边缘检测在车牌识别中的应用.doc

边缘检测在车牌识别中的应用
摘要：车牌自动识别系统作为智能运输系统的重要组成部分，有很广泛的应用前景。车牌图片预处理是汽车牌照识别系统中的一个重要的环节，预处理的好坏对车牌系统识别率影响很大。文中介绍了常用的几种边缘检测算子，不同的微分算子对不同边缘检测的敏感程度是不同的，因此对不同类型的边缘提取，应该采用对此类边缘敏感的算子进行边缘提取。
关键词： 车牌识别、边缘检测
1、引言
汽车牌照的自动识别是计算机视觉与模式识别技术在智能交通领域结合应用的重要研究课题之一，是实现交通管理智能化的重要环节[1]。车牌识别技术[2]是计算机视觉和模式识别技术在现代智能交通系统中的一项重要研究课题是实现交通管理智能化的重要环节。它是以数字图像处理、模式识别、计算机视觉等技术为基础的智能识别系统。
汽车牌照最主要的特点就是其边界。汽车牌照底色、牌照边缘颜色以及牌照以外的颜色都是不相同的，表现在汽车原始图像中，即灰度级互不相同，这样就在牌照的边缘形成了灰度突变边界。边缘检测[3,4]是大多数图像处理必不可少的一步，也是所有基于边界的图像分割的第一步，它的任务就是精确定位边缘和抑制噪声。图像的边缘是指图像局部亮度变化最显著的部分，即在灰度级上发生急剧变化的区域。
2、图像边缘检测算子
图像的平滑和锐化是图像预处理中两个十分关键和基础的处理方法。图像在传输和变换中会受到各种干扰而退化，比较典型的就是图像模糊[5]。图像锐化的目的就是使边缘和轮廓模糊的图像变得清晰，并使其细节清晰，但是同时也带来了一些问题，比如导致图像中的噪声也增强。同样。由于图像的拍摄等情况可能会导致图像出现很多噪点，它们的出现也直接导致了图像质量的降低，一般用图像平滑的方法来去除噪声，但同时会带来图像变得模糊等问题。所以必须要根据不同的情况使用不同的平滑和锐化方法。
图像预处理[3]的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。预处理过程一般有数字化、几何变换、归一化、平滑、复原和增强等步骤。为了准确识别车辆牌照，对于在灰度图像下进行定位处理的算法，预处理不仅是将彩色图像转化为灰度图像必要步骤，还可以通过对图像进行灰度变换[6]，如灰度拉伸、去噪、滤波等处理来改善图像质量。经过处理后的车牌图像由原始的彩色图变成只包含亮度信息的灰度图，并且具有较强的对比度，对以后的图像处理、识别有很好的帮助。
边缘获取是所有基于边界的图像分割方法的第一步，也是描述图像区域最重要的特征之一。使用边缘检测的原因是车牌区域的边缘信息一般比其他部分丰富且集中，只要背景不太复杂，没有过多干扰，边缘特征可将车牌区域与其他部分区别开来。边缘检测有不同的边沿算子，这些算子在数学含义上就是一种基于梯度的滤波器，需要检测算子哪个方向上的灰度变化，就将该方向上的灰度跳变用相邻像素的灰度差值来表示。
基于一阶导数的边缘检测算子[3,5]包括roberts算子、sobel算子、prewitt算子等在算法实现过程中，通过2×2(roberts算子)或3×3模板作为核与图像中的每个像素点做卷积和运算，然后选取合适的阈值提取边缘。算子是另外一类边缘检测算子，它不是通过微分算子检测边缘，而是满足一定约束条件下推导出的边缘检测最优化算子。
2.1梯度算子
梯度算子是一阶导数算子。对于图象函数 ，它的梯度定义为一个向量：
(2-1)
这个向量的幅度值为： (2-2)
为简化计算，幅度值也可用下边三式来近似：
(2-3)
(2-4)
(2-5)
由于数字图像是离散的，偏导数，常用差分来代替，为计算方便，常用小区模板和图像卷积来近似计算。
2.2 Roberts边缘检测算子
Roberts边缘检测算子是一种利用局部方差算子寻找边缘的算子。差分值将在内插点[i+1/2，j+1/2]处计算。Roberts算子是该点连续梯度的近似值，而不是所预期的点[i,j]处的近似值。
Roberts边缘检测算子近似计算对x和y的偏导数：
(2-6)
(2-7)
2.3 Sobel边缘检测算子
Sobel边缘算子的掩模模板是两个3×3的卷积核。采用邻域可以避免在像素之间内插点上计算梯度。Sobel边缘算子强调中心像素的4个边邻域像素对其的影响，而削弱4个对角近邻像素的作用。它是有方向性的，在水平方向和垂直方向上形成最强烈的边缘。
Sobel边缘检测算子近似计算对x和y的偏导数：
(2-8)
(2-9)
2.4 Prewitt边缘检测算子
与使用Sobel算子的方法一样，图像中的每个点都用两个核进行卷积，取最大值输出。它与Sobel算子不同，这一算子没有把重点放在接近模板中心的像素点。
Prewitt边缘检测算子近似计算对x和y的偏导数：
(2-14)
(2-15)
计算出，的值后，用下式计算点处的梯度值：
(2-10)
计算出各点的值后，设定一个合适的阈值T，如果处的则认为该点的边缘点。
2.5 Canny边缘检测算子
Canny算子的具体步骤为：
1)用高斯滤波器平滑图像；
2)用一阶偏导的有限差分来计算梯度的幅值和方向；
3)对梯度幅值应用非极大值抑制；
4)用双阈值算法检测和连接边缘。
完边缘检测功能结果，如图2-1～图2-4各种算法比较。

图2-1 Prewitt算法边缘检测图 图2-2 Canny算法边缘检测图

图2-3 Sobel算法边缘检测图 图2-4 Roberts算法边缘检测图
在边缘检测中，边缘定位能力和噪声抑制能力是一对矛盾体，有的算法边缘定位能力比较强，有的抗噪声能力比较好。边缘检测算子都有各自的优缺点：Roberts算子利用局部差分算子寻找边缘，边缘定位精度较高，但容易丢失部分边缘，由于没有经过平滑处理，因此不具备抑制噪声能力。Sobel算子和Prewitt算子都是先对图像先做加权平滑滤波处理，然后再做微分运算，对噪声有一定抑制能力但不能完全排除检测结果出现虚假边缘。Canny算子有抑制噪声能力，但会将一些高频边缘平滑掉。
3、结束语
文中讨论和比较了几种常用的边缘检测算子。梯度算子计算简单，但精度不高，只能检测出图像大致的轮廓，而对于比较细的边缘可能会忽略。Prewitt和Sobel算子比Roberts效果要好一些。Canny算子的检测效果优于梯度算子，能够检测出图像较细的边缘部分。不同的系统，针对不同的环境条件和要求，选择合适的算子来对图像进行边缘检测。
参考文献：
[1] 陶涛、马静，浅谈中国智能交通系统的发展[J]．青海交通科技，2007 (6)：3-5．
[2] 廖翔云，许锦标，龚仕伟．车牌识别技术研究[J]．微机发展，2003(6)：32-35．
[3] 姚敏．数字图像处理[M]．北京：机械工业出版社，2006．
[4] 朱光忠、黄云龙、余世明，边缘检测算子在汽车牌照区域检测中的应用[J]．计算机技术与发展，2006(3):161-166．
[5] Rafael C．Gonzalez， Richard E．Woods著，数字图像处理(第二版)[M]．阮秋琦、阮宇智译，电子工业出版社，2004
[6] 吴传孙、邹杨德、周定康，二值化算法在车牌识别中的应用[J]．计算机与现代化，2003．6：44．
[7] 刘锦、杨顺、余焕, Sobel算法在车牌识别系统中的改进与实现[J]．计算机系统应用，2010(5):209-211．
[8] 刘怡光．车辆识别若干基础算法与技术研究[C]．四川：四川大学，2004．
[9] 张美多，郭宝龙．车牌识别系统关键技术研究[J]．计算机工程，2007(8)：186~188．
function [d]=main(jpg)
I=imread('car.jpg');
figure(1),imshow(I);title('原图');
I1=rgb2gray(I); %将真彩色图像转换为灰度图像
figure(2),subplot(1,2,1),imshow(I1);title('灰度图');
figure(2),subplot(1,2,2),imhist(I1);title('灰度图直方图');
I2=edge(I1,'robert',0.08,'both'); %高斯滤波器,方差为0.08
figure(3),subplot(2,2,1),imshow(I2);title('robert算子边缘检测')
se=[1;1;1];
I3=imerode(I2,se); %图像的腐蚀
subplot(2,2,2),imshow(I3);title('腐蚀后图像');
se=strel('rectangle',[40,40]); %构造结构元素，以长方形构造一个se
I4=imclose(I3,se); %对图像实现闭运算，闭运算也能平滑图像的轮廓，但与开运算相反，它一般融合窄的缺口和细长的弯口，去掉小洞，填补轮廓上的缝隙。
subplot(2,2,3),imshow(I4);title('平滑图像的轮廓');
I5=bwareaopen(I4,2000); %从二进制图像中移除所有少于p像素的连接的组件（对象），产生另一个二进制图像
subplot(2,2,4),imshow(I5);title('从对象中移除小对象');
[y,x,z]=size(I5); %返回I5各维的尺寸，并存储在变量y、x、z中
myI=double(I5); %换成双精度数值
%begin横向扫描
tic %计算tic与toc之间程序的运行时间
Blue_y=zeros(y,1); %产生y*1的全0矩阵
for i=1:y
for j=1:x
if(myI(i,j,1)==1)
%如果myI(i,j,1)即myI图像中坐标为(i,j)的点为蓝色
%则Blue_y的相应行的元素white_y(i,1)值加1
Blue_y(i,1)= Blue_y(i,1)+1;%蓝色像素点统计
end
end
end
[temp MaxY]=max(Blue_y);%temp为向量white_y的元素中的最大值，MaxY为该值的索引（ 在向量中的位置）
PY1=MaxY;
while ((Blue_y(PY1,1)>=120)&&(PY1>1))
PY1=PY1-1;
end
PY2=MaxY;
while ((Blue_y(PY2,1)>=40)&&(PY2原始图像I中截取的纵坐标在PY1：PY2之间的部分
%end横向扫描
%begin纵向扫描
Blue_x=zeros(1,x);%进一步确定x方向的车牌区域
for j=1:x
for i=PY1:PY2
if(myI(i,j,1)==1)
Blue_x(1,j)= Blue_x(1,j)+1;
end
end
end
PX1=1;
while ((Blue_x(1,PX1)<3)&&(PX1PX1))
PX2=PX2-1;
end
%end纵向扫描
PX1=PX1-2;%对车牌区域的校正
PX2=PX2+2;
dw=I(PY1:PY2,:,:);
t=toc;
figure(4),subplot(4,2,1),imshow(IY),title('行方向合理区域');
figure(4),subplot(4,2,2),imshow(dw),title('定位剪切后的彩色车牌图像')
imwrite(dw,'dw.jpg'); %将图像数据写入到图像文件中
%读取
a=imread('dw.jpg'); %读取图片文件中的数据
b=rgb2gray(a); %将真彩色图像转换为灰度图像
imwrite(b,'车牌灰度图像.jpg'); %将图像数据写入到图像文件中
figure(4);subplot(4,2,3),imshow(b),title('车牌灰度图像')
g_max=double(max(max(b))); %换成双精度数值
g_min=double(min(min(b))); %换成双精度数值
T=round(g_max-(g_max-g_min)/3); % T 为二值化的阈值
[m,n]=size(b); %返回矩阵b的尺寸信息， 并存储在m、n中。其中m中存储的是行数，n中存储的是列数。
d=(double(b)>=T); % d:二值图像
imwrite(d,'车牌二值图像.jpg'); %将图像数据写入到图像文件中
figure(4);subplot(4,2,4),imshow(d),title('车牌二值图像')
figure(4),subplot(4,2,5),imshow(d),title('均值滤波前')
% 滤波
h=fspecial('average',3); %建立预定义的滤波算子，average指定算子的类型，3为相应的参数
d=im2bw(round(filter2(h,d))); %转换为二值图像
imwrite(d,'均值滤波后.jpg'); %将图像数据写入到图像文件中
figure(4),subplot(4,2,6),imshow(d),title('均值滤波后')
% 膨胀或腐蚀
se=eye(2); % eye(n) returns the n-by-n identity matrix 单位矩阵
[m,n]=size(d); 返回矩阵b的尺寸信息， 并存储在m、n中。其中m中存储的是行数，n中存储的是列数
if bwarea(d)/m/n>=0.365 %计算二值图像中对象的总面积
d=imerode(d,se); %图像的腐蚀
elseif bwarea(d)/m/n<=0.235 %计算二值图像中对象的总面积
d=imdilate(d,se); %实现膨胀操作
end
imwrite(d,'膨胀或腐蚀处理后.jpg'); %将图像数据写入到图像文件中
figure(4),subplot(4,2,7),imshow(d),title('膨胀或腐蚀处理后')
% 寻找连续有文字的块，若长度大于某阈值，则认为该块有两个字符组成，需要分割
d=qiege(d); %切割
[m,n]=size(d); %返回矩阵b的尺寸信息， 并存储在m、n中。其中m中存储的是行数，n中存储的是列数
figure(4),subplot(4,2,8),imshow(d),title('切割前面空白部分后')
k1=1;k2=1;s=sum(d);j=1;
while j~=n
while s(j)==0
j=j+1;
end
k1=j;
while s(j)~=0 && j<=n-1
j=j+1;
end
k2=j-1;
if k2-k1>=round(n/6.5)
[val,num]=min(sum(d(:,[k1+5:k2-5])));
d(:,k1+num+5)=0; % 分割
end
end
% 再切割
d=qiege(d);% 切割出 7 个字符
y1=10;y2=0.25;flag=0;word1=[];
while flag0
[m,n]=size(d);
left=1;wide=0;
while sum(d(:,wide+1))~=0
wide=wide+1;
end
if wide [m,n]=size(temp);
all=sum(sum(temp));
two_thirds=sum(sum(temp([round(m/3):2*round(m/3)],:)));
if two_thirds/all>y2
flag=1;word1=temp; % WORD 1
end
d(:,[1:wide])=0;d=qiege(d);
end
end
[word2,d]=getword(d);% 分割出第二个字符
[word3,d]=getword(d);% 分割出第三个字符
[word4,d]=getword(d);% 分割出第四个字符
[word5,d]=getword(d);% 分割出第五个字符
[word6,d]=getword(d);% 分割出第六个字符
[word7,d]=getword(d);% 分割出第七个字符
[m,n]=size(word1); %返回矩阵b的尺寸信息， 并存储在m、n中。其中m中存储的是行数，n中存储的是列数
word1=imresize(word1,[40 20]); %对图像做缩放处理，高40，宽20
word2=imresize(word2,[40 20]);
word3=imresize(word3,[40 20]);
word4=imresize(word4,[40 20]);
word5=imresize(word5,[40 20]);
word6=imresize(word6,[40 20]);
word7=imresize(word7,[40 20]);
figure(5),
subplot(3,7,8),imshow(word1),title('车牌号为');
subplot(3,7,9),imshow(word2);
subplot(3,7,10),imshowword3);
subplot(3,7,11),imshow(word4);
subplot(3,7,12),imshow(word5);
subplot(3,7,13),imshow(word6);
subplot(3,7,14),imshow(word7);
imwrite(word1,'1.jpg');
imwrite(word2,'2.jpg');
imwrite(word3,'3.jpg');
imwrite(word4,'4.jpg');
imwrite(word5,'5.jpg');
imwrite(word6,'6.jpg');
imwrite(word7,'7.jpg');
%子程序：（getword子程序）
function [word,result]=getword(d)
word=[];flag=0;y1=8;y2=0.5;
while flag==0
[m,n]=size(d);
wide=0;
while sum(d(:,wide+1))~=0 && wide<=n-2
wide=wide+1;
end
temp=qiege(imcrop(d,[1 1 wide m]));
[m1,n1]=size(temp);
if widey2
d(:,[1:wide])=0;
if sum(sum(d))~=0
d=qiege(d); % 切割出最小范围
else word=[];flag=1;
end
else
word=qiege(imcrop(d,[1 1 wide m]));
d(:,[1:wide])=0;
if sum(sum(d))~=0;
d=qiege(d);flag=1;
else d=[];
end
end
end
result=d;
% （切割子程序）
function e=qiege(d)
[m,n]=size(d);
top=1;bottom=m;left=1;right=n; % init
while sum(d(top,:))==0 && top<=m
top=top+1;
end
while sum(d(bottom,:))==0 && bottom>1
bottom=bottom-1;
end
while sum(d(:,left))==0 && left=1
right=right-1;
end
dd=right-left;
hh=bottom-top;
e=imcrop(d,[left top dd hh]); %返回图像的一个裁剪区域