二值化算法在车牌识别中应用.docVIP

二值化算法在车牌识别中的应用 　　摘要:本文介绍了目前各种二值化算法，并进行了一些比对，同时提出了针对车牌识别过程中的二值化算法的应用以供讨论。 　　关键词:车牌识别；图像二值化；算法 　　 　　一、引言 　　 　　车牌区域图像的二值化是车牌分割的关键步骤，它直接关系到车牌识别后续环节中字符分割的准确性以及识别的正确率。由于视频、图像采集环境的差异，再加上多种干扰因素的存在，对车牌区域图像质量造成的影响也不同，所以很难找到一种普遍适用、计算简单、同时自适应性又很强的二值化算法对车牌区域图像进行有效的分割。在从灰度图像向二值图像的转化过程中，如何尽量使损失的信息量减少到最小，是人们长期以来所追求的目标。 　　 　　二、图像的二值化 　　 　　图像的二值化可以分为全局阈值的和局部自适应阈值的二值化。 　　（一）全局阈值的二值化算法 　　全局阈值的二值化算法是指在整幅图像中使用一个统一的阈值对灰度图像进行二值化。当图像背景比较单一，图像灰度直方图明显呈现双峰分布时，采用全局阈值进行图像分割一般可得到比较满意的结果。其算法的时间复杂度较低，易于实现，适合应用于在线实时图像处理系统。 　　目前主要的全局阈值算法有以下几种：最大类间方差法（Ostu方法），嫡算法，矩保持算法，最小误差法。下面就上面提到的几种方法做一简单的介绍。重点介绍最大类间方差法。 　　（1）最大类间方差法 　　由Ostu提出的最大类间方差法是在判决分析最小二乘法原理的基础上推导得出的。其基本思想：一幅图像被一个阈值分为目标与背景两部分，当两部分之间的方差最大时，分割效果最好。 　　Ostu二值化的操作被看成是将整个图像在阈t处分为两类，一类代表背景，一类代表前景目标，令代表类间方差，则最佳阈值可以通过使下列判别函数最大化得到： 　　 　　其中： 　　 　　是各个灰度级的概率，另外， 　　（2）其他 　　熵方法是应用信息理论中的熵概念，将背景类的熵和前景目标类的熵的和作为判别式，对每个灰度级都计算一次判别式的值，使判别式最大的那个灰度级即为所求阈值。 　　矩保持法是选择一个阈值，使得二值化以后的二值图像能够保持原有的灰度级图像的矩。 　　（二）局部自适应的二值化算法 　　在许多情况下，背景的灰度值并不是常数，前景和背景的对比度在图像中也不固定。当照明不均匀、有突发噪声，或者背景灰度变化较大时，必须根据象素的坐标位置关系自动确定不同阈值。由像素的灰度值和该像素点周围的像素局部特性来确定像素的阈值，从而进行二值化的方法称为局部阈值算法。 　　常用的局部自适应二值化方法有以下几种： Eikvil方法，Yanowitz和Bruckstein方法，Chow和Kaneko方法，Mardia和Hainsworth方法，Taxt方法，White和Rohrer的动态阈值法，Parker方法，Whiter和Rohrer的合成函数法。下面我们将分别对前两种方法进行介绍。 　　（1）Eikvil法 　　Eikvil的方法使用两个窗口，大窗口L和小窗口S，通常取L的大小为15×15，S的大小为3×3，位于L的中心。然后让窗口S和L沿着图像滑动，每次滑动的步长为S的大小。阈值的计算方法如下： 　　a．对所有在窗口L内像素点用Ostu方法求出一个阈值T，由此将L内的像素分为背景和前景两类。 　　b．对两类的像素，分别计算出它们的灰度均值，。 　　c．如果|-|≥l,则所有窗口内的像素用阈值T进行二值化。这里的l是一个预先确定的常数。 　　d．如果|-| l，则说明窗口L的像素可能同属于前景类或背景类，计算出窗口S内像素灰度的均值，将它与，比较，所有窗口S内的像素都属于和它们有相近均值的那一类。 　　（2）Yanowitz和Bruckstein法 　　这个方法通过求梯度的局部最大值来确定一个阈值表面。其具体步骤如下： 　　a．首先对整个图像进行平滑。 　　b．通过Sobel算子或其他方法求出各像素点的梯度值。从而得到一个梯度幅度图像。 　　c．找出那些具有局部最大梯度的像素点，这些点的灰度级可作为候选的局部阈值。 　　d．这些点的值构成一个可能的阈值表面，其他点的阈值可以根据这些点的阈值通过插值求得。边界点以外的其他的点，用下面的迭代式求阈值。 　　R(x,y)=P(x,y)+P(x,y-1)+P(x-1,y)+P(x+1,y)-4P(x,y) 　　 　　这时的各像素点的P(x，y)即构成所求的阈值表面。 　　（三）本文采用的方法 　　在车牌识别系统中，我们会多次用到灰度图像的二值化算法。因为不同阶段对计算时间和二值化效果的要求不同，所以我们在系统的不同模块使用了不同的二值化算法。 　　（1）在图像增强阶段