基于改進(jìn)bern至均布模型的汽車車牌圖像二值化

根據(jù)二值化車牌圖像的算法，選擇合適的閾值，有效區(qū)分車牌背景和書寫。現(xiàn)有的閾值選擇技術(shù)可分為全局閾值選擇和局部閾值選擇。全球閾值選擇是根據(jù)整個(gè)圖像確定一個(gè)閾值。局部閾值選擇方法是將圖像劃分為幾個(gè)子圖像，并根據(jù)每個(gè)子圖像確定相應(yīng)的閾值。通用的通用閾值選擇方法包括直方圖法和最大差分法。直方圖法是指直接從原始圖像的灰度分布到直方圖的閾值，包括p-tile方法、最頻值法和直方圖的凹面分析方法。局部分離散度法，即歐標(biāo)法。對(duì)于目標(biāo)和背景比較清楚的圖像，全球閾值方法可以取得良好的結(jié)果。然而，如果圖像背景不均勻，目標(biāo)粒度的變化率將相對(duì)較高，則一般采用局部閾值選擇法。對(duì)于車牌識(shí)別系統(tǒng)中常用的二元閾值算法包括p-tile方法、ots方法和benson方法。車牌圖像二值化是車牌識(shí)別系統(tǒng)中的一個(gè)關(guān)鍵步驟,在車牌圖像識(shí)別的各個(gè)階段,經(jīng)常要用到圖像的二值化算法,而由于復(fù)雜光照(不均勻光線、光異常反射等)的影響導(dǎo)致車牌圖像降質(zhì)嚴(yán)重,二值化算法往往不令人滿意,影響后續(xù)的處理過(guò)程.本文針對(duì)不均勻光照下的車牌圖像字符提取問(wèn)題,提出使用同態(tài)增晰處理去掉車牌圖像的不均勻光照的影響,然后使用一種改進(jìn)的Bernsen算法對(duì)車牌圖像進(jìn)行二值化.1光柵異常異常反射造成圖像降質(zhì)在實(shí)際圖像處理中,經(jīng)常遇到光線不均勻或光線異常反射的情況,如圖1所示,(a)為光線不均和光線異常反射造成圖像降質(zhì),(b)為反射光過(guò)于強(qiáng)烈造成的圖像降質(zhì).對(duì)其進(jìn)行二值化將會(huì)丟失很多信息,直接影響到后面的處理過(guò)程.如圖2所示,二值化后圖像不清晰,難以進(jìn)行后續(xù)的處理,因此,對(duì)光線不均造成的降質(zhì)車牌圖像進(jìn)行增晰非常有必要.2基于照明反射模型的同態(tài)濾波同態(tài)濾波的圖像顯示傳統(tǒng)的一些空域方法,如局部對(duì)比度修正、局部直方圖均衡和統(tǒng)計(jì)局部增強(qiáng)等,是根據(jù)圖像的局部對(duì)比度特點(diǎn)自適應(yīng)地進(jìn)行亮度修正,具有較好的局部增強(qiáng)性能.但這一類方法沒(méi)有考慮圖像信息的頻率特征,因而不能達(dá)到突出高頻信息、衰減由光照不均引起的低頻信息的目的.基于照明反射模型的同態(tài)濾波同時(shí)考慮照明和反射特性,并且兼顧圖像的高頻細(xì)節(jié)和低頻分量,因而可以得到較為滿意的圖像增強(qiáng)效果.2.1反射光rx,y反射率的同態(tài)濾波模型利用照明反射模型(見(jiàn)圖3),可以通過(guò)壓縮亮度范圍和增強(qiáng)對(duì)比度來(lái)增強(qiáng)圖像、改善圖像.圖像與二維光強(qiáng)度函數(shù)有關(guān),用f(x,y)表示.f(x,y)可以表示為入射光強(qiáng)i(x,y)(照明分量)和景物被物體的反射率r(x,y)(反射分量)來(lái)表示:f(x?y)=i(x?y)r(x?y)f(x?y)=i(x?y)r(x?y)其中,入射光強(qiáng)取決于光源,由于入射光光強(qiáng)分布函數(shù)i(x,y)隨空間變化較小,在空間頻率域,函數(shù)i(x,y)的頻譜主要集中于低頻段,反映了成像的環(huán)境條件.反射光r(x,y)的頻譜主要集中于相對(duì)高頻段比較寬的范圍,反映了物體本身的特性.為此,只要能把圖像中相對(duì)于i(x,y)和r(x,y)兩部分分開(kāi),然后壓制較低頻段,放大較高頻段,就能有效地降低光照不均勻?qū)D像所帶來(lái)的影響.該模型在灰度校正和同態(tài)濾波中起著重要的作用.2.2反射率函數(shù)同態(tài)濾波增強(qiáng)算法對(duì)上式兩邊取對(duì)數(shù),得lnf(x?f)=lni(x?y)+lnr(x?y)lnf(x?f)=lni(x?y)+lnr(x?y)兩邊進(jìn)行傅里葉變換F(lnf(x?f))=F(lni(x?y))+F(lnr(x?y))F(lnf(x?f))=F(lni(x?y))+F(lnr(x?y))記為F(u?v)=Ι(u?v)+R(u?v)F(u?v)=I(u?v)+R(u?v)式中:F(u,v),I(u,v)和R(u,v)分別為lnf(x,f),lni(x,f)和lnr(x,f)的傅里葉變換.由于lni(x,f)為照明光光強(qiáng)分布函數(shù)的對(duì)數(shù),其頻譜函數(shù)I(u,v)主要集中于低頻段,lnr(x,f)是反射率函數(shù)r(x,f)的對(duì)數(shù),其頻譜函數(shù)R(u,v)主要在相對(duì)高頻的部分.因此,可用高通濾波函數(shù)H(u,v)對(duì)其進(jìn)行處理,以減少低頻成分.H(u,v)常采用Butterworth高通濾波器:濾波后輸出為進(jìn)行反傅里葉變換,得將上式的結(jié)果進(jìn)行反對(duì)數(shù)變換exp[s(x,y)],才能獲得最終的校正結(jié)果圖像.上述濾波算法即是圖像處理中的同態(tài)濾波增強(qiáng)算法,整個(gè)過(guò)程如圖4所示.分別對(duì)圖1中的車牌圖像進(jìn)行同態(tài)濾波處理后的結(jié)果如圖5所示.這里Butterworth高通濾波器參數(shù)取n=2,d=3.3局部閾值估計(jì)及改進(jìn)陳丹、賀貴明利用基于全局的二值化思想對(duì)Bernsen算法進(jìn)行了一些改進(jìn),并采用一種快速算法尋找局部窗口極值,使得此方法更加具有實(shí)用價(jià)值.試驗(yàn)證明該算法一般情況下優(yōu)于單獨(dú)采用Otsu法或Bernsen法.該算法實(shí)現(xiàn)步驟如下:算法的過(guò)程描述如下:(1)為了消除個(gè)別灰度特異點(diǎn),首先算出一個(gè)閾值T1.T1取值滿足255∑i=t1hist[i]≥A×10％,hist[i]為原圖灰度直方圖,A為面積(即圖像像素總數(shù)).(2)計(jì)算各點(diǎn)的閥值:(3)為盡量避免偽影及筆畫斷裂現(xiàn)象的產(chǎn)生,引入閥值T3,用以確定局部考察窗口內(nèi)極大與極小值的變化.Τ3(x?y)=max-w≤k?l≤wf(x+k?y+l)-min-w≤k?l≤wf(x+k?y+l)(4)采用取平均值的濾波方法對(duì)閾值曲面進(jìn)行平滑以消除光照不均等噪聲所產(chǎn)生的閾值突變,作為盡量避免偽影現(xiàn)象出現(xiàn)的另一手段,改善二值化效果.引入另一閾值T4(x,y).Τ4(x?y)=avg-w≤k?l≤wΤ2(x+k?y+l)(5)逐點(diǎn)二值化.①如果f(x?y)?(1+α)×Τ1?b(x?y)=255f(x?y)?(1-α)×Τ1?b(x?y)=0其中:α∈(0,1).可取0.2～0.4.②如果(1-α)×T1≤f(x,y)≤(1+α)×T1,計(jì)算T3(x,y).當(dāng)T3(x,y)>α×T1時(shí),則b(x?y)={0f(x?y)＜Τ4(x?y)255f(x?y)≥Τ4(x?y)否則,令T3(x,y)=1/2×(T1+T4(x,y)),則b(x?y)={0f(x?y)＜Τ3(x?y)255f(x?y)≥Τ3(x?y)上述算法考慮了圖像的整體灰度特性,對(duì)局部閾值方法的Bernsen算法進(jìn)行了改進(jìn),克服了Bernsen算法的部分缺點(diǎn),一定程度上消除了偽影及筆畫斷裂現(xiàn)象.4基于改進(jìn)的bernsen算法二值化上節(jié)所述改進(jìn)的Bernsen算法可以部分程度上克服偽影的影響,但是,光線不均引起車牌圖像降質(zhì)嚴(yán)重時(shí),其二值化效果仍然不理想,如圖6所示,(a)為原始圖像,(b)為同態(tài)濾波增晰處理,(c)為原始圖像直接用改進(jìn)的Bernsen算法二值化,(d)為原始圖像經(jīng)固態(tài)濾波后再用改進(jìn)的Bernsen算法二值化.國(guó)外Lee等人為了解決光照不均的影響,提出了將車牌二值化圖像進(jìn)行投影然后將牌照分成多個(gè)小區(qū)間再進(jìn)行二次二值化.該算法的前提是首先要對(duì)整個(gè)車牌圖像進(jìn)行二值化,然而當(dāng)光照不均稍嚴(yán)重時(shí),車牌圖像二值化的效果可能使后面的投影無(wú)法進(jìn)行,從而無(wú)法進(jìn)行后述的分區(qū)二值化工作.為解決復(fù)雜光照環(huán)境下的車牌二值化問(wèn)題,本文將同態(tài)濾波和改進(jìn)的Bernsen算法結(jié)合起來(lái),即在用改進(jìn)的Bern