图像滤噪以及车牌识别.docxVIP

PAGE14 / NUMPAGES14 PAGE1 / NUMPAGES6 第二次图像处理作业 班级：物联网1401 学号： 姓名：zk 江南大学物联网工程学院 一、作业目的： 针对于不同的图像选取合适的处理方法进行处理，达到较好的效果。下面将从图像处理方法上进行分类，并说明对应的图片的处理过程和结果，实验代码见附录。 二、处理过程 飞机、细胞及骨骼的图像处理主要是对比度增强；月球、硬币的图像主要是消噪；橄榄球的图像处理主要是对于运动模糊的消除；车牌号码提取主要用到闭运算和图像分割。 2.1对比度增强 通过实验比较，飞机和细胞利用直方图均衡化的处理方法效果比较明显，而骨骼的图像利用同态滤波的方法效果比直方图的好。 2.1.1 直方图均衡化 图1 原始图像 分析图像可得图像中前景与背景区分度太小，导致图像显示不清晰。采用直方图均衡化进行全局对比度增强，并利用MATLAB中的调整图像亮度值或彩色映射函数imadjust()进行调整，提高图片的清晰度。飞机原始图片的灰度直方图如下所示 图2 飞机原始图像灰度直方图 根据直方图得出原始图像灰度值主要分布在100-175之间，密集分布在120-140之间。采用前者并归一化到0-1区间后处理得到的图像如下： 图3 100-175区间对比度增强 处理后图像的灰度直方图如下所示; 图4 处理后图像灰度直方图 可见均衡后图像对比度明显增强，纹理和边缘更加清晰。原图灰度分布在很狭窄的区间约[100,175]内。均衡化后灰度较为分散的分布在[50,200]区间内。 如果采用区间120-140进行对比度增强，得到的图像和灰度直方图分布如下所示，根据图像结果可知，图像的对比度更大，但在灰度值的分布上更加分散。 图5 120-140区间对比度增强及灰度直方图 同理对细胞图像的处理图如下： 图6 细胞图像处理结果 2.1.2 同态滤波 图7 同态滤波前后对比图 2.2图像消噪 2.2.1 消除椒盐噪声 图8 原始图像 椒盐噪声是一种在图像上出现很多白点或黑点的噪声，用线性滤波器滤除的结果不好，对于椒盐噪声采用中值滤波的方法进行消噪处理，利用MATLAB中的medfilt（）函数。处理结果如下： 图9 中值滤噪后图像 2.2.2 消除高斯噪声 图10 原始图形 高斯噪声是指噪声服从高斯分布,即某个强度的噪声点个数最多,离这个强度越远噪声点个数越少,且这个规律服从高斯分布.高斯噪声是一种加性噪声,即噪声直接加到原图像上,因此可以用线性滤波器滤除. 采用高斯滤波器进行消噪，处理后的图像如下所示： 图11 高斯滤波后图像 2.3运动模糊消除 PSF=fspecial(motion,len,theta) ; Motion_Blur= imfilter(I,PSF,circular,conv); 其中PSF为运动模糊算子，有两个参数，表示摄像物体逆时针方向以theta角度运动了len个像素，len的默认值为9，theta的默认值为0。 处理过程中分别采用维纳滤波，Lucy-Richardson滤波处理，但并没有达到想象中的效果，图像仍然存在模糊。处理结果如下： 图12 维纳和Lucy-Richardson处理后图像 2.4车牌号码识别 图13 车牌号码识别算法流程 图14 原始图像 首先将原始图像转化为灰度图像并提取其图像边界，处理结果如下图所示； 图15 边界提取图像 利用腐蚀算子fushi=[1;1;1]，将非车牌区域的噪声信息腐蚀掉，处理后如下图所示： 图16 边界腐蚀后图形 选择方形闭环算子进行闭运算，处理后图像如下所示： 图17 闭运算后图像 利用bwareaopen（）函数将图像中的小于1800个像素点的区域去除，处理结果如下： 图18 去除车牌号码以外区域 根据上图信息，确定号码的上下左右边界，分别得到上下左右的像素边界统计，分别如下所示： 图19 车牌号码边界信息 最后在原图中提取车牌号码区域，处理结果如下图所示： 图20 车牌号码提取 三、总结 在这次作业中学会了针对不同问题的图片采取相对应的方法，例如在椒盐噪声的消噪中利用中值滤波的效果比均值滤波要好的多，同时在车牌号的提取中体会到开运算，闭运算的效果，收获颇丰。 附录： 程序代码 2.1.1 直方图均衡化 yuantu1=imread(C:\Users\zhangkun\Desktop\4.bmp); yuantu=rgb2gray(yuantu1); figure(1); imhist(yuantu,256); axis([0 255 0 1e5]);title(原图直方图); I=imadjust(yuantu,[0.39 0.7],[0 1.0]); figur