车牌识别图像处理过程总结(精选.)

图像处理在车牌图像预处理中的应用

●灰度化

●车牌图像灰度化

●直方图均衡化

●灰度拉伸

●二值化

●全局阈值法和局部阈值法

●适用于车牌的二值化方法

●边缘检测

●图像梯度

●几种常见的边缘检测算子

●适用于车牌的边缘检测算子

一、车牌识别系统结构

车牌识别系统通常由数据采集(车牌图像摄取)，车牌提取，车牌识别几个主要部分

组成，其系统结构如图 1.1 所示：

车牌自动识别系统中：

1.图像摄取主要由硬件部分完成，它提取汽车的前景图像，将摄像头的视频信

号转换为数字图像信号送给计算机处理。

2.车牌图像预处理。由于拍摄的自然环境及光照条件的影响，车牌图像中存在

许多干扰，对车牌的定位带来不便，为了更好的提取车牌，需要对车牌图像进行预处理以保证车牌定位的质量。

3.VLP 检测。即图1.1 中虚线环绕的部分，这一部分是系统的核心，它的实

现影响着整个系统的性能，主要利用模式识别、数字图像处理、信息论等知识对车牌图像中的车牌进行定位及提取操作。

4.字符分割及识别。当车牌被成功提取后，需要分割其中的字符，并利用先验

知识对其进行识别，以得到最终结果。

二、图像处理具体过程

图像处理是人工智能在计算机图形学中的一个重要分支，是车牌识别系统的理论依据。在自然条件下摄取的车牌，除了包含大量噪声外，还具有多样性。为了使系统能够更好的分离车牌，必须对原始图像进行预处理。本章主要讨论车牌图像预处理的一些常用方法，包括图像的灰度二值化、噪声处理、边缘提取等。

当摄像机从外界摄入视频图像时，首先把它转换为静态图片，再送入计算机进行处理。由于拍摄环境的多变性，车牌图像中存在噪声和干扰，这些给车牌提取带来困难。系统首先将输入的彩色图像灰度化，并且进行亮度平均，使图像具有较好的对比度；对图像进行边缘提取操作前，往往先要进行噪声抑制操作，以提高边缘提取的质量；二值化则多用于已提取车牌的处理上。

车牌图像预处理的难点在于：

1.车牌图像质量不佳，灰度化后会弱化图像中的车牌信息，因而好的灰度化处理非常必要；

2.由于光照的原因，车牌很可能出现过分灰暗或明亮的情况，这种条件下的二值化处理应该分情况讨论，对应特殊的分割阈值；

3.图像中的复杂背景具有丰富的边缘信息，不但会增加系统识别的难度，也会造成系统的误判，怎样去除这些不必要的背景十分关键。实际操作中，因为车牌处于图像的中部偏下位置，所以通常取图像的下半部分进行处理或优先考虑图像中靠下方的位置。

4.车牌中的字符很容易在预处理中发生变形或丢失信息的情况，要注意保持车牌的字符信息。

2.1 灰度化

在计算机中，一幅图像由若干个像素组成，每个像素都带有图像的相关信息(如背景、目标、噪声等)，而图像处理技术则通过对这些像素进行处理而得到我们所需要的关键信息。

2.1.1 车牌图像灰度化

一般情况下，输入计算机的视频截取图像为RGB 格式，即彩色图片。由于这种图像包含大量的颜色信息，它的每个像素都具有三个不同的颜色分量R(Red)、G(Green)、B(Blue)，这样的图片占据的存储空间很大，而且在对其进行处理时也会耗用较多的系统资源，导致系统的执行效率不高。与之相比，灰度图像只含有亮度信息，从而大大减少了系统的工作时间，满足汽车牌照识别系统的实时性要求。因此，在对图像进行其它预处理之前，一般先将彩色图像转换成灰度图像。

最基本的灰度化方法就是直接使用R、G、B 三分量中的最大值或平均值来代替各个分量。灰度化以后，相同颜色的像素具有相同的亮度，这就形成了以亮度为层次的灰度图片。灰度值大的像素比较亮，反之较暗。通常把灰度值分为256 等份，0 度表示最暗的级别，即黑色；255 表示最亮的级别，即白色。

图像的灰度化转换还有其它不同的算法，比较常见的是给像素的R、G、B 分量各自增加一个特定的加权系数，相乘后求和，其计算结果作为灰度值，转换公

式如下：

I = 0 .229 R+0.587 G+0.114 B

式中I 表示像素的灰度值。

加权系数的取值建立在人眼视觉模型的基础上，对于人眼比较敏感的绿色分量，赋予较大的系数，而对于人眼比较迟钝的蓝色分量则取较小的系数。这样得到的灰度图像在视觉上比较接近人的主观感觉。

2.1.2 直方图均衡化

由于灰度图像建立在彩色图像的基础上，所以在不同的光照条件下，对同一辆汽车所拍摄的图片有着很大的差异。就车牌图像而言，灰度的动态取值范围越广(即图像的对比度越大)越有利于图像分析。

图 2.1-2.4 分别给出了白天和傍晚时相同汽车的彩色车牌图像及灰度图像。

从图中我们可以看出，由于白天的光线较好，使得汽车的灰度图像存在较大的对比度，肉眼上更容易识别。而在实际拍摄条件下，影响图片亮度的因素除了天气外，汽车自身的反光现象也是一个原因。

当车牌图像在反光或傍晚拍摄时，图像中的白色或黑色区域较大，使得图像的整体像素灰度值偏向于两个极值。在这种情况下，车牌区域的对比度就被弱化了。因此，我们要使图像的灰度值分布平均化，这就是直方图均衡化的作用。

图像的直方图是一个概率函数图像，它表示了图像中各种像素值的出现概率，而直方图均衡化则是通过某种变换，得到一幅具有均匀灰度密度分布的新图像。

其结果是扩展了图像的灰度取值范围，从而达到增强图像对比的效果。

设原始灰度图像的像素数目为N，那么，直方图均衡化的具体计算步骤如下：

直方图均衡化的结果如图 2.5-2.8 所示，可以看出经过均衡化处理后图像的对比度得到了增强，直方图中的灰度函数分布基本平均。

2.1.3 灰度拉伸

由于直方图均衡化是对图像中已经存在的像素值进行平均，那么图像中出现较多的像素级就在均衡过程中起到了主要贡献作用。相对灰度级出现较少，图像灰度处于极端的情况而言，我们需要图像的像素值在各个灰度级都有均匀分布(包括原图中不曾出现的灰度级)，灰度拉伸可以达到这个效果，从而起到增强图像

对比的作用。

如果造成图像的对比度不足，主要原因在于拍摄目标的远近不同，使得图像中央区域和边缘区域的灰度失衡，或是由于摄像头在扫描时各点的灵敏度有较大差异而导致图像失真，或是由于曝光不足(或过度)致使图像的灰度值大小被限制在一个很窄的范围内。这时的图像模糊不清，似乎没有灰度层次。

假设原图像f ( x,y)中，大部分像素的灰度级在一个较窄的范围[a, b]内，又或者我们只对灰度级在某个范围内的像素感兴趣，经过线性灰度变换后，可以将这一灰度范围[a, b]扩展到新图像g ( x,y)中一个比较大的灰度范围[c, d]。并且有

。f ( x,y)和g ( x,y)的变换公式如下：

从灰度直方图分析，由于新图像的灰度范围变大，所以对数字图像来说，尽管变换前后像素的个数不变，但不同像素的灰度差变大，增强了图像的对比度。同时，这种两端截取式的变换使小于灰度级a和大于等于灰度级b 的像素分别直接变为c和d ，将会造成部分信息的丢失。

因此，可以采用分段线性灰度变换以减少信息的丢失，将图像灰度分成两个以上的区间分别进行线性变换。这种方法的优点在于可以根据需要来拉伸感兴趣的灰度范围，相对抑制不感兴趣的范围。分成三段进行灰度变换的公式如下：

公式对灰度范围[a,b]进行了灰度扩展，而对灰度范围[0,a]和[b,m]进行了压缩。通过调整折线拐点的位置和分段直线的斜率，可以对任意灰度范围进行扩展或压缩。利用某些非线性函数，例如对数函数、指数函数等作为变换函数，可实现图像的非线性变换。对数变化一般为：

其中a、b 和c为可调参数，用于调整曲线的位置和形状，它使图像的低灰度区得以扩展，而高灰度区得以压缩。与之对应的指数变换一般为：

其中a、b 和c同样为可调参数，用于调整曲线属性。它的效果与对数变换的效果相反：扩展了图像的高灰度区，压缩的图像的低灰度区。利用对数函数进行灰度变换在实际应用中有重要意义，它能扩展低灰度区，符合人们在视觉上的主观感觉。

如图 2.9-2.12 所示，可以看出经过灰度拉伸处理后的图像的灰度分布区域由(0,200)变换到另一个区域(128,255)，图像的亮度明显增大。

2.2 二值化

一幅灰度图像的亮度信息由256 个灰度级组成，它能够呈现较为丰富的明暗度。当我们识别车牌时，需要把目标从背景中彻底分量出来。为了尽可能少地减少背景像素干扰，常常直接把图像分为目标和背景两部分。这样我们只能用两个灰度级：0 和1。通常目标像素值为1，背景像素值为0。要得到这种黑白分明的图像，我们需要对图像进行二值化。

设图像二值化前的像素值为 f ( x,y)，其中( x ,y)表示图像的空间点坐标，变化后的像素值g ( x,y)为：

其中c为我们所说的阈值。

目前，在车牌识别系统中常用的灰度二值化算法主要包括全局阈值法和局部阈值法等。并且出现了一些针对车牌图像的特殊二值化算法。由于上文介绍了图像的灰度化变换，所以下面将逐一介绍基于灰度的三种阈值法算法。

2.2.1 全局阈值法和局部阈值法

顾名思义，全局阈值法就是从图像的整体角度出发，计算图像的单一阈值的方法，主要有迭代法和Otsu 法等，这里我们介绍Otsu 法。

Otsu 法是常用的一种阈值选取方法，这是一种类间方差阈值法，它是在最小二乘函数的基础上推导出来的。基本思想是：取一个阈值k ，将图像中的像素按灰度值分为大于等于k 和小于k 两类，也就是我们所说的目标和背景两类。

求出两类像素的方差和总体方差。然后给定三个分离指标：

任取其中一个，这里我们取第一个分离指标Q1 ，找出使其值最小的k 即为最佳阈值。其意义是使不同种类的方差最大，相同种类的方差最小。用P (i)示图像各灰度级的频数，则阈值的计算步骤为：

各参数的计算公式分别如下：

4.令k = k+1，重复计算上一步，直到k 取到最大灰度级

maxk ；

5.找出令分离指标

Q 1最小的k 值，该值为最佳阈值。

局部阈值法则是针对灰度图像中的每一个像素点进行计算的。它将图像分块，为每一块选取一个阈值进行分割，如果某块内同时有目标和背景，则直方图呈明显双峰状态，可定出局部阈值；如果一块内只有目标或背景，那么直方图不呈双峰，但可根据邻近有双峰区域的阈值通过内插而得到这一区域的阈值。局部阈值法的难点之一是判断直方图是否存在双峰。一种较为直观的方法是：如果某一块只有目标或背景，那么它的差分值就比较小。算法设计如下：

由于全局阈值法是从图像的整体角度出发计算单一阈值，因而计算时间较短，适用于目标与背景存在较大对比度的图像；而局部阈值法则是逐个计算图像中的每个像素灰度级，保存了图像的细节信息。相比全局阈值法来说，它的计算时间较长，计算量较大，但适用于背景信息丰富的图像。

2.2.2 适用于车牌的二值化方法

由于车牌图像的特殊性，它包含的信息一般要少于普通的图像，综合考虑全局阈值法和局部阈值法的优缺点，可以得到一种比较适合车牌图像的二值化方法。实际处理中，由于光照不匀、灰度级动态范围太窄和车辆牌照污损等原因影响，致使车牌的质量退化，常存在严重的伪影和模糊的字符边缘，因而极大影响了车牌图像的二值化效果。而将牌照图像的空间分布特征[21]与最大类间方差的统计特征相结合后，不仅能消除不均匀光照引起的伪影，还能减少笔画出现断裂现象的几率，二值化效果较好。

假定牌照图像中字符像素所占比例为

R1，背景像素所占比例为R2，则0

2.3 边缘检测

数字图像的边缘检测是图像分割、目标识别、区域形状提取等图像分析领域十分重要的基础。边缘是图像的重要特征，图像理解和分析的第一步就是边缘检测。在车牌识系统中，车牌区域存在大量的边缘信息，这是车牌区域不同于其它区域的一个重要特征。因此，边缘检测对于车牌识别非常重要。

所谓边缘，就是指其周围像素值的变化呈现阶梯状或屋顶状的像素的集合，它存在于目标与背景、目标与目标、区域与区域、基元与基元之间。边缘反应了空间频率的变化，是图像分割的重要特征，也是纹理信息形状特征的基础。所以，我们要把车牌从图像中分割出来，就要找到车牌区域与其它区域之间的边缘，从而进行图像分割。由于边缘处于两个不同区域之间，所以边缘具有方向和幅度两个特征。沿边缘走向，像素值的变化平缓；而垂直于边缘走向，像素值的变化明显。它的存在相当于函数中的转折点或拐点，因而边缘上像素值的一阶导数较大，二阶导数为零。

2.3.1 图像梯度

在介绍边缘提取方法之前，先引入图像梯度的概念。对于图像 f ( x,y)，它在点( x ,y)处的梯度定义为一个矢量：

综上所述，这一章主要介绍了数字图像处理在车牌预处理方面的一些应用，包括输入图像的灰度化、二值化、噪声处理和边缘提取等。图像预处理是车牌识别系统中非常重要的一个环节，它的好坏直接影响了二值化的质量，对整个系统的精度也有着深远的影响。

最新文件仅供参考已改成word文本。方便更改