数字图像处理——车牌定位.docxVIP

数字图像处理车牌识别班级：信工1301姓名：雷鹏沛学号：2013014350数字图像处理——车牌定位信工1301 雷鹏沛 2013014350要求：对图像自动车牌定位的方法进行简述，并针对如下图像，提出车牌定位的方案和初步结果，内容需包括：1）问题描述及分析；2）车牌定位方法概述；3）拟采用的方法及选用理由；4）方法可行性分析及初步结果。（40）1）问题描述及分析：描述：从给定个一张汽车图片中将车牌定位并提取出来。分析：汽车车牌可以看成长宽比在一定变化范围内的一个矩形区域，我们只要将一定范围的长宽比的矩形定位即可。2）车牌定位方法概述：根据车牌特点，一般采用的车牌定位算法有：1.基于纹理分析的定位方法：该算法对于牌照倾斜或变形及光照不均匀、偏弱或偏强有很好的效果，但对噪声敏感。2.基于形态学的定位方法：该方法提高了车牌图像分割的准确度但精度不理想，所以必须结合其他定位方法进行精确定位，可与边缘特征分析相结合提高车牌区域定位的精确度。3.基于边缘检测的定位方法：该方法的定位准确率较高，反应时间快，能有效去掉噪声，并且在多车牌图像的情况下定位速度也很快。4.基于小波变换的定位方法：利用小波变换去噪效果好，结合其他定位方法在车牌图像检测定位中，能较为快速、有效地从复杂噪声背景中将待识别的车牌分割出来。5.基于图像彩色信息的定位方法：彩色信息的使用可以提高车牌定位的成功率。但是在夜晚、下雨天或大雾天是车牌区域容易有残洞，定位效果不理想。3）拟采用的方法及选用理由：本文采用的方法为基于边缘检测定位算法结合数学形态学的定位方法。选用理由：基于形态学的定位方法提高了车牌图像分割的准确度但精确度不理想，而基于边缘检测的定位方法准确率较高，反应时间快，故将两者结合起来进行车牌检测。4）方法可行性分析及初步结果1.基本方法为：图像输入-预处理-特定矩形的定位。其中，预处理包括图像的灰度变换，滤波，边缘提取，图像形态学处理等。本次图像中车牌与车牌附近的颜色差异显著，边缘特征明显；并且车牌较为清晰，无遮挡或雨雾等干扰。所以采用基于边缘检测定位算法结合数学形态学的定位方法会取得比较好的效果。2.程序：clearall; clc;Im = imread(car.bmp); %读入图像Im0 = rgb2gray(Im); %转为灰度图figure, imshow(Im0); title(灰度图,FontSize,20);level = graythresh(Im0); %获取阈值Im1 = im2bw(Im0,level); %转为二值图像figure, imshow(Im1); title(二值图像,FontSize,20);I = wiener2(Im1,[5,5]); %维纳滤波，去噪、模糊文字figure, imshow(I); title(维纳滤波后的图像,FontSize,20);Iedge = edge(I,canny); %提取边缘figure, imshow(Iedge); title(图像边缘,FontSize,20);bg1=imclose(Iedge,strel(rectangle,[10,35])); %取矩形框的闭运算figure,imshow(bg1);title(图像闭运算[10,35],FontSize,20); bg2=imopen(bg1,strel(rectangle,[10,35])); %取矩形框的开运算figure,imshow(bg2);title(图像开运算[10,35],FontSize,20); bg3=imopen(bg2,strel(rectangle,[35,10])); %取矩形框的开运算figure,imshow(bg3);title(图像开运算[35,10],FontSize,20); result(:,:,1) = Im(:,:,1) .* uint8(bg3);result(:,:,2) = Im(:,:,2) .* uint8(bg3);result(:,:,3) = Im(:,:,3) .* uint8(bg3);figure, imshow(result); title(最后结果,FontSize,20)3.运行结果：5）总结：从结果来看，本方法效果还算不错，能够将车牌很好地定位出来；但是对车牌上部的边缘契合不是很好，还有就是车牌有一个非常小的旋转角度没有调整回来，这些是需