[硕士论文精品]车牌定位与识别相关方法研究.pdf

江苏大学硕士学位论文 摘要 字符识别是模式识别的一个分支，它能大大提高信息的采集录入 速度，减轻人们的工作强度。随着计算机技术的飞速发展，字符识别 技术多年来不断改进和完善，现在已经广泛应用于各个领域，使大量 的文档资料能快速、方便、省时省力和及时地自动输入计算机，实现 信息处理的电子化。到目前为止，尽管人们在字符识别的研究中已取 得很多可喜成就，但还不能满足我们日常的需求。研究字符识别技术， 提高字符识别率具有非常重要的意义。 本文针对字符识别的相关方法进行研究，主要工作包括： 1 进行字符识别前，先要进行图像预处理，本文对图像预处理 的一些方法进行了研究，像灰度化、二值化、噪声处理、特征值提取 等。对灰度化和二值化的各种方法进行了性能比较，针对光照不均匀 的车牌图像二值化效果不好的问题，给出了一种改进的局部阈值法的 二值化方法，使用这种改进的方法能够有效的得N - 值化图像。 2 图像预处理阶段，重点分析了图像边缘检测方法，边缘检测 对字符轮廓的提取、车牌定位、字符特征值提取等都非常重要。本文 在深入研究传统C a n n y 算子的基础一k ，对双阈值为极值点给予了证 明，并给出了一种改进的C a n n y 算子，通过对添加了椒盐噪声的图像 进行大量实验，证明了本文给出的方法性能好于传统C a n n y 方法。 3 形状上下文( S h a p eC o n t e x t ) 是一种形状描述方法，本文给出了 一种改进的形状上下文方法用于字符粘连的复杂验证码识别。传统的 逐个像素点特征提取和模板匹配的方法，只能对简单验证码进行识 别，而字符粘连的复杂验证码还无有效的识别方法。针对字符粘连不 江苏大学硕士学位论文 能有效的提取单个字符特征的问题，本文给出了改进的形状上下文方 法进行特征提取，并采用字符整体识别的方法，实现了对复杂验证码 的识别。 4 B P 神经网络作为一种应用最为广泛的神经网络学习算法，在 车牌识别中得到了广泛应用。针对B P 算法存在的收敛速度慢、易陷 入局部极小等缺点，本文引入动量因子和自适应学习速率、改进激励 函数以及使用L M 算法对其进行改进。通过大量的车牌识别实验，本 文将各种改进的B P 算法性能进行了比较，并将本文方法与传统模板 匹配方法进行性能比较，证明了本文给出的算法性能优于传统模版匹 配方法。 关键词：字符识别，灰度化，二值化，边缘检测，形状上下文，B P 神经网络 A b s t r a c t c h a r a c t e rr e c 。9 1 1 i t i 。n ，ab r a l l c ho fp a r t e m r e c o g n i t i 。n ，c o u l di n c r e a S e t 1 1 e S p e ? d 。fc 。l l e c t i n ga n di n p I 傩i n gi n f o r m a t i 。n 铲e a t l y ，m e 枷m h e w 。r km e n s l t yc 7 b e l i g h t e n e d w i t h t h er a p i dd e v e l 。p m e n t0 f c o m p u t e r t e c h n 0 1 。g Y ，c h a r a c t e rr e 。c o 篓：? t = o l o g y w a sa l s 0i m p r o v e da n dw i d ea p p l i e d i nm a n y f i e l d s ，d s t h 邮姒0 掣c 1 1 5 e I e c t r o n i 二i 。no fi n f o r m a t i 。nd i s p 。s a l ，t h a t i S ag r e a td e a l “d o c 啪咖1 7 f o 鼍竺( ：n c a l lb ei n p I u ti n t oc 。m p u t c rq u i c l ( 1 y ' c 。n V e n i e n t l y a n da u t o m a n 砌l ym 1 1 I ? 三：t o n 。w ，t h o ：幽t h ea c h i e v e m e n t si nm e s t u d y 。fc h a r a c t e rr e c o 印试o n a r c f m n f u l t h e y a r e ：t i l ln ：te n o u 曲t om e c t 。u rd a i l yl i e e d s T h e r e f o r e ，i t 1 so fK 曲沛p 。n a n c e 幻 肭t h e c h a r a c t e rr e c o g n i t i o nt e c h n o l o g ya n di m p r o V e r e c o 黜o n r a t 已 。A i m i n ga tt h em e t h 。d s r e l a t e dt oc h a r a c t e rr e c 。g n i t i o n ，t h i s p 印e rd l ds 。m e r e s e a r c ho nt h ef o l l o w i n ga s p e c t s ： 1 B e f o r er e c o g n i z i n g ，t h ep i c t 岍es h 。u l d b ep r e t r e a t e d T h i sp a p e rs t u d i e ds o ? ：_ e p r e t r e a t i n gm e t h 。d s ，S u c h a S g r a y i n g ，b i n a r y z a t i o n n 0 硫p r o c e s s i n 岛E i 譬n V a l u 三 ：x t r a c t i 。二T h r o u 出c 。m p 撕n gp e 墒m 锄c e o fd i f f e r e mm 砒o d si n a y l n g 竺 b ：X 。A 。I * r v Az a t i 。n ，a i m i n ga tt h eb a db i n a r y z a t i 。n e f f e c tp r o b l e m “、，e h i c l eh c e n s 三 | 1 a ： c a u s e d 。rb y 唧e v e nl i g h t ，t h i sp a p e r 晰n gu p a I li m p r o V e db i n a r y z a t i 咖c a l l e dl 。c a I t h 佗s h 0 1 dm e t h o d ，b yw h i c h w ec a l lg o tb e t t e rb i n a r yi m a g e · 一 2 I I lt l l ei m a g ep r e t r e a t m e n t ，m i sp 印e r i n t r o d u c e di m a g e e d g e - d e t e c t i o nm e t h ，o d 丘r s t E d g ed e t e c t i 。n i sv e r yi m p 。n 锄tt 0 c h a r a c t e ro u t l i n ee X t r 枷咀h c e n S e ：1 之 l o c a t i 。n - c h a m c t e re i g e n v a l u e e X t r a c t i 。n ，e t c B a S e d o nm ed e l i b e r a t e ，r e s e 篓h 。! t r a d i t i 。烈c a I l 】吖。p e r a t 。r ，“sp a p e rp r o v e d t h a tt h ed o u b l e 嘶s h 0 1 d1 s e X 譬m ： p o i n t , a 1 1 dp u tf o r w a r dm i m p r o v e dc 锄yo p e r a t o r 伽u g hc 删鸥瞅竺譬 e X p e r i m e n tf o rp i 帆鹏i n c r e a s e d s a l ta J l dp e p p e rn 。i s e ，t h em e t I l o dp r o p o s e dm t h i s n a D e rc a l lD e r f o 。r mb e t t e rt h a nt h e t r a d i t i o n a lC 锄y · 1 3 s h 二p eC o n t e X ti sas h a p e d e s c r i p t i o nm e t h o d ·T h i sp 印e rp r o p 。s e da l m p = d s h a p 三c o n ：X t ，u S i n gf o rr e c 。g n i z i n g t h ea d h e r e da n dc 。m p l i c a t e QC A P T C ，H A 1 h e t r ：“i 。n a lm e t h 。do fe X t r a c t i n gp i x e lp 。i n t s 。n eb y 。n e a n dt e m p l a t em a t c h l n g c a l l 。n l yr e c o g n i z es 硫p l e c A P T C H A ，W h i l em e r e i s n oe f f i c i e n tm e t h o d t o r e ，c o g ，n i z et h e a d h e r e da I l dc 。m p l i c a t e dC A P T C H A A i m i n g a tt h ep r o b l e mm a tS i n 9 1 ec h a r a C t e ： f e a t u r ec a n ，tb ee x t r a c t e de f f i c i e n t l y1 ，e c a u s e 。fc 。n 酉u t i n a t 如n ，t h i s p a p e rp r 。p 。s e ( I i m p r o v e ds h a p ec 。n t e X t t 。e x 删c b a r a c t e r f e a t u r e ，c 。m b i n e dw i t hc h a r a c t 盯g l o b a l I I I 江苏大学硕士学位论文 r e c o g n i t i o n ，a n dr e a l i z e dt h ec o m p l i c a t e dC A P T C H Ar e c o g n i t i o n 4 A so n eo ft h em o s tp o p u l a rn e u r a ln e t w o r ka l g o r i t h m ，B Pn e u r a ln e t w o r kw a s w i d e l yu s e di nt h er e c o g n i t i o no fv e h i c l el i c e n s ep l a t e F o rt h e r ea res o m ed e f e c t s e x i s t e di nB P ，s u c ha sl o wc o n v e r g e n c er a t e ，e a s yt ot r a pi n t ol o c a lm i n i m u m ，t h i s p a p e ri m p r o v e di tt h r o u g hi n t r o d u c i n gm o m e n t u mf a c t o ra n ds e l f - a d a p t i v el e a m i n g r a t e ，i m p r o v i n ga c t i v a t i o nf u n c t i o n ，a n du s i n gL Ma l g o r i t h m T h r o u g hag r e a td e a lo f v e h i c l ep l a t ee x p e r i m e n t s ，t h i sp a p e rc o m p a r e dt h ep e r f o r m a n c eo fa l lk i n d so f i m p r o v e dB Pa l g o r i t h m ，a n da l s oc o m p a r et h em e t h o dp r o p o s e di nt h i sp a p e rw i t ht h e t r a d i t i o n a lt e m p l a t em a t c h i n gm e t h o d ，p r o v e dt h a tt h ea l g o r i t h mp r o p o s e di nt h i s p a p e ri sb e t t e rt h a nt h et r a d i t i o n a lt e m p l a t em a t c h i n gm e t h o d K e yw o r d s ：c h a r a c t e rr e c o g n i t i o n ，g r a y i n g ，b i n a r y z a t i o n ，e d g ed e t e c t i o n ，S h a p e C o n t e x t ，B Pn e u r a ln e t w o r k I V 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借 阅。本人授权江苏大学可以将本学位论文的全部内容或部分内容编入有关数据库 进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 学位论文作者签名： zo fo 年f 月坞日 保密口，在年解密后适用本授权书。 不保密 勋 指导教师签名： 2o fD 年f 月f 弓日 疑、易 V 独仓I J 性申明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究 工作所取得的成果。除文中已经注明引用的内容以外，本论文不包含任何其他个 人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集 体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 露多安 2 f0 年，月，弓日 江苏大学硕士学位论文 1 1 研究背景和意义 第一章绪论 光学字符识别( O p t i c a lC h a r a c t e rR e c o g n i t i o n ，O C R ) 技术1 】【2 】【3 1 是模式识别的 一个分支，通过扫描仪把印刷体或手写体文稿扫描成图像，然后识别成相应的计 算机可直接处理的字符。它能大大提高信息的采集录入速度，减轻人们的工作强 度。O C R 技术伴随着计算机技术的飞速发展，多年来不断改进和完善，现在已经 广泛应用于各个领域，使大量的文档资料能快速、方便、省时省力和及时地自动 输入计算机，实现信息处理的电子化。到目前为止，尽管人们在字符识别的研究 中已取得很多可喜成就，但还不能满足我们日常的需求。 研究字符识别技术的一个直接而现实的意义【4 】是解决文字信息的高速、有 效、方便、自动地输入到计算机的问题。另一方面，研究光学字符识别技术，在 社会生活的其它领域也有着重要意义，例如：企业生产自动化( 生产过程中的自 动包装、印刷质量管理) 、智能交通管理系统( 车牌识别) 、信息采集中的证件识别 ( 身份证识别、名片识别等) 、网络安全( 验证码识别) 等方面。 1 2 国内外研究现状 1 2 1 字符识别的研究现状 光学字符识别概念的诞生可以追溯到1 8 0 9 年一项帮助盲人阅读的装置的发 明专利。1 9 2 9 年，由德国的科学家T a u s h e c k 首先正式提出O C R 的概念，并且申 请了专利，美国科学家H a n d e l 也提出了对文字进行识别的方案。但真正的O C I L 系统，直到电子计算机诞生后才变成为现实。 第一个O C R 软件是在1 9 5 7 年开发的E R A ( E l e c t r i cR e a d i n gA u t o m a t i o n ) ， 它是基于窥视孔方法实现的，识别的速度是每秒1 2 0 个英文字母。在此以后，世 界范围内广泛地进行着O C R 技术的研究和开发工作。现代典型的商品化O C R 系统可分为三代： 1 9 6 0 年到1 9 6 5 年出现的商品化O C R 产品属于第一代，N C R 公司、F a r r i n g t o n 江苏大学硕士学位论文 公司、I B M 公司分别研制出了自己的O C R 软件。这一代产品的特点是被识别的 字符的字体很少，是经过特殊设计或指定的，甚至于某些字符看上去都不太自然。 二十世纪6 0 年代中期到7 0 年代初期的O C R 产品属于第二代。在这个时期， 有重要意义的事件是建立了一些供字符识别研究的标准化字符数据库，使研究人 员可以很容易地评估自己的进展。 从2 0 世纪7 0 年代中期至今属于第三代，主要解决的技术问题就是对于质量 较差的文档及大字符集的识别，以及达到非常高的识别精度，例如汉字的识别， 高精度的手写数字识别等。 我国在O C R 技术方面的研究工作起步较晚，在7 0 年代开始对数字、英文字 母及符号的识别进行研究；7 0 年代末开始进行汉字识别的研究；到1 9 8 6 年汉字 识别的研究进入一个实质性阶段，取得了较大的成果，不少研究单位相继推出了 中文O C R 产品。时至今日，对印刷体汉字的识别率最高可达到9 9 以上，可识 别宋体、黑体、楷体、仿宋体、繁体等多种字体，并且可以对多种字体、不同字 号混合排版进行识别；对手写体汉字的识别率最高达到7 0 以上。 尽管文字识别率较高，但对于印刷质量较低、图像倾斜、以及字符粘连断裂 等干扰，识别正确率有明显下降。I 司时，目前的版面分析技术，对于版面设计较 为简单的文本可以达到很高的切分水平，但对于版面设计复杂，或印刷质量不高， 如图像倾斜或噪声点过多的文本的分析与切分实用化程度仍有待提高。 随着计算机技术的飞速发展，为了适应计算机高速信息处理，作为计算机智 能接口重要组成部分之一的O C R 技术已经受到越来越多的人的重视。 1 2 2 相关方法的研究现状 1 边缘检测 边缘检测是图像处理领域中最基本的问题，它的解决对于进行高层次的特征 提取、特征描述、目标识别和图像理解等有着重大的影响，因此，被广泛应用与 模式识别、计算机视觉、图像分割等众多领域。近来，随着科学技术的发展，一 些新的理论工具被运用到边缘检测中，如形态学、统计学方法、模糊理论、遗传 算法、神经网络等等【5 】【6 】【7 】【引。 C a n n y 算子【9 】作为一种优化的边缘检测算子，具有比较好的信噪比和检测精 2 江苏大学硕士学位论文 度，得到了广泛的应用。然而实际应用中，对于高噪声的模糊图像，C a n n y 算子 在抑制噪声的同时往往错过一些低强度的边缘，而一些高强度噪声被检测为边 缘。针对这些不足，国内外学者进行了很多研究，提出了许多的改进方法。文献 【1 0 提出了一种基于模糊理论的边缘检测方法，将C a n n y 算子和模糊推理相结合 进行边缘检测，取得不错的效果；文献 1 1 】提出一种基于二维经验模念分解 ( B E M D ) 的C a n n y 算子边缘检测算法，通过B E M D 将图像分解成多层本征模函数， 利用C a n n y 算子对各分量进行边缘检测，获得较好的检测性能；文献【1 2 】提出了 一种改进的C a n n y 边缘检测算法，采用新的基于梯度方向的检测和连接方法取 代了传统的双阈值法，充分利用边缘点和噪声点在梯度方向特性上的差异；文献 【1 3 提出基于梯度幅度直方图和类内方差最小化自适应的确定高低阈值的方法， 可针对不同的图像，实现双阈值的自适应提取，不需要人为设定任何参数，采用 模糊控制技术提取边缘像素。 2 形状上下文( S h a p eC o n t e x t ) 形状上下文方法【1 4 1 1 1 5 1 是一种以目标轮廓的有限点集合来表示物体特征的描 述方法。该方法首先对目标图像进行轮廓提取操作( 或者是边缘检测操作) ，然 后选择轮廓或边缘上的一组离散点的集合来表示该目标的形状信息。形状上下作 为一种丰富的形状特征描述方法，被广泛的应用于验证码识别，人脸识别，基于 内容的图像检索技术，形状匹配等。 传统形状上下文主要针对简单形状的形状匹配，为了表示复杂形状的形状特 征，国内外一些学者进行了大量研究，提出了一些改进方法。文献【1 6 】选择字符 笔画的一些转弯点作为样本像素点，极大的减少样本像素点数量，加快形状上下 文匹配速度；文献 1 7 】改进边界提取算法，并融入了扩散滤波的预处理算法和 数学归一化方法对形状上下文进行改进，能处理简单形状和人脸形状匹配；文献 【1 8 】选择细化后的字符进行形状上下文建模，减少了形状上下文的复杂度，实现 对简单验证码识别；文献【1 9 】提出了一种结合形状上下文分析的L a p l a c e 谱匹配算 法，首先使用L a p l a c e 矩阵的特征向量和特征值以及双随机矩阵的方法计算初始 匹配概率，然后借助于概率松弛算法，将用形状上下文表示的局部相似性融入 L a p l a c e 谱匹配算法以优化谱匹配的结果，获得了比较高的精度。 3 B P 神经网络 江苏大学硕士学位论文 B P 神经网络【2 0 】【2 1 】吲是基于误差反向传播算法( B a c k p r o p a g a t i o n ) 的多层前向 神经网络，它是D E R u m e l h a r t 和J L M c C e l l a n d 及其研究小组在1 9 8 6 年研究并 设计出来的，已经成为目前应用最为广泛的神经网络学习算法。 由于B P 神经网络采用的是经典的B P 算法，而B P 算法是基于梯度的最速下降 法，以误差平方为目标函数，所以不可避免的存在四个缺陷：网络训练易陷入局 部极小值；学习过程收敛速度缓慢；网络的结构难以确定( 包括隐层数及各隐层 节点数的难以确定) ；所设计网络泛化能力不能保证。近十几年来，许多专家学 者对其性能做了大量的工作。文献 2 3 1 提出在激励函数中引入陡度因子；文献 2 4 】 提出分段函数作为激励函数；文献【2 5 】提出在标准误差函数中加上一个惩罚项 p ( w ) ，p ( 们2 詈否I r ，从而能提高网络的容错能力；文献【3 l 】通过研究K L 信息距离和神经网络泛化能力的关系，构造一个新的神经网络学习函数，取得了 较好的效果；文献 2 6 】通过引入求解大规模线性方程组的共轭梯度法，提出了一 种新的基于L M 的前馈网络学习算法，该算法不仅具有L M 优化学习方法的快速收 敛性，并且降低了L M 法的计算复杂度，有较好的学习精度和推广预测能力；文 献【2 7 】提出了基于B l o c kH e s s i a n 矩阵的二阶学习算法，能避免标准B P 算法收敛速 度慢、易陷入局部极小的缺点，并且能克H 艮N e w t o n 法的计算复杂、需大量内存 的缺点。 1 3 研究内容 本文工作的研究内容是以字符识别为研究载体，以字符识别的相关方法为研 究对象，对图像处理、验证码识别、车牌识别进行大量实验，通过实验结果对本 文研究的相关方法进行详细分析。具体的说，本文主要完成了如下几个方面的不 同分析： 1 图像预处理阶段，对狄度化和二值化进行了研究，对现有的各种方法进行 了比较，给出了一种改进的局部阈值法的二值化方法，针对光照不均匀的车牌图 像二值化效果不好的问题，使用这种改进的方法能够有效的得到二值化图像。 2 针对传统C a n n y 算子在抑制噪声和检测低强度边缘能力不足的问题，本 文给出一种L O G 算子和C a n n y 算子相结合的边缘检测方法。首先采用L O G 算 4 江苏大学硕士学位论文 子对图像进行噪声过滤，然后使用改进的C a n n y 算子实现边缘检测。本文还对 C a n n y 算子双阈值为极值点给予了证明。又通过对添加了椒盐噪声的图像进行大 量实验，证明了本文给出的方法性能好于传统C a n n y 方法。 3 传统的逐个像素点特征提取和模板匹配的方法，只能对简单验证码进行识 别，而字符粘连的复杂验证码还无有效的识别方法。本文给出一种形状上下文 ( S h a p eC o n t e x t ) 的改进方法，采用不对图片进行切割，整体识别的方法，使用单 像素跟踪算法获取字符的轮廓，有效的减少了像素点数目，降低了形状上下文描 述的复杂度，采用半圆形式的对数极坐标建模，解决了两个字符粘连处字符建模 时互相干扰的问题，准确的描述出字符的特征，实现了对字符粘连的复杂验证码 的识别。 4 针对B P 算法存在的收敛速度慢、易陷入局部极小等缺点，本文从引入动 量因子和自适应学习速率、改进激励函数以及使用L M 算法对其进行改进。通过 大量的车牌识别实验，本文将各种改进的B P 算法性能进行了比较，并将本文方 法与传统模板匹配方法进行性能比较，证明了本文给出的算法性能优于传统模版 匹配方法。 1 4 论文的组织结构 论文共分六章，主要内容概要如下： 第一章：介绍了本文的研究背景和意义及国内外的研究现状，说明本文的研 究内容和论文的组织结构。 第二章：详细介绍了字符识别的相关理论，对常见的字符识别进行了描述。 第三章：字符识别的预处理过程，对灰度化的各种方法进行了比较，对二值 化方法也进行了研究，重点对边缘检测方法进行了研究和实验分析，给出了一种 改进的边缘检测算法。 第四章：形状上下文方法和验证码识别理论，给出了一种改进的形状上下文 方法，通过对复杂验证码识别进行实验分析。 第五章：对B P 算法的学习过程进行了分析，给出了改进的B P 算法，通过车 牌识别实验，分析了改进的B P 算法性能。 第六章：对本文的研究工作进行归纳和总结，探讨进一步的研究方向。 江苏大学硕士学位论文 第二章字符识别方法 模式识另1 ( P a t t e mR e c o g n i t i o n ) 3 L 常称作模式分类，是指对表征事物或现象的 各种形式的( 数值的、文字的和逻辑关系的) 信息进行处理和分析，以对事物或现 象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。 字符识别是模式识别的一个分支，一般分为数据获取、预处理、特征抽取、 判别、后处理等模块。其中预处理是字符识别中特别重要的一环，它把原始的图 像转换成识别器所能接受的二进制形式。要识别字符首先要对其字符图像进行预 处理，预处理的主要目的是去除字符图像中的噪声、冗余信息，得到规范化的点 阵，为识别做好准备。这就要求预处理在消除图像中与识别无关的因素时尽量保 持原图像的字符特征。字符识别在中文信息处理、办公室自动化、机器翻译、人 工智能等高技术领域，都有着重要的实用价值和理论意义。 2 1 光学字符识别系统 一个完整的O C R 系统，如图2 1 ，包括图像获取、预处理、特征提取、识 别分类、后处理、识别结果。 2 1 1 图像获取 图2 1O C R 识别的一般步骤 通常采用C C D ( C h a r g eC o u p l e dD e v i c e ) 摄像机或光学扫描仪等获取图像， 其主要参数是图像分辨率，分辨率包括空间分辨率和灰度分辨率，前者反映了像 素描述在空间上的精细程度，而后者则反映了像素描述在灰度( 色彩) 空问的明暗 程度。 2 1 2 预处理 6 江苏大学硕士学位论文 预处理效果的好坏会直接影响到整个O C R 系统的性能。一般而言，预处理 的目的是为了滤除噪声增强有用信息、对退化的信息进行复原。预处理方法一般 有灰度化、二值化、图像去噪、字符细化、字符规范化等等。 1 灰度化 手写体数字图像主要是通过扫描仪或摄像机等工具对纸张上的数字进行数 据采集在计算机中成为一幅图像。在图像预处理中，人们只关心笔划， 而不关 心其色彩。先要对读入的图像进行灰度化处理。由于2 5 6 色的位图的调色板内容 比较复杂，使得图像处理的许多算法都没有办法运用，因此首先要对它进行灰度 处理。所谓灰度图像就是图像的每一个象素的R 、G 、B 分量的值都是相等的。 彩色图像的每个像素的R 、G 、B 值是不同的，所以显示红绿蓝等各种颜色。灰 度图像没有这些颜色差异，只是亮度不同。灰度值取值范围是0 _ - 2 5 5 ，取值为0 时是黑色，取值为2 5 5 时是白色，所以灰度值大的像素点比较亮，反之则比较暗。 图像灰度化有各种不同的算法，常用的一种就是给每个像素的R 、G 、B 值各自 一个加权系数，然后求和，同时对调色板表项进行相应的处理0 2 二值化 在对图片进行了灰度化处理后，图像中的每个像素只有一个灰度值，它的大 小决定了像素的亮暗程度。为了以后更方便的对图像进行处理，先进行二值化处 理。 图像的二值化处理就是将图像上点的灰度值置为0 或2 5 5 ，也就是将整个图 像呈现出明显的黑白效果。即将2 5 6 个亮度等级的灰度图像通过选取适当的阈值 而获得可以反映图像整体和局部特征的二值化图像。 图像二值化的关键在于阈值的选择。图像的二值化有很多成熟的算法， 有 整体阈值二值化法、局部阈值二值化法、动态阈值二值化法等。 整体阈值化方法实现简单，对于具有明显双峰直方图的图像效果明显，而且 速度也是最快的。但是给定整体阈值法有很多缺点，不能根据每个字符来选择最 佳阈值，整体阈值一旦给定就不能更改了。并且对于低对比度和光照不均匀的图 像效果不佳，抗噪声能力差，因而应用范围受到极大限制，如分水岭算法是一种 经典的整体阈值方法，它反映了整个图像灰度分布情况，但它单一阈值的特性决 定了它的抗噪声能力较差。 7 江苏大学硕士学位论文 还有一种由灰度值直方图确定的整体阈值法。这种方法根据图像和背景的灰 度值自动确定整体阈值。灰度级直方图给出了一幅图灰度值的概貌描述。数字图 像的直方图一般有两个峰值，一个峰值对应数字笔划部分，另一个峰值对应背景 部分，闽值取在两个峰值的波谷处，波谷越深陡，二值化效果越好。 局部阈值法能处理较为复杂的情况，但往往忽略了图像的边缘特征，容易出 现伪影现象。如经典的局部阈值化B e m s e n 算法，其阈值由考察点邻域的灰度确 定，算法中不存在预定阈值，适应性比整体阈值法广，但是当窗口的宽度较小时， 很容易出现伪影现象和目标的丢失；而当窗口宽度增大时，算法的速度将受到很 大影响。 动态阈值法充分考虑了像元的邻域特征，能够根据图像的不同背景情况自适 应地改变阈值，可较精确地提取出二值图像，但它过渡地夸大了像元的邻域狄度 的变化，会把不均匀灰度分布的背景分割到目标中去，带来许多不应出现的假目 标。 在数字图像处理中，二值图像占有非常重要的地位，特别是在实用的图像处 理中，以二值图像处理实现而构成的系统是很多的，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N - - 值化图像，这样有利于在对图像做进一步 处理时，图像的集合性质只与像素值为O 或2 5 5 的点的位置有关，不再涉及像素 的多级值，使处理变得简单，而且数据的处理和压缩量小。为了得到理想的二值 图像，一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阀值 的像素被判定为属于特定物体，其灰度值用2 5 5 表示，否则这些像素点被排除在 物体区域以外，灰度值为0 ，表示背景或者例外的物体区域。如果某特定物体在 内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下， 使用阈值法就可以得到比较好的分割效果。如果物体同背景的差别表现不在灰度 值上( 比如纹理不同) ，可以将这个差别特征转换为灰度的差别，然后利用阈值选 取技术来分割该图像。动态调节阂值实现图像的二值化可动态观察其分割图像的 具体结果。 3 图像噪声 ( 1 ) 图像噪声产生的途径 一幅图像在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产 8 江苏大学硕士学位论文 生，也可能在量化等处理中产生。根据噪声和信号的关系可将其分为三种形式 1 2 8 1 ： 假设f ( x ，Y ) 表示给定原始图像，g ( x ，Y ) 表示图像信号，n ( x ，Y ) 表示噪声。 加性噪声，此类噪声与输入图像信号无关，含有噪声的图像可表示为 f ( x ，Y ) = g ( x ，Y ) + n ( x ，Y ) ，信道噪声及光导摄像管的摄像机扫描图像时产生 的噪声就属这类噪声。 乘性噪声，此类噪声与图像信号有关，含有噪声的图像可表示为 f ( x ，y ) = g ( x ，Y ) + n ( x ，Y ) g ( x ，Y ) ，电视图像中的相干噪声，胶片中的颗粒噪声就 属于此类噪声。 量化噪声，此类噪声与输入图像信号无关，是量化过程中存在的量化误 差，在接收端产生。 ( 2 ) 去除图像噪声的几种方法 均值滤波器 采用邻域平均法的均值滤波器非常适用于去除通过扫描得到的图像中的噪 声。邻域平均法有力地抑制了噪声，同时也由于平均而引起了模糊现象，模糊程 度与领域半径成正比。 几何均值滤波器所达到的平滑度可以与算术均值滤波器相比，但在滤波过程 中会丢失更多的图像细节。 谐波均值滤波器对盐噪声效果更好，但是不适用于胡椒噪声。它善于处理像 高斯噪声那样的噪声。 逆谐波均值滤波器更适合于处理脉冲噪声，但它有个缺点，就是必须要知道 噪声是暗噪声还是亮噪声，以便于选择合适的滤波器阶数符号，如果阶数的符号 选择错了可能会引起相当严重的后果。 这个均值模板是一个低通滤波器，从上到下，从左到右是一个卷积过程，整 个取均值的过程是一个低通滤波过程。 用函数方法来描述均值法的效果原理：设有一幅数字噪声图像为 g ( x ，y ) = f ( x ，力+ h ( x ，J ，)( 2 1 ) 经均值滤波处理后的平滑图像为 9 江苏大学硕士学位论文 ；( 墨力= 击丢鲥= ；荔朋棚+ ；苏螂 ( 2 2 ) 在式( 2 1 ) 和( 2 2 ) 中，f ( x ，Y ) 是原始图像，h ( x ，Y ) 是噪声，J 是点( x ，y ) 邻域内 的点集，丁是点集s 中的总点数。根据图像是由许多狄度恒定的小块组成的假设， 可以看出式( 2 2 ) 的第一项非常接近于原始图像；而第二项代表平滑后图像中的噪 声，它的均值仍为零，方差为 。 ；善琊 2 专毛以加，D ，= ；蠢 c 2 可见，图像经平滑处理后可使噪声方差减小丁