基于同态滤与改进Bernsen算法的不均匀光照下车牌图像二值化研究.docVIP

基于同态滤波与改进Bernsen算法的不均匀光照下车牌图像二值化研究 赵玲祥 摘 要：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，汽车牌照自动识别系统工作在复杂的光照环境下，经常会出现车牌光照不均的现象，给图像二值化带来困难。为此，提出一种解决办法，首先使用同态滤波去掉车牌图像的不均匀光照的影响，然后使用改进的Bernsen算法对车牌图像进行二值化。实验表明，使用该算法能有效地克服不均匀光照的影响，二值化效果良好,车牌识别率得到显著的提高。 关键词：车牌；图像二值化；同态滤波 　基于灰度的车牌图像二值化算法即选择一个合适的阀值，将车牌背景和字符有效分开。现有的阈值选取技术可以分为全局的和局部的阈值选取方法。全局的阈值选取是指根据整幅图像确定一个阈值。局部阈值选取方法是指将图像划分为若干子图像，根据每个子图像确定相应的阈值。常用的全局阈值选取方法包括直方图法和最大类间方差法。直方图法是指直接从原图像的灰度分布直方图上确定阈值，包括p-tile 法、最频值法和直方图凹面分析法，最大类间方差法即Otsu法。常用的局部域值法有Bernsen法，Chow 和Kaneko法，Yanowitz和Bruckstein法，Sauvola法和Pietikainen法。对于目标和背景比较清楚的图像，全局阈值化方法可以取得较好结果。但是如果图像的背景不均匀，或是目标灰度变化率比较大，一般就用局部阈值选择法。在车牌识别系统中常用的二值化算法有p-tile法，Otsu 法和Bernsen 法。车牌图像二值化是车牌识别系统中的一个关键步骤，在车牌图像识别的各个阶段，经常要用到图像的二值化算法，而由于复杂光照(不均匀光线、光异常反射等) 的影响导致车牌图像降质严重，二值化算法往往不令人满意，影响后续的处理过程。本文针对不均匀光照下的车牌图像字符提取问题，提出使用同态增晰处理去掉车牌图像的不均匀光照的影响，然后使用一种改进的Bernsen 算法对车牌图像进行二值化。 1 复杂光照下的图像阀值分割面临的问题 在实际图像处理中,经常遇到光线不均匀或光线异常反射的情况，如图1 所示,，(a)为光线不均和光线异常反射造成图像降质，( b)为反射光过于强烈造成的图像降质。对其进行二值化将会丢失很多信息，直接影响到后面的处理过程。如图2 所示，二值化后图像不清晰，难以进行后续的处理，因此，对光线不均造成的降质车牌图像进行增晰非常有必要。 图1 　光线不均造成的图像降质 图2 　不均匀光照车牌图像的二值化 2 车牌图像增晰 传统的一些空域方法，如局部对比度修正、局部直方图均衡和统计局部增强等，是根据图像的局部对比度特点自适应地进行亮度修正，具有较好的局部增强性能。但这一类方法没有考虑图像信息的频率特征，因而不能达到突出高频信息、衰减由光照不均引起的低频信息的目的.基于照明反射模型的同态滤波同时考虑照明和反射特性，并且兼顾图像的高频细节和低频分量,因而可以得到较为满意的图像增强效果。 2. 1 光照的反射成像模型 利用照明反射模型(见图3) ，可以通过压缩亮度范围和增强对比度来增强图像、改善图像。 图像与二维光强度函数有关，用表示。可以表示为入射光强 (照明分量) 和景物被物体的反射率 (反射分量) 来表示： 图3 　照明反射模型 其中，入射光强取决于光源，由于入射光光强分布函数随空间变化较小，在空间频率域，函数的频谱主要集中于低频段,反映了成像的环境条件。反射光的频谱主要集中于相对高频段比较宽的范围,反映了物体本身的特性。为此，只要能把图像中相对于 和两部分分开，然后压制较低频段，放大较高频段,就能有效地降低光照不均匀对图像所带来的影响。该模型在灰度校正和同态滤波中起着重要的作用。 2. 2 　同态滤波增强算法 对上式两边取对数，得 (1) 两边进行傅里叶变换 (2) 记为 (3) 式中, 和 分别为， 和 的傅里叶变换。由于为照明光光强分布函数的对数，其频谱函数主要集中于低频段，是反射率函数的对数，其频谱函数主要在相对高频的部分。因此，可用高通滤波函数对其进行处理以减少低频成分。 常采用Butterworth 高通滤波器： (4) 滤波后输出为 (5) 进行反傅里叶变换，得 　　 (6) 将上式的结果进行反对数变换，才能获得最终的校正结果图像。上述滤波算法即是图像处理中的同态滤波增强算法，整个过程如图4所示。 图4 　同态滤波算法流程示意图 分别对图1中的车牌图像进行同态滤波处理后的结果如图5所示，这里Butterworth高通滤波器参数取 n = 2 , d = 3. 图5