数字视频图像处理与通信第7章.pptVIP

得到二进制序列之后，便可以由此构造二进制阵列。二进制阵列是有序的集合 ，n=1，2，……，N，其中N是二进制排列的分层数，在这个例子中N=3。 继续上面的步骤，幅度是48的像素点的位置是（1，1），二进制编码是111。因此，在构造的3个二进制阵列 、 、 的（1，1）位置上分别填入1、1、1三个编码值；幅度是41的像素点的位置是（3，3），二进制编码是110。因此，在构造的3个二进制阵列 、 、 的（3，3）位置上分别填入1、1、0三个编码值；……依次类推最终得到的结果如图7-11所示。 图7-11 二进制阵列 下面是算法的第二个步骤，序贯地将得到的二进制阵列与基准图进行由粗到细的关联，直到找到匹配点为止。对于此例，首先用 阵列与基准图进行如下运算，得： (7-27) 上式的意义解释为：当 阵列放在基准图的某一搜索位置（u，v）上时，与 阵列中的1值相对的基准图像素值之和减去与 阵列中的0值相对的基准图的像素值之和，这一计算将忽略与 阵列中的 号对应的基准图像素元。 实际上是一比特量化模板与基准图的积相关函数，它反映了图像中最粗糙的图像结构的信息（即一种高低表示）与基准图的相关。 被称为基本的相关面。 Moravec兴趣算子 Moravec于1977年提出利用灰度方差提取点特征的算子。Moravec算子是在四个主要方向上，选择具有最大—最小灰度方差的点作为特征点。 第一步，计算各像元的兴趣值IV（interest value）。 第二步，给定一经验阈值，将兴趣值大于该阈值的点（即兴趣值计算窗口的中心点）作为候选点。阈值的选择应以候选点中包括所需要的特征点，而又不含过多的非特征点为原则。 第三步，选取候选点中的极值点作为特征点。 近些年应用较多的一种方法是尝试首先利用边缘提取方法提取整个图象的边缘轮廓，然后在此轮廓内利用以上特征点提取方法提取特征点。下面以滑动同心窗结合连通区域分析的定位方法为例，说明这种方法在车牌识别中的应用。 滑动同心窗原理（SCW） 目标检测，是指在一幅或多幅图像中检测用户所感兴趣的区域。车牌定位也是目标检测的一种。滑动同心窗（sliding concentric windows, SCW）是一种常用的图像分割方法，用于检测用户所感兴趣的各种区域。用户可根据待检测目标的特征，定义SCW的参数，实现正确检测。 直观上而言，车牌区域在整幅图像中具有其独自的特征。最明显的就是其纹理的不规则，导致其统计特性的急剧变化；并且由于牌照的规格一致，字体的规格也一致，这种统计上的变化又有某些不变的特征。SCW可以很好的描述这种“不规则”，它统计父窗口和子窗口中所有像素的均值或者标准差，并根据两者的比值大小，反映窗口区域中像素的变化情况。 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: 图7-2 父窗体和子窗体的建立 (2) 计算A窗和B窗内像素的统计特性 和 (本文使用平均值)，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： (3) 按照如上步骤扫描全图，判决所有像素点，并得到二值图。如图所示。 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： 图7-3 SCW处理前后对比 连通区域分析（CCA） 由2.2.2节可见，原始图像经过SCW处理后，成为一幅二值图像。其中的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。相邻性可有4连通或者8连通等不同定义，4连通是指每个像素的邻居包括其上、下、左、右4个像素点，8连通是指每个