《直方图二值化》由会员分享,可在线阅读,更多相关《直方图二值化(4页珍藏版)》请在金锄头文库上搜索。
1、讲主要内容,观点。基于直方图分析的车牌二值化应用方法车牌图像二值化在车牌图像识别中是一项关键技术,二值化的结果直接影响到字符分割的精度和识别。本文,通过分析最大类间方差(Otsu)法和Bernsen法的局限性,提出了基于直方图分析的图像二值化方法。该方法的准确性测试了8000幅图像,准确度达到99%,只有那些被严重污染的图像或者低分辨率的图像不能被准确的二值化,实验及实地的实验都表明我们的方法有很高的准确度、很高的速度,更好的二值化效果。已经成功的应用在了识别系统中。关键词:车牌识别,二值化,阈值确定,直方图分析,图像处理介绍:智能交通系统要完成的功能:比如电子收费,交通管理,安全控制。车牌识
2、别系统是智能交通实现的一种形式。主要的任务确定车牌区,图像二值化,字符分割,然后识别。这些任务相互之间关联紧密。二值化就是其中的一项关键技术。它的结果直接影响后面的字符分割与识别。传统的二值化方法有许多:Otsus法和Bernsens法。Otsus法是经典的截止阈值的方法,通过直方图分析确定一个合适的阈值。如果车牌图像的直方图是双峰的,那么阈值相对容易确定,因为双峰表明,一个峰指的是字符区域,另外一个是背景区域。直方图的谷被选为二值化的阈值。但是当车牌图像被噪音污染或者光照强度不够而导致直方图有多个峰或者联合的峰。那样阈值的确定就麻烦了。Bernsen法是是个经典的适应阈值确定法,处理不均匀光
3、照图像.但是相当的昂贵有事还会出现()。两种方法在图像二值化的实际应用中都不理想。本文,增强二值化的效果,提出了基于直方图分析的实用的图像二值化方法。中国的车牌有两种:白色字符黑色背景,黑色字符白色背景。通过判断直方图斜纹的重心偏向高灰度级还是低灰度级来确定车牌类型。如果偏向低灰度级,则为黑底白字类型。通过字符区域确定的百分比,我们给出阈值。实验和实地测试的结果表明,它是一种切实可行的方法,并已在我们的CLPR系统成功应用2. TWO CONVENTIONAL THRESHOLDING METHODS在本节中,有两个传统的阈值确定方法,津市和伯恩森的方法,进行了介绍和 它们进行牌照二值化时的局
4、限性进行了分析Otsus method最大类间方差的方法同许多截止阈值技术一样,最大类间方差的方法通过直方图分析确定一个合适的图像阈值。该算法视归一化图像的直方图为一个概率分布、,然后使用类间方差与类内方差的最大比来获得阈值6阈值 的: 其中L是灰度级的数目,是输入图像灰度值的平均值,和分别是输入图像级灰度从0到t的zeromoment 和 1st moment , 车牌图像由字符和背景组成。因此,当直方图有一个深谷时,谷底就是分开字符与背景的阈值。 。但是,当图像嘈杂污染,光照差或背景复杂时,直方图将有一个以上的深山谷。然1(a)显示板在恶劣的照明形象。图1(b)显示图的直方图。 1(A)。
5、图第1(c)显示了对二值化的结果。图2(a)给出一个复杂的背景板图片。图2(b)显示图的直方图。2(A)。图2(c)所示的二值化的结果 。2.2 Bernsens method伯恩森的方法是一个典型的的自适应阈值方法。图像中的每个像素,都要计算阈值。如果像素值低于阈值设置为背景值,否则前景值。找到阈值的另一种方法是计算局部地区像素值的的最低和最高值的平均值。这种方法的前提假设是更小的图像区域更有可能拥有均匀的照明。这种方法的缺点是,它是计算昂贵,并把“ghost”的现象,选区大小必须大到足以覆盖足够的前景和背景像素,否则将得到很差的阈值。但是若选择区域过大, 违反假设的 统一照明。伯恩森的算术
6、通过自适应阈值操作实现, 等同于一个给定的灰度图像F(X,Y)到一个二进制图像B(X,Y)的映射。使用一个阈值曲面T(X,Y)。我们可以操作以下步骤:1。对于图像中的每个像素,计算阈值 2。根据阈值曲面T(X,Y)将图像二值化。是灰度图像,是二进制图像,是阈值曲面,是中心是(X,Y),大小为(2W+1)(2W+1)的模板,W是估计最大宽度。图3显示了一个原始车牌图像通过这种方法,它的二值化结果。我们可以找到附近的一些“鬼”字符“E”,并在图像的右侧。3. PLATE BINARIZATION BASED ON HISTOGRAM ANALYSIS3.1直方图分析在上一节的讨论,我们知道,两个大
7、津市和伯恩森的方法在板限制图像二值化。所以,我们找到一条切实可行的二值化方法,直方图分析的基础上,以提高准确性板块二值化。据了解,在中国有两种类型的车牌。一种是“黑底白字 ”另一种是“黑底白字”。我们定义前者为“白”式的 ,后者为“黑式的 。据直方图的灰度级重心偏向低灰度级或 高灰度级来确定车牌类型。 如果重力中心倾向较低的灰度等级,风格是“白”式,反之亦然。然后,我们可以根据字符区域的固定百分比确定车牌图像阈值。为了减少车牌边界 或边界外背景 的影响,只 考虑车牌图像的中心区域, 假设Plate (I,J)是车牌图像,其中i= 1,2,.,高度,J =1,2,.,宽。因此,中心区域可表示为:
8、其中 i=1,2,.,height(1-2m) ,j=1,2,.,width(1-2n) m 和n都是小于0.5 的常数,在我们的车牌识别系统中,m=0.2,n=0.125.图像的中心地区,我们发现字符面积的百分比是非常稳定,总是小于背景。图4显示直方图之一Plate0。为了增加强劲算法,直方图的左,右的部分将被忽略。例如,如图所示。 4,灰度等级不到和大于b将被忽略。a 和b的确定: 其中是直方图的概率密度,N是中心区域的面积,ni为 灰度值为i的像素数Pth 是一经验值,由下面的实验决定。3.2阈值Pth的决定实验对象是742幅车牌的图像,这是划分成2个数据库。有527件“白”的样式在数据库1板和215件“黑”的样式板块在数据库2。让PTH= 0.050.40,0.05的一步,再算上判断错误的数量,并计算总精度。本实验的结果列于表1。5. CONCLUSION总之,我们的方法的优点包括:1。更高的精度。样式判断基于灰度图像比传统方法更有效基于二进制图像。2。更高的速度。直方图分析阈值确定。3。字符分隔清楚。数超过8000件板图像,准确率接近99。只有那些以非常低的分辨率的图片或污染严重不能二值正确。实验和实地测试的结果表明,它是一个现实方法,它是应用在我们CLPR的制度,这是在沪宁高速公路的电子收费收集系统使用在上海举行