考虑每个像素领域的特征,所以能够更好的突出背景和目标的边界。二值化后的车牌周围有一个长方形的边框,在字符识别中经常被认为是字符的一部分而影响识别效果。处理后如图2.3所示。程序代码:

l=im2bw(k); figure, imshow(l);

图2.3 二值化处理后的车牌图像

东北大学秦皇岛分校毕业设计(论文) 第 14 页

2.3 图像增强

由于光照影响、照相机曝光不足以及动态范围太窄等原因,车牌图像往往会产生对比度不足的弊端,使图像细节分辨不清,如果不经过处理必然会影响识别率。图像增强的方法有两类。一类是空域增强法,包括灰度变换、直方图均衡化和邻域平均法;另一类是频域增强法,主要有高通滤波、低通滤波和带通滤波等。鉴于计算速度上的考虑,本文采用灰度拉伸和邻域平均法来增强对比度,利用空间域的中值滤波技术来消除噪声干扰。 2.3.1 灰度拉伸

所谓灰度拉伸,是指根据灰度直方图的分布有选择地对灰度区间进行分段拉伸以增强对比度。许多拍摄的图像中,灰度级集中在很小的区域内、对比度不强,影响人和机器对图像的处理。此时可以利用灰度的线性拉伸将灰度范围拓展到0一255的灰度范围。灰度拉伸和灰度的线性变换有点类似,都用到灰度的线性变换,但拉伸不是完全的线性变换,而是分段进行缘性变换,它的拉伸范围和拓展程度可以自由选择。

如图2.4所示。它将输入图像中某点(x, y)的灰度f (x, y),通过映射函数T,映射成输出图像中的灰度g(x, y),即:

g(x, y) = T[f (x, y)] (2.4)

图2.4 灰度变换的对比曲线

灰度拉伸后如图2.5,程序代码:

k=imadjust(j); figure, imshow(k);

东北大学秦皇岛分校毕业设计(论文) 第 15 页

图2.5 灰度拉伸处理后的车牌图像

2.3.2 滤波处理

车牌图像往往存在一些孤立的噪点。在汽车牌照图像处理初期,若不能有效抑制或者去除这些噪点,将影响车牌定位的准确性或者造成无法定位。通常采用图像平滑的方法去除噪点。为了消除图像中的噪声,直接在空间域上对图像进行平滑滤波。它的作用是模糊和消除噪声。

图像平滑包括空域滤波和频域滤波。空间域的平滑滤波一般采用简单平均法进行,即求邻近像素点的平均亮度值,称为邻域平均法。邻域的大小与平滑的效果直接相关,邻域越大平滑的效果越好,但邻域过大平滑会使边缘信息损失的越大从而使输出的图像变得模糊,因此需要选择合理邻域的大小,实际中一般采用邻域窗口大小为3x3。图像由灰度值相近的小块组成,相邻像素间存在很高的空间相关性,噪声是独立的,我们用像素预定邻域内的各像素的灰度平均值代替该像素原来的灰度值,就可以实现图像的去噪。最简单的局部平滑算法称非加权邻域平均,它均等地对待邻域中的各像素,即把各个像素灰度的平均值作为中心像素的输出值。

空域滤波中采用平滑滤波器的另一种方法——中值滤波,去除噪点的效果最好。中值滤波是一种非线性滤波,也是一种邻域运算,类似于卷积。中值滤波的计算不是

联系客服:779662525#qq.com(#替换为@)