车牌识别图像预处

车牌识别图像预处理当今随着汽车数量日益增加，城市交通状况也相应地受到人们的重视，如何进行有效的交通管理更是成为了人们关注的焦点。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。预处理目的图像预处理实际上就是为准确地分割图像做好准备。系统接受的是8位（256级）的灰度图，因为实际应用中，在图像的处理、存储和传输方面，8位的灰度图要比24位的真彩图更容易实现；并且灰度图的处理结果也足以令人满意。彩色图像包含了大量的颜色信息，对系统的存储与处理能力要求比较高，且存在色差。车牌图像预处理对于车牌图像的预处理主要可以分为以下三个组成部分：A、图像增强；B、边缘检测、二值化；C、形态学滤波；图像增强定义：为了改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。优点：有利于对图像中目标的识别、跟踪和理解。

图像增强对于我们所研究的车牌图像预处理中图像增强处理主要包括以下四个方面：a：灰度变换；b：中值滤波；c：直方图均衡化；d：均值滤波。图像增强—灰度变换灰度级变换(点运算)的定义：1、对于输入图象f(x，y)，灰度级变换T将产生一个输出图像g(x，y)，且g(x，y)的每一个像素值都是由f(x，y)的对应输入像素点的值决定的，所以可得到g(x，y)=T(f(x，y))。

2、对于原图象f(x，y)和灰度值变换函数T(f(x，y))，由于灰度值总是有限个(如：O～255)，非几何变换可定义为：R=T(r)，其LlJR、r（O．255）。图像增强—灰度变换灰度级变换的实现：

R=T(r)定义了输入像素值与输出像素之间的映射关系，通常通过查表来实现，其主要实现方式有：1、图象求反；2、对比度拉伸；

3、动态范围压缩；4、灰度级切片。图像增强—中值滤波定义：设有一个一维序列f1,f2,…，fn，取窗口长度为m(m为奇数)，对此序列进行中值滤波，就是从输入序列中相继抽出m个数，fi-v，…，fi-1，…，f1，…，fi+1，…，fi+v，其中i为窗口的中心位置，v=(m-1)/2，再将这m个点按其数值大小排列，取其序号为正中间的那作为输出。用数学公式表示为:yi=med{fi-v，…，f1，…，fi+v}，i属于z且v=(m-1)/2。对于二维序列{Xij}进行中值滤波时，滤波窗口也是二维的，但这种二维窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等。二维数据的中值滤波可以表示为：基本原理：把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。图像增强—中值滤波利用中值滤波函数去除图像中的噪声过程如下：（1）使用imread()读入原始的彩色图像。（2）因为使用中值滤波器只能对灰度图像进行处理，所以利用rgb2gray()将彩色图像转化为灰度图像。（3）用imnoise()在灰度图像中加入椒盐噪声。（4）利用medfilt2()函数进行中值滤波,并在matlab环境下运行。相应的MATLAB主程序如下：f=imread('C:\Users\AUSU\Desktop\学习\数字图像处理\2.jpg');t=rgb2gray(f);p1=imnoise(t,'salt&pepper',0.02);p2=medfilt2(p1);subplot(2,2,1);imshow(f);title('原始图像');subplot(2,2,2);imshow(t);title('灰度图像');subplot(2,2,3);imshow(p1);title('加入噪声后图像');subplot(2,2,4);imshow(p2);title('中值滤波后图像');图像增强—中值滤波右图为MATLAB中所运行出来的结果，从图中我们可以看出经过先加入椒盐噪声后，再对其进行中值滤波，使得图像看起来比原图像更突出，更明显。图像增强—直方图均衡化直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。对与一个灰度图像，让表示灰度出现的次数，这样图像中灰度为的像素的出现概率是:,

L是图像中所有的灰度数,n是图像中所有的像素数,p实际上是图像的直方图，归一化到。把c作为对应于p的累计概率函数,定义为：

C是图像的累计归一化直方图。图像增强—直方图均衡化直方图均衡处理的matlab编程如下：f=imread('C:\Users\AUSU\Desktop\学习\数字图像处理\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;%原图像概率密度

endend

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

e(i)=e(i)+r(j);%累积分布end

end

fori=1:256

e(i)=floor(e(i)*255+0.5);%映射关系

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('原始图像');

subplot(122),imshow(q),title('直方图均衡化图像');图像增强—直方图均衡化下图为直方图均衡化后的情况图像增强—均值滤波均值滤波是一种基本的基于图像局部统计信息对图像进行滤波的方法，其应用广泛。设f（i，j）为给定的含有噪声的图像，经过邻域平均法处理后的图像为g（i，j），则g（i，j）=∑f（i，j）/N，（i，j）∈M，M是所取邻域内各邻近像素的坐标，N是邻域中所包含的临近像素个数。均值滤波与中值滤波的比较（1）均值滤波对高斯噪声的抑制是比较好的,处理后的图像边缘模糊较少。但对椒盐噪声的影响不大,因为在削弱噪声的同时整幅图像内容总体也变得模糊，其噪声仍然存在。（2）对于中值滤波,由图像处理的结果可以看出,它只影响了图像的基本信息,说明中值滤波对高斯噪声的抑制效果不明显。这是因为高斯噪声使用随机大小的幅值污染所有的点,因此无论怎样进行数据选择,得到的始终还是被污染的值。其中中值滤波对去除“椒盐”噪声可以起到很好的效果,因为椒盐噪声只在画面中的部分点上随机出现,所以根据中值滤波原理可知,通过数据排序的方法,将图像中未被噪声污染的点代替噪声点的值的概率比较大,因此噪声的抑制效果很好,同时画面的轮廓依然比较清晰。由此看来，对于椒盐噪声密度较小时,尤其是孤立噪声点,用中值滤波的效果非常好的。（3）均值滤波对高斯噪声有较好的抑制作用，而对于椒盐噪声的处理中值滤波要略微有优势。边缘检测边缘粗略分为阶跃、屋顶和脉冲状三种。阶跃状边缘位于两边的像素灰度值有明显不同的地方；屋顶状边缘位于灰度值从增加到减少的转折处。边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括：（i）深度上的不连续；（ii）表面方向不连续；（iii）物质属性变化；（iv）场景照明变化。边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。边缘检测边缘检测的方法主要有以下四种：roberts算子、prewitt算法、sobel算子、laplace算子以及canny检测算子等等，通过对原图像进行边缘检测，从而对车牌图像中的重要信息进行提取，并准确分析图像的纹理，因而我们采用是边缘轮廓比较清晰的图像，以便对其处理显得更醒目。边缘检测--编程实现f=imread('C:\Users\AUSU\Desktop\学习\数字图像处理\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('原始图像');subplot(2,3,2),imshow(BW_sobel),xlabel('sobel检测');subplot(2,3,3),imshow(BW_prewitt),xlabel('prewitt检测');subplot(2,3,4),imshow(BW_roberts),xlabel('roberts检测');subplot(2,3,5),imshow(BW_laplace),xlabel('laplace检测');subplot(2,3,6),imshow(BW_canny),xlabel('canny检测');边缘检测--编程实现从右图可以看出，将车牌经sobel、prewitt、roberts、laplace以及canny算子进行检测后，很明显地提取了图像中的重要信息。同时我们也发现经过这几种算子处理后，每一种算子所处理后的图像都不一样。总的来讲，canny算子所提取的东西最完整。边缘检测--算法比较Roberts算子是利用图像的两个对角线的相邻像素之差进行梯度幅值的检测，检测精度比较高，容易丢失一部分边缘信息，不能抑制噪声，但该算子对具有陡峭的低噪声图像响应最好。Prewitt算子和Sobel算子都是对图像进行差分和滤波计算，图像会产生一定的模糊，而且还会检测出一些伪边缘，所以检测精度比较低，该算子比较适合用于图像边缘灰度值比较尖锐且图像噪声比较小的情况。Canny算子与LOG相似，易平滑掉一些边缘信息，但其边缘定位精度较高。边缘定位准确，连续性较好，虚假边缘少且边缘具有单向像素宽度。二值化将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，图像的二值化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。二值化编程如下：f=imread('C:\Users\AUSU\Desktop\学习\数字图像处理\2.jpg');t=rgb2gray(f);IBW=im2bw(t,graythresh(t));subplot(121),imshow(f),title('原始图像');subplot(122),imshow(IBW),title('二值化图像');二值化从右图可以看出经过二值图像处理过后，它很明显地凸显车牌的特征，使得车牌的字符数字都能够准确的提取出来，且几乎没有干扰因素的存在。形态学滤波--腐蚀(erosion)膨胀和腐蚀这两种操作是形态学处理的基础，许多形态学算法都是以这两种运算为基础的。定义：是一种消除边界点，使边界向内部收缩的过程。可以用来消除小且无意义的物体腐蚀的作用：使目标收缩，孔洞扩大。去除图像小颗粒噪声和目标之间的粘连。定义腐蚀运算为:erosion(A,B)={a|(a+b)∈A,a∈A,b∈B}.形态学滤波--腐蚀(erosion)Matlab处理：F=imread('C:\Users\AUSU\Desktop\学习\数字图像处理\2.jpg');D=imerode(S,se);subplot(3,2,4),imshow(D),title('腐蚀后边缘图像');处理后的图片：形态学滤波--腐蚀(erosion)形态学滤波--膨胀(dilation)定义：是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。可以用来填补物体中的空洞。膨胀的作用：使孔洞收缩，目标扩大。消除图像目标中的小颗粒噪声和填补凹陷。

定义膨胀运算为：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)}形态学滤波--腐蚀(erosion)Matlab处理：G=bwareaopen(F,2000);subplot(3,2,6),imshow(G),title('形态滤波后图像');形态学滤波--开、闭运算先腐蚀后膨胀的过程称为开运算。开运算通常是在需要去除小颗粒噪声，以及断开目标物之间粘连时使用。其主要作用与腐蚀相似，与腐蚀操作相比，具有可以基本保持目标原有大小不变的优点。先膨胀后腐蚀的过程称为闭运算。用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。引入开，闭运算的原因：虽然腐蚀处理可以将粘连的目标物进行分离，膨胀处理可以将断开的目标物进行接续，但同时都存在一个问题，就是经过腐蚀处理后，目标物的面积小于原有面积，而经过膨胀处理之后，目标物的面积大于原有面积。形态学滤波—开、闭运算Matlab处理：I=imread('C:\Users\AUSU\Desktop\学习\数字图像处理\2.jpg');I=imopen(H,strel('rectangle',[5,19]));subplot(4,4,9),imshow(I);xlabel('图像开运算[5,19]');J=imopen(I,strel('rectangle',[19,1]));subplot(4,4,10),imshow(J);xlabel('图像开运算[19,1]')H=imclose(G,strel('rectangle',[5,19]));

subplot(4,4,8)

,imshow(H);xlabel('图像闭运算[5,19]');

形态学滤波—开、闭运算处理后的图像：车牌定位及提取I=imread('C:\Users\AUSU\Desktop\学习\数字图像处理材料\2.jpg');subplot(2,3,1),imshow(I);title('原始图像');[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)))%蓝色RGB的颜色范围

Blue_y(i,1)=Blue_y(i,1)+1;%蓝色像素点统计

endendend[tempMaxY]=max(Blue_y);%Y方向车牌区域确定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方向统计')subplot(2,3,4),imshow(IY);title('Y方向车牌区域确定')%X方向统计Blue_x=zeros(1,x);%进一步确定X方向的车牌区域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_