不均匀光照下的灰度车牌图像二值化方法设计与实现.docx

不均匀光照下的灰度车牌图像二值化方法设计与实现.docx

《不均匀光照下的灰度车牌图像二值化方法设计与实现.docx》由会员分享，可在线阅读，更多相关《不均匀光照下的灰度车牌图像二值化方法设计与实现.docx（45页珍藏版）》请在冰点文库上搜索。

不均匀光照下的灰度车牌图像二值化方法设计与实现

不均匀光照下的灰度车牌图像二值化方法设计与实现

GrayLicensePlateImageBinarizationMethodunderNon-uniformIlluminationDesignandImplementation

*

摘要

数字图像处理是用一种特定的计算方法对数字图像进行处理的一种过程，在研究过程中，不均匀光照下的图像二值化是数字图像处理中的一个难题，在汽车牌照自动识别系统工作当中，往往会在特殊的场景下遇到复杂的光照环境，因此经常会出现车牌光照不均的现象，给图像二值化带来困难。

本文介绍了在不均匀光照下对灰度车牌二值化的一种局部阈值的方法：

Bernsen法。

实验表明，在复杂光照下对于车牌的二值化采用传统的全局阈值法效果并不乐观，而使用局部阈值法能够有效地克服不均匀光照对车牌识别的影响，二值化效果较好，车牌识别率得到显著的提高。

关键词：

不均匀光照；二值化；局部阈值法

Abstract

Digitalimageprocessingistouseaspecificcalculationmethodfordigitalimageprocessingprocessofakindofimageprocessingintheprocessofresearch,thenon-uniformilluminationimagebinarizationisadifficultproblemindigitalimageprocessing,thecarlicenseplateautomaticrecognitionsystemofwork,oftenencounteredinspecialsituationsofcomplexlightenvironment,sooftencanappearthephenomenonofunevenillumination,thelicenseplatebringdifficulties.Thegrayscaleplatesundernon-uniformilluminationofalocalthresholdbinarizationmethods:

bernsenmethodinthispaper.Andcomparingtheglobalthresholdmethod,theexperimentalresultsshowthatundercomplexilluminationforthelicenseplateoftheglobalthresholdmethodwithtraditionalbinarizationeffectisnotoptimistic,andusinglocalthresholdvaluemethodcaneffectivelyovercometheeffectsofnon-uniformilluminationonthelicenseplaterecognition,theeffectofbinarization,licenseplaterecognitionrateareimprovedsignificantly.

Keywords:

Non-uniformillumination;Binarization;Localthresholdvaluemethod

第1章绪论

1.1图像与数字图像

图像是一种可以用直接或者间接的方式作用于人的眼睛，并且产生视觉效果的实体，它可以用各种各样的观测系统反映出客观世界。

人类从自然环境中获取信息最直接最主要的手段就是通过视觉。

根据相关的统计数据显示，在人类能够获取到的所有信息当中，大约60%来自于视觉，20%来源于听觉，而通过其他方式获取的信息加起来才只占到了20%[1]。

由此可以看出，视觉信息在人类的生活当中起到了着举足轻重的作用。

然而，图像无疑是人类在获得视觉信息的途径当中最主要的成分，也是人类能够体验到的最重要、信息量最大的信息来源。

通常情况下，客观事物都是以三维的（3D）方式存在于各类空间当中，但是从客观的景物中获取的图像却都是存在于二维（2D）平面当中的。

一般来说，图像都会以各种各样的方式存在，有些是可以看见的，而有些是无法用视觉辨别的；有些是抽象的，潜移默化存在的，而有些又是实际的，我们触手可及的；而对于计算机的处理来说，有些图像恰恰是适用于它的，但还有一些是无关于它的。

然而究其本质，我们可以把图像总结为这样的两大类。

模拟图像。

模拟图像是指用胶片或者是磁带这样比较传统的图像记录工具采集到的图像。

这其中也包含了很多跟我们生活息息相关的东西，比如说照相图像和电视图像等。

当然，光学图像也不例外，而我们平时在显微镜的辅助下观察到的一些图像，就运用了光学的原理。

模拟图像最大的优点就是，人们会以很快的速度去处理它，但不得不承认，它的精确度很难保证，而灵活性也相对较差，并且不能使用任何的电子设备进行传递和转移。

数字图像。

数字图像也就是我们现在经常说到的数码成像，可以用无线设备将其传送到云端。

但它与模拟图像也存在着密不可分的关系，因为这些数字图像也是模拟图像在经过一些处理之后得到的点阵图像，而这些处理的方法也必须是离散化的。

但是严格的来说，数字图像必须先要通过相同距离的矩形网格进行采样，然后在幅度方面要进行相同间隔量化的一种二维函数。

所以也可以说，数字图像就是一种二维采样数组，只不过是被量化了而已。

一般来说，很多个像素（pixel）的结合才能组成一个数字图像。

如有一张图像显示256×400，也就是说，这个图像是一个矩形图，而在它的水平方向有256列像素，垂直方向有400行像素。

每个像素也是有它们特定的属性的，其中包括颜色（color）以及灰度（grayscale）这样一些对于一幅图像的好坏来说，起决定性作用的因素。

颜色的量化也分为很多的等级，从单色到24位真彩色，他们的等级越高，也就意味着误差会更小，图像在颜色方面呈现出来的表现效果也会越强。

而在单色图像当中，灰色作为像素亮度的一个表象性特征，它的等级越高，呈现出来的表现效果也会越强。

然而量化等级的增加也必然会导致数据量的扩大，这样一来，在处理图像的时候，不但会使计算量增大，它的复杂程度也会随之而增加。

相对于模拟图像来说，数字图像明显还是具备很多的优点：

（1）精度高。

现在高速发达的计算机技术完全能够使一幅模拟图像用数码转换成一个二维数组，也就是说任意多个像素都能够构成一个数字图像，而所有像素又能量化为成一个12位也就是4096个灰度级的亮度，用这种精确度去处理一个数字图像，它得到的效果是跟一副彩色照片近乎一致的。

（2）处理方便。

从本质上来说，数字图像其实就是一组数据，所以如果想对它进行修改的话，计算机是完全可以用任何方式去完成的，比如说改变图像的大小、颜色，或者保留、删除其中的一部分内容等。

（3）重复性好。

对于我们最常见的模拟图像，比如说照片来说，即便当初照相时使用的是非常昂贵的相机，或者用了品质极佳的相纸，都会在时间的冲蚀下变得泛黄或者褪色，而数字图像的优点就在于，它可以随时保存在任意的光盘当中，几十年甚至上百年之后，当你再用计算机打开它的时候，依然可以看到当时鲜活的画面。

数字图像处理经过初创期、发展期、普及期及广泛应用几个阶段，如今已是各个学科竞相研究并在各个领域广泛应用的一门科学。

随着科学技术的进步以及人类需求的不断增长，图像处理科学无论是在理论上还是实践上，均会取得更大的发展[2]。

1.2数字图像处理技术内容与发展现状

数字图像处理就是用一种特定的计算方法对数字图像进行处理的一种图像处理过程，并且通过这样的方法能够满足视觉或其他的一些接受系统上的需求。

是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术[3]。

对于图像处理来说，数字必然是一个基础性的要素。

而图像处理的最主要的任务还是要对它的算法进行各种各样的设计并得以实现。

就目前来说，越来越多的领域都已经慢慢开始重视图像处理技术，而他们也一直在这方面取得了相当不错的成绩。

但是毕竟各个领域的需求是不同的，所以根据这些需求就产生了以下几个分支技术：

（1）图像变换。

图像的阵列比较大的时候，如果直接在空域中进行相应的处理，将会产生很大的计算量[4]。

所以，这时候就需要一种变换方法，比如说最常见的傅立叶变换和离散余弦变换，除此之外还有小波变换这样相对间接的处理技术，以此方式就可以把空域处理转变为变换域的处理，这样就能够减少一部分计算量，在性能方面也可以得到提高。

（2）图像增强与复原。

主要还是为了使图像的可用性增加，削弱不必要的干扰，使图像更具清晰度。

图像增强其实不准确无误的展现出最原始的图像，但这一点，需要图像复原就可以完成，而它也同时可以消除一些在图像的获取当中产生的某一部分退化。

（3）图像压缩编码。

它的条件是需要满足特定的保真度，从而能够对图像有关数据和信息编码，通过对这些信息量的压缩，来减少对图像的描述量，用这样的方法更加方便的保存和传输,在各种各样各样的应用背景之下，图像压缩也存在两种不同的方法，一种是失真压缩，另一种是不失真压缩[5]。

（4）图像分割。

作为数字图像处理当中起关键性作用的技术，图像分割最大的价值就是可以提取出图像当中最具重要意义的一部分[6]。

如果需要对图像进行分析或者理解，图像分割也就起到了基础性的作用，图像的有意义特征包括图像的边缘、区域等。

而图像边缘及区域等，就是对于这个图像来说最具重要意义的一部分。

（5）图像分析。

在图像当中存在着很多不同的对象，对它们进行分类，或者识别、描述以及分割，都可以称为是对此图像的分析。

（6）图像识别。

图像识别可以归纳到模式识别的行列当中，也就是在图像经过一些类似于增强、复原以及压缩这样的预处理之后，再对图像进行分割或者提取，从而更好的判别可以把把图像分为哪一类[7]。

而对于图像分类来说，最常用，也是相对来说更经典的识别方法有两种，一种是统计模式分类法，另外一种就是句法模式分类。

近些年以来，有两种最新分类方法也开始被重视，它们分别是模糊模式识别和人工的神经网络模式。

（7）图像隐藏。

就是在媒体信息当中一种相互隐藏的方式，其中最常见的除了数字水印，还有一个就是图像上信息的伪装等。

这些图像处理方式其实都是相互依存不可分割的，然而对于一个实用性的图像处理系统来说，要想得到一种需求，一般都会将几种不同的处理技术进行结合。

比如说，图像变换显然对于图像编码技术来说起着基础性的作用，而图像处理最后的目的又是图像的增强和复原，这些又能够为下一步的图像处理工作做好充分的准备；如果一个图像的特征是通过图像分割的方法得到的，那这个图像特征不但能够被视为最后的结果，而且还能作为进一步图像分析基础性的要素[8]。

由于图像处理技术具备不同的特征，所以也会被运用于各种不同的领域，从而发展出各种各样的分支学科，比如说遥感图像处理和医学方面的图像处理等，其他还有一些重要领域，比如说计算机图形学、人工智能以及机器人视觉等不同领域，这些学科都和图像的处理有着密不可分的关系。

图像处理技术在发展方面大概经历了从初创期、发展期到普及期，再到最后的实用化期这四个阶段。

初创期大概是从上个世纪60年代开始的，当时的图像大多数都是采用中型或者大型机器设备通过像素型光栅用扫描显示的方法进行处理的。

在此期间，基于图像保存的成本很高，而这些用于处理的设备又很昂贵，所以它的应用领域非常的狭窄。

进入到70年代也就是发展期之后，更多的中、小型机器设备被广泛地应用于图像处理方面，并且逐渐开始运用光栅扫描的方式，当时CT出现，卫星遥感图像也应运而生，这些都大大的推动了图像处理技术的进一步发展。

到了上世纪80年代，图像处理技术也随之而步到了普及期，这个时候微机已经完全可以对图像进行处理了。

当时超大规模集成电路（VeryLargeScaleIntegration,VLSI）明显的提高了图像处理的速度，与此同时也极大的改善了设备价格昂贵的问题，在图像系统的推广以及应用等方面起到了巨大的促进作用。

当图像处理技术发展到90年代的实用化时期之后，极大的图像处理信息量促使各领域对于图像处理的速度也产生了非常高的要求。

数字图像的处理对于现如今存在的一些实际应用来说还具有很多的特点。

（1）处理的信息量很大，导致对于处理速度的要求越来越高。

现在大多数的处理信息都是二维的，数量巨大。

比如说一幅256×256低分辨率的黑白图像，要求64Kbit的数据量；对高分辨率彩色512×512图像，则要求256Kbit数据量；如果要处理30帧/s的视频图像，则每秒要求处理500Kbit~22.5Mbit数据量[9]。

所以就会需要一个计算速度极快的计算机，同时还要具备很大的存储容量等。

（2）占用的频带较宽。

数字图像跟语音信息相比较，最大的特点就是，它要比语音信息要占有更大数量级的频带[10]。

比如说，一般电视的图像需要大概56MHz的带宽，而语音却仅仅需要大约4KHz的带宽。

所以对于数字图像来说，无论是想实现成像、传输，还是存储、显示以及处理等环节，都存在很大的技术难度，而且成本相对较高，与此同时，在频带的压缩技术方面也产生了相较于之前更高的要求。

（3）数字图像的每一个像素之间都存在着很强的相关性，而且压缩的潜力也很大。

在图像的画面当中经常会发现，有很多像素的灰度是接近甚至是相同的。

一般来说，相邻两帧之间和帧内的相关性都有很大的差别，而前者往往大于后者。

所以也能由此看出，图像处理当中，信息压缩依然具备巨大的潜力。

（4）主观因素严重影响着图像质量的评价。

人类都具有非常复杂的视觉系统，所以，要想把一个处理后的数字图像拿给人去观察或者是评价，所得到的结果一定会受到环境条件、人的情绪，以及爱好或者是知识状况的很大影响，所以人的主观因素会在很大程度上影响到评价的结果。

除此之外，所谓的计算机视觉其实也是模仿人类的视觉而产生的，所以说究竟应该怎么样去客观公正的评价一个图像的质量，也是人们现在需要深入研究的一个重要课题。

（5）图像处理技术需要很强的综合能力。

数字图像的处理技术通常涉及到了非常广泛的方面，除了通信技术和计算机技术之外，电子技术和电视技术，以及越来越多数学和物理方面的应用，都离不开图像处理技术的基础知识和专业技能。

比如说，信息论与抽象数学融合才会产生跟图像编码有关的理论基础，而图像的识别不但需要具备随机过程的知识，还需要掌握信号处理等方面的技能。

除此之外，像小波变换和神经网络，以及分形理论等等类似于这样的课题，还需要更为专业的知识储备。

另外，图像的处理应用性极强，而且它和计算机技术的运用与发展相适应。

如今电子技术在不断的提高，计算机技术也在全面地普及，不得不承认数字图像的处理技术正在飞速发展。

1.3本文的各章节内容和结构

第一章介绍了图像与数字图像处理的概论，简要说明了现阶段对于数字图像处理的一些技术。

第二章介绍了对于灰度车牌图像二值化的概述，灰度图像二值化的意义，以及现阶段对于灰度图像二值化的一些应用。

第三章介绍了图像二值化方法的研究动态，以及对于车牌识别系统经常会用到的两类方法，即全局阈值法和局部阈值法。

第四章用全局阈值法和局部阈值法分别对原图像进行处理，并对仿真结果进行了对比和总结。

第2章灰度车牌图像的二值化

2.1对于灰度车牌图像二值化的概述

近些年以来，高速公路的普遍发展和人们对于交通智能化日益增长的需求不断扩大，促使随之而产生的汽车牌照的实时自动识别技术开始引起人们大量的重视。

汽车牌照的自动识别技术无论是在智能交通管理方面还是在公共安全等体系当中都存在着举足轻重的作用，同时也具备了非常好的应用前景，而它也成为了目标自动识别当中一个非常典型的问题。

车牌识别系统（LPR）在智能交通系统的技术当中起着关键性的作用。

如今ITS在人们的工作生活中的已经被广泛地应用，随之而来的LPR也得到了飞速的发展，因此，它也逐渐被应用到了我们生活的方方面面。

LPR的发展前景非常的广泛，所以无论是它的开发项目还是研制工作，在国内外都备受关注，它在很多的领域都有所涉及，无论是对于图像处理和人工智能技术，还是对模式识别和信息论等很多学科来说，都是一门综合性极高的应用技术。

车牌识别系统也包含了很多的内容，例如车牌图像获取、车牌定位，以及图像预处理、字符的分割和识别[11]。

车辆图像无论是自然环境还是车自身，都具备非常复杂的背景，同时，光照条件和天气条件等一些因素都会对其产生不利的影响。

所以，在车辆图像的获取过程当中，除了这些背景因素之外，车牌照不同程度上存在的磨损和变形，都会使车牌定位在准确率方面大大减分。

为了提高车牌定位的准确率，就是需要对采集到的原图像进行一些预先的处理，也就是我们前面所提到的图像预处理。

图像二值化在数字图像处理当中占据着非常重要的作用，不但可以为识别字符做足准备，而且也是保证字符识别精确度的最主要前提，而对于最终得到的识别结果来说，字符的识别也起到了决定性的作用[12]。

中国的汽车牌照主要分为三种，一种是黄底黑字，另外两种则分为蓝底白字和黑底白字，而它们的灰度图像也可以分为两大类，分别是白底黑字和黑底白字。

然而在一些情况之下，不均匀的光照、畸变的摄像机、不充足的曝光量和过窄的动态范围等情况，都有可能造成牌照图像出现不同程度的伪影；而且由于不均匀的图像灰度和天气或人为原因造成的牌照上的污垢、灰尘等，都非常容易模糊牌照字符上的图像边缘，以至于很难清晰的分辨和识别字符，使二值化的效果受到严重的影响，车牌图像二值化作为车牌识别系统的关键性步骤，二值化的效果的好坏也必然成为了影响车牌识别系统准确性的决定性因素[13]。

所以，能够在绝大多数场景下，尤其是受自然因素影响的光照，产生的污垢或者灰尘的条件下，准确迅速的识别

汽车牌照的信息，在这个信息快速发展的时代非常必要。

2.2灰度图像与二值图像

2.2.1彩色图像

彩色图像在多光谱图像中的被视为一种特殊的情况，人类的视觉有三基色，它们分别是红（R）、绿（G）、蓝（B）这样三个波段，它近似于人眼睛的光谱量化性质。

R、G、B三种颜色的分量决定着彩色图像彩色图像的每一种颜色，每个分量都可以取255种值，而正是这样的像素点，构成了1600多万种颜色的改变范围。

灰度图像作为一种相对特殊的彩色图像，它的R、G、B三种颜色的分量都是相同的，一个像素点也具有255种变化范围。

图2.1为彩色图像。

图2.1彩色图像

2.2.2灰度图像

灰度图像是黑白的，所以灰度照片又被称为黑白照片，同样类似于黑白电视当中显示出来的图像，只是点与点之间黑色程度都有明显的差异，这就是所谓的深度。

灰度图像的组成部分不止是黑白两种颜色，一般来说一个256级的灰度图，也就意味着是256种不同的灰度级颜色组合而成了这个图像。

所以色彩信息是不包括在灰度图像当中的，而亮度信息则包括在内。

图2.2正指图像灰度化效果，这个特殊的彩色图像也是R、G、B三个相同分量的颜色组成的灰度图像，它的一个像素点同样有255种灰度范围。

编译颜色的空间我们可以分为三个种类，也就是我们常说的YUV，其中“Y”是指亮度“U”是指色度“V”则代表浓度，根据这三种分类，Y的分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应，如公式（2-1）所示。

（2-1）

以这个亮度值表达图像的灰度值。

图2.2灰度图像

2.2.3二值图像 

二值图像是指图像的每一个像素中，只有黑白两个灰度组成，而在这个灰度值中间不存在过度的图像[14]。

二值图像一般占用的空间相对较小，不但有很快的处理速度，而且还能运用布尔逻辑对图像进行运算，极大的提高了效率。

不过更为关键的一点在于，在此基础之上，我们还能够从中获取到这些图像的重要特征。

 除此之外，就进行相关的这方面来说，使用二值图像显然比使用灰度级图像能够获得更多更好的相关性能，同时还能起到极佳的降噪作用。

如果把它运用在硬件当中，还有效的避免了一些繁琐的乘法运算，不但使硬件系统速度有了很大的提高，而且还节省了很多的成本，一举两得。

二值图像跟灰度级图像相比，在符号的匹配方面也占据着明显的优势，因为它的表达方式很适合运用到符号，并且确保它的准确性。

毫无疑问，二值图像在极大的压缩了信息量的同时，还对原始图像的一些重要特征进行了一定程度的保留，功不可没。

图2.3为二值图。

图2.3二值图像

2.3 灰度图像二值化原理及意义

在灰度图像当中，色彩信息是不包括在其中的，而它最主要的成分还是亮度信息。

然而，我们可以通过一种处理方式使灰度图像由彩色图像转化而得到，这种方式我们称其为灰度化处理。

彩色图像是由R、G、B三种分量共同组合在每一个像素当中的，也有255种值可以从每个分量当中获取得到，这其中的每个像素点的颜色都有巨大的可变范围，这个数值大概有1600多万。

但是灰度图像在彩色图像当中完全属于一种特殊的情况，因为它R、G、B三种分量的构成比例是完全相同的，每个像素点此时也已不是1600多万，而仅有255种，所以为了在数字图像处理的过程当中减少一定的计算量，一般情况下会先把任意图像转换成灰度图像。

灰度图像在描述的方面跟彩色图像大相径庭，它们都是使一幅图像分成整体、局部两部分，然后对其颜色和亮度的等级进行分布的研究和特征的判断。

使一幅彩色图像灰度化处理的方式显然离不开像素点的分量，但在此之前我们首先需要掌握R、G、B这些分量的平均值到底是多少，了解之后，使这三个分量达到相等，便可以实现灰度化处理的效果。

有图像的灰度化处理，必然也少不了图像二值化的处理，二值化处理最明显的特征就是灰度值的变化，此时灰度值需要调整到0或255，与此同时产生的图像也只有黑白两种色调。

这种方法同样在反映图像整体特征的同时，也反映出了图像局部的特征，但它的不同之处在于，它需要选取一个相对恰当的阀值，并用这个阀值来获得一个灰度图像，而这个图像也同样拥有256个不同亮度等级。

显而易见，二值图像在数字图像的处理当中具有非常重要地位，最典型的例子也往往就发生在一些实用的图像处理当中，在我们身边很多领域或者是各种各样的环境中，有许多系统性的东西都是通过二值图像的处理而成并得以实现的，但无论是对二值图像进行处理还是需要对此图像进行分析研究，都需要做到一个必不可少的前提，就是通过一个灰度图最后得到一个二值化的图像，由此一来，像素的值被调整到0或255的位置之后，图像的一些集合性质就不再跟多级值有关，而只与这个点的位置相关联， 这样一来，在进行下一步图像处理的时候，处理的方法也不再复杂，数据量也明显减少。

除了二值图像的重要作用，它在图像分析当中广泛的应用度也是可见一斑，正如前面所提到的，二值图像只有黑和白这两个灰度级，占据的存储量非常小，而且具备极快的处理速度，通过布尔逻辑就可以方便的解决运算方面的问题。

但同时也不得不承认，在此基础之上，如需得到一些更多方面的特征，特别是几何特征，就必须对该图像进行进一步的处理。

2.4灰度图像二值化的应用

在图像处理的所有分支性结构当中，图像二值化无疑是最活跃的一部分，它的应用领域可以说涉及到了每一个人生活的方方面面，就拿人人必备的身份证来说，它所具备的识别技术能过快去速的运用于各个重要的行政工作当中，比如说调查暂住人口、核查公民的身份、核查酒店业的信息登记以及追逃犯罪人员等，这些都对公安工作的效率起到了极大的帮助作用。

身份证对每个人来说都具备不可忽视的重要作用，所以对于身份证图像的处理也应该做到慎之又慎，因为它不但具有激光的防伪阴影网格，而且其版面也是由各