基于改進bern至均布模型的汽車車牌圖像二值化

根據二值化車牌圖像的算法，選擇合適的閾值，有效區分車牌背景和書寫。現有的閾值選擇技術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整個圖像確定一個閾值。局部閾值選擇方法是將圖像劃分為幾個子圖像，并根據每個子圖像確定相應的閾值。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，即歐標法。對于目標和背景比較清楚的圖像，全球閾值方法可以取得良好的結果。然而，如果圖像背景不均勻，目標粒度的變化率將相對較高，則一般采用局部閾值選擇法。對于車牌識別系統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別系統中的一個關鍵步驟,在車牌圖像識別的各個階段,經常要用到圖像的二值化算法,而由于復雜光照(不均勻光線、光異常反射等)的影響導致車牌圖像降質嚴重,二值化算法往往不令人滿意,影響后續的處理過程.本文針對不均勻光照下的車牌圖像字符提取問題,提出使用同態增晰處理去掉車牌圖像的不均勻光照的影響,然后使用一種改進的Bernsen算法對車牌圖像進行二值化.1光柵異常異常反射造成圖像降質在實際圖像處理中,經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,(b)為反射光過于強烈造成的圖像降質.對其進行二值化將會丟失很多信息,直接影響到后面的處理過程.如圖2所示,二值化后圖像不清晰,難以進行后續的處理,因此,對光線不均造成的降質車牌圖像進行增晰非常有必要.2基于照明反射模型的同態濾波同態濾波的圖像顯示傳統的一些空域方法,如局部對比度修正、局部直方圖均衡和統計局部增強等,是根據圖像的局部對比度特點自適應地進行亮度修正,具有較好的局部增強性能.但這一類方法沒有考慮圖像信息的頻率特征,因而不能達到突出高頻信息、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濾波同時考慮照明和反射特性,并且兼顧圖像的高頻細節和低頻分量,因而可以得到較為滿意的圖像增強效果.2.1反射光rx,y反射率的同態濾波模型利用照明反射模型(見圖3),可以通過壓縮亮度范圍和增強對比度來增強圖像、改善圖像.圖像與二維光強度函數有關,用f(x,y)表示.f(x,y)可以表示為入射光強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,入射光強取決于光源,由于入射光光強分布函數i(x,y)隨空間變化較小,在空間頻率域,函數i(x,y)的頻譜主要集中于低頻段,反映了成像的環境條件.反射光r(x,y)的頻譜主要集中于相對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于i(x,y)和r(x,y)兩部分分開,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對圖像所帶來的影響.該模型在灰度校正和同態濾波中起著重要的作用.2.2反射率函數同態濾波增強算法對上式兩邊取對數,得lnf(x?f)=lni(x?y)+lnr(x?y)lnf(x?f)=lni(x?y)+lnr(x?y)兩邊進行傅里葉變換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)為照明光光強分布函數的對數,其頻譜函數I(u,v)主要集中于低頻段,lnr(x,f)是反射率函數r(x,f)的對數,其頻譜函數R(u,v)主要在相對高頻的部分.因此,可用高通濾波函數H(u,v)對其進行處理,以減少低頻成分.H(u,v)常采用Butterworth高通濾波器:濾波后輸出為進行反傅里葉變換,得將上式的結果進行反對數變換exp[s(x,y)],才能獲得最終的校正結果圖像.上述濾波算法即是圖像處理中的同態濾波增強算法,整個過程如圖4所示.分別對圖1中的車牌圖像進行同態濾波處理后的結果如圖5所示.這里Butterworth高通濾波器參數取n=2,d=3.3局部閾值估計及改進陳丹、賀貴明利用基于全局的二值化思想對Bernsen算法進行了一些改進,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用價值.試驗證明該算法一般情況下優于單獨采用Otsu法或Bernsen法.該算法實現步驟如下:算法的過程描述如下:(1)為了消除個別灰度特異點,首先算出一個閾值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).(2)計算各點的閥值:(3)為盡量避免偽影及筆畫斷裂現象的產生,引入閥值T3,用以確定局部考察窗口內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閾值曲面進行平滑以消除光照不均等噪聲所產生的閾值突變,作為盡量避免偽影現象出現的另一手段,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,計算T3(x,y).當T3(x,y)>α×T1時,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,對局部閾值方法的Bernsen算法進行了改進,克服了Bernsen算法的部分缺點,一定程度上消除了偽影及筆畫斷裂現象.4基于改進的bernsen算法二值化上節所述改進的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嚴重時,其二值化效果仍然不理想,如圖6所示,(a)為原始圖像,(b)為同態濾波增晰處理,(c)為原始圖像直接用改進的Bernsen算法二值化,(d)為原始圖像經固態濾波后再用改進的Bernsen算法二值化.國外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行投影然后將牌照分成多個小區間再進行二次二值化.該算法的前提是首先要對整個車牌圖像進行二值化,然而當光照不均稍嚴重時,車牌圖像二值化的效果可能使后面的投影無法進行,從而無法進行后述的分區二值化工作.為解決復雜光照環境下的車牌二值化問題,本文將同態濾波和改進的Bernsen算法結合起來,即在用改進的Bern