数字视频图像处理与通信7 图像匹配.ppt

基于排序的序贯相关算法 这种算法的设计思想并不复杂，简单地说就是在对图像灰度进行二进制幅度排序的基础上进行序贯匹配处理，因此算法共分两步。 第一个步骤称为幅度排序预处理。把模板中的各个灰度值按幅度大小排成列的形式，并计算出各自的位置坐标 ，然后对它进行二进制（或三进制）编码。编码的具体方式是逐层扫描并将每一层一分为二，分别赋值1或0，通常选择幅度大的一组赋值为1，幅度小的一组赋值为0，如果存在某一层的项目数是一个奇数，那么就将该层的中间幅度赋值为 ，直到当各组所剩的元素不能再分为止。最后，根据二进位排序的诸列，把模板变换成二进制阵列的一个有序的集合{ ，n=1，2，……N}。 第二步是由粗到细的相关过程。顺序地将这些二进制阵列与基准图进行由粗到细的相关，直到确定匹配点为止。 下面举例说明具体的操作方式。假设存在一个3 3的图像，如图XX所示。首先将图像的幅度按大小排序填入表中，并将对应的位置也顺次填入。可见幅度最大值是48，它对应的像素点位置是（1，1），幅度第二的值是41，它对应的位置是（3，3）……然后进行分层编码。因为共有9个幅度值，因此中间幅度值24被赋为 。这样剩余的幅度选取较大的赋值为1，即表中前4位被编码为1，后4位被编码为0，记录层号Ⅰ。然后对后4位的值再进行同样的编码，依次递推，最终结果如图7-10所示。最终得到的二进制序列分为三层，分别由Ⅰ、Ⅱ、III来表示。 图7-10 图像的幅度排序预处理 图7-2 父窗体和子窗体的建立 其算法步骤如下： (1) 建立两个同心窗A和B，A嵌套在B内，称A为子窗口，B为父窗口。A的大小为(2X1+1)×(2Y1+1)个像素，B的大小为(2X2+1)×(2Y2+1)。将B窗体的左上角像素与图像的左上角像素对齐，如下图所示: (2) 计算A窗和B窗内像素的统计特性MA和MB (本书使用平均值)，然后对两值进行比较，求其比值。如果比值超过阈值(根据待检测目标的特性，由用户设定，为一经验值)，则认为窗口的中心像素是属于目标区域(本文则认为是车牌像素点)，置为255；否则认为是非车牌像素点，置为0。判决规则如下： 图7-3 SCW处理前后对比 (3) 按照如上步骤扫描全图，判决所有像素点，并得到二值图。 SCW是对原始图像进行处理的第一步，在得到的二值图中，判决为车牌的点像素值为255，非车牌点像素值为0。用SCW处理后的一些结果如下图所示： 连通区域分析（CCA） 原始图像经过SCW处理后，成为一幅二值图像。其中白色像素点代表可能的车牌区域，黑色像素点代表非车牌区域。整幅图像表现为多个子区域，例如在图（7-3）中，包含有车牌区域，两个车灯区域，散热器区域，以及其他区域。 接下来就需要分割区域，并分析各个区域的特点，并从中找出车牌区域。 连通区域分析(connected component analysis, CCA)是一种图像分析算法，它分析输入图像中各像素间的连通性，并根据这种连通性，将图像分割为多个连通区域，同时还得到各个连通区域的几何特征(面积，方向，重心等等)。各个区域内的像素点之间存在直接或者间接的相邻性，不同区域内的像素点之间不存在直接或者间接的相邻性。 相邻性有4连通或者8连通等不同定义。 图7-4 欧拉数定义示意图 CCA算法可以很容易地从图（7-3）中分析出车牌区域，车灯区域，散热器区域，以及其他区域，并得到这些区域的特性。为了在多个区域中区分车牌区域和其他区域，长宽比和欧拉数是最关键的区域特征。为了简便起见，下文将连通区域简称为“斑块”。 斑块的长宽比定义为该斑块的外接矩形的长宽比。牌照的长宽比处在2～3之间，根据这一特征，可排除不满足条件的斑块。 斑块的欧拉数定义为斑块内部所含有的闭合曲线数，也可理解为斑块内部含有的“空洞”的数目。如下图所示： 图7-5 字符“空洞” 斑块“A”内部仅有一个“空洞”，其欧拉数为1；斑块“B”内部有两个“空洞”，其欧拉数为2。 可以看到，经过SCW处理后，车牌斑块由于大量字符的存在，使其内部存在与字符相对应的“空洞”，并且这些“空洞”满足一定的大小要求。如下图所示： 图7-6 浅底深字情况的处理结果 字符“空洞”是车牌斑块最重要的特性，由图7-5可见，车牌斑块内部存在7个左右和字符大小相近的“空洞”，其欧拉数约为7；而其他斑块或者欧拉数太少，或者虽然有足够的欧拉数，但“空洞”太大或者太小，不符合字符特征。根据斑块欧拉数，可以准确地确定车牌区域。 问题：对于浅底深字(如蓝底黑字)的情况，经过SCW步骤后，车牌不成为一个斑块，字符互相独立。此时经过CCA步骤后，得到的车牌数为0。如下图所示： 图7-7 浅底深字问题解决后的效果 解决方法：将原图取反，再重复SCW和CCA步骤，即可得到车牌区域，如下图所示： 多