基于MATLAB的车牌识别毕业设计(6)

只有大于该阈值的点才能替换为邻域平均值，而差值不大于阈值时，仍保留原来的值，从而减少由于平均化引起的图像模糊。

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。

图3.5 清除小面积对象后的图像

3.4.6边缘检测

图像处理并不仅限于对图像进行增强、复原和编码，还要对图像进行分

析，图像分析旨在对图像进行描述，即用一组数或符号表征图像中目标区的特征、性质和相互间的关系，为模式识别提供基础。描述一般针对图像或景物中的特定区域和目标。为了描述，首先要进行分割。边缘检测是图像分析中的重要内容。边缘是图像的最基本特征。所谓边缘，是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。边缘广泛存在于物体与背景之间、物体与物体之间，基元与基元之间，因此他也是图像分割所依赖的重要特征。

数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域十分重要的基础，也是图像识别中提取图像特征的一个重要属性。在进行图

21

像理解和分析时，第一步往往是边缘检测，目前他已成为机器视觉研究领域最活跃的课题之一，在工程应用中占有十分重要的地位。物体边缘是以图像的局部特征不连续的形式出现的，即是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘具有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变换剧烈。

边缘检测是在图像的局部区域上针对像素点的一种运算，在计算机视觉、图像理解等应用中非常重要。同时也是图像分析与模式识别的重要环节。因为图像边缘包含了模式识别的有用信息，所以边缘检测是图像分析和模式识别种特征提取的主要手段。

边缘检测的基本步骤：

1.滤波：边缘和噪声同属图像中强度变化剧烈的部位，因此边缘检测算子对边缘和噪声都很敏感，因此必须使用滤波来改善与噪声有关的边缘检测算子的性能。

2.增强：增强边缘的基础是确定图像各点领域强度的变化值。增强算法可以将领域强度中有显著变化的点突显出来。

3.检测：在图像中有许多的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。

4.定位：边缘检测定位即边远点的具体位置，除此之外还应包括边缘细化、连接。

3.4.7图像的腐蚀

图像的腐蚀是对所提取的目标图像进行形态学分析。腐蚀处理的作用是将目标图像收缩。运算结果取决于结构元素大小内容以及逻辑运算性质。结构元素是指具有某种确定形状的基本结构元素，例如，一定大小的矩形，圆形或菱形等。

腐蚀处理可以表示成用结构元素对像进行探测，找出图像中可以放下该结构元素的区域。腐蚀是一种消除边界点，是边界向内部收缩的过程。可以用来消除小且无意义的目标物。如果两目标物建有细小的连通，可以选取足够大的结构元素，将细小连通腐蚀掉。 Se=[1:1:1];

22

I3=imerode(I2,Se);

Subplot(3,2,4),imshow(I3),title(\腐蚀后图像\）

MATLAB使用imerode函数进行图像腐蚀。Imerode函数需要两个基本输入参数：待处理的输入图像以及结构元素对象。此外，imerode函数还可以接受3个可选参数：PADOPT、PACKOPT和M，前两个参数的含义与imadilate函数的可选参数类似。另外。如果图像时打包的二进制图像，则M将制定原始图像的行数。

图3.6.腐蚀后的图片

3.5 牌照的定位和分割

牌照的定位和分割是牌照识别系统的关键技术之一，其主要目的是在经图像预处理后的原始灰度图像中确定牌照的具体位置，并将包含牌照字符的一块子图像从整个图像中分割出来，供字符识别子系统识别之用，分割的准确与否直接关系到整个牌照字符识别系统的识别率。由于牌照图像在原始图像中是很有特征的一个子区域，确切说是水平度较高的横向近似的长方形，它在原始图像中的相对位置比较集中，而且其灰度值与周边区域有明显的不同，因而在其边缘形成了灰度突变的边界，这样就便于通过边缘检测来对图像进行分割。

23

3.5.1 牌照区域的定位和分割

牌照图像经过了以上的处理后，牌照区域已经十分明显，而且其边缘得到了勾勒和加强。此时可进一步确定牌照在整幅图像中的准确位置。这里选用的是数学形态学的方法，其基本思想是用具有一定形态的机构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。数学形态学的应用可以简化图像数据，保持它们基本的形态特征，并除去不相干的结构。在本程序中用到了膨胀和闭合这两个基本运算，最后还用了bwareaopen来去除对象中不相干的小对象。对车牌的分割可以有很多种方法，本程序是利用车牌的彩色信息的彩色分割方法。根据车牌底色等有关的先验知识，采用彩色像素点统计的方法分割出合理的车牌区域，确定车牌底色蓝色RGB对应的各自灰度范围，然后行方向统计在此颜色范围内的像素点数量，设定合理的阈值，确定车牌在行方向的合理区域。然后，在分割出的行区域内，统计列方向蓝色像素点的数量，最终确定完整的车牌区域。 3.5.2 牌照区域的分割

对车牌的分割可以有很多种方法，本程序是利用车牌的彩色信息的彩色分割方法。根据车牌底色等有关的先验知识，采用彩色像素点统计的方法分割出合理的车牌区域，确定车牌底色蓝色RGB对应的各自灰度范围，然后行方向统计在此颜色范围内的像素点数量，设定合理的阈值，确定车牌在行方向的合理区域。然后，在分割出的行区域内，统计列方向蓝色像素点的数量，最终确定完整的车牌区域。

'

图3.7.定位出来的车牌区域

3.5.3车牌进一步处理

经过上述方法分割出来的车牌图像中存在目标物体、背景还有噪声，要想从图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的

24

数据分成两部分：大于T的像素群和小于T的像素群，即对图像二值化。均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素。再用模板中的全体像素的平均值来代替原来像素值。

均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的周围8个象素，构成一个滤波模板，即去掉目标象素本身）。均值滤波也称为线性滤波，其采用的主要方发法为领域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度个g（x，y），即个g（x，y）=1/m ∑f（x，y） m为该模板中包含当前像素在内的像素总个数。

3.6 图像边缘提取及二值化

（1）边缘提取

边缘主要存在与目标、目标与背景、区域与区域之间，边缘检测主要是精确定位边缘和抑制噪点，原理是：由于微分算子具有突出灰度变化的作用，对图像进行微分运算，在图像边缘出机器会读变化较大，计算值较高，可将这些为分支作为供应点的边缘强度，通过阈值判别来提取边缘点，即如果为分支大于阈值，则为边缘点。其基本步骤是首先利用边缘增强算子，突出图像中的局部边缘，边缘检测算子有Robert 算子、Soble 算子、Prewitt算子、 Laplace 算子和Canny算子。

(一)梯度算子可分为3类：

1、使用差分近似图像函数导数的算子。有些是具有旋转不变性的(如：Laplacian算子)，因此只需要一个卷积掩模来计算。其它近似一阶导数的算子使用几个掩模。

2、基于图像函数二阶导数过零点的算子(如：M arr—Hild reth或Canny边缘检测算子。

3、试图将图像函数与边缘的参数模型相匹配的箅子。 (二)第一类梯度算子拉普拉斯(Laplace)算子

25

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库基于MATLAB的车牌识别毕业设计(6)在线全文阅读。