圖像復(fù)原技術(shù)在車牌定位中的應(yīng)用研究

張奧祥，楊超宇

(安徽理工大學(xué) 1.計(jì)算機(jī)科學(xué)與工程學(xué)院；2.經(jīng)濟(jì)與管理學(xué)院，安徽 淮南 232001)

車牌識(shí)別技術(shù)已經(jīng)廣泛應(yīng)用于多個(gè)領(lǐng)域，車牌識(shí)別技術(shù)的使用對(duì)交通管制、車輛管理等方面的效率都有很大的提高，車牌的正確定位是車牌能否最終準(zhǔn)確識(shí)別的重要基礎(chǔ)和保障，只有車牌區(qū)域準(zhǔn)確的定位出來(lái)才能順利進(jìn)行車牌識(shí)別的后續(xù)步驟。在一些特殊的復(fù)雜環(huán)境下，車牌定位的準(zhǔn)確性往往會(huì)受到一定的影響，很難直接精準(zhǔn)地定位出車牌區(qū)域。其中，由于車輛在高速形勢(shì)下抓拍的圖像模糊，由于攝像設(shè)備時(shí)間久導(dǎo)致圖像質(zhì)量不佳等；都直接影響著車牌的準(zhǔn)確定位。論文主要對(duì)運(yùn)動(dòng)模糊以及噪聲疊加運(yùn)動(dòng)模糊情境下的車牌定位進(jìn)行算法和實(shí)驗(yàn)研究。

1 圖像退化

圖像模糊是圖像退化的一種也是最為常見的一種。模糊圖像的處理過程是現(xiàn)代數(shù)字圖像處理過程中的研究重點(diǎn)和難題，沒有任何一種通用的算法可以處理所有情境下的圖像模糊，需要根據(jù)不同的情境和狀態(tài)建立適合此圖像處理的退化模型，根據(jù)實(shí)驗(yàn)的效果選擇合理的算法進(jìn)行處理圖像。

1.1 圖像退化模型

圖像退化[1]指由設(shè)備得到的場(chǎng)景圖像因產(chǎn)生失真等情況未能真實(shí)地反映出場(chǎng)景的真實(shí)內(nèi)容，為了能夠很好地恢復(fù)失真模糊的圖像，需要根據(jù)圖像的失真模糊的根本原因建立相應(yīng)的退化模型進(jìn)而選擇合適的復(fù)原技術(shù)進(jìn)行處理。常見的圖像退化模型：一種由于非線性變換響應(yīng)而導(dǎo)致的退化，一種成像模糊造成的退化，一種場(chǎng)景中目標(biāo)快速運(yùn)動(dòng)造成的重疊退化以及隨機(jī)噪聲的疊加退化等。

圖像退化的因素實(shí)際的圖像中一般為噪聲和模糊，既受噪聲影響又受模糊影像的退化圖像最為常見，對(duì)此可以給出一個(gè)簡(jiǎn)單的通用退化模型[2](如圖1所示)。

圖1 簡(jiǎn)單的通用圖像退化模型

模型中的輸入和輸出關(guān)系為：

g(x,y)=H[f(x,y)]+n(x,y)

(1.1)

其中，H為模糊系統(tǒng)，n(x,y)為噪聲，f(x,y)為原始圖像，g(x,y)為噪聲和模糊疊加的退化圖像。在n(x,y)為0時(shí)，模糊系統(tǒng)H可以有線性、相加性、一致性以及空間不變性4個(gè)性質(zhì)。

1.2 噪聲影響

噪聲[3]是最常見的退化因素之一，由于傳輸介質(zhì)和記錄設(shè)備等的不完善，數(shù)字圖像在其傳輸記錄過程中往往會(huì)受到多種噪聲的污染。噪聲在圖像上常表現(xiàn)為一引起較強(qiáng)視覺效果的孤立像素點(diǎn)或像素塊。一般，噪聲信號(hào)與要研究的對(duì)象不相關(guān)，它以無(wú)用的信息形式出現(xiàn)，擾亂圖像的可觀測(cè)信息。圖像常見噪聲基本上有四種，高斯噪聲，泊松噪聲，乘性噪聲以及椒鹽噪聲，其中高斯噪聲和椒鹽噪聲是影響車牌圖像質(zhì)量的最為常見噪聲。高斯噪聲[4]是指它的概率密度函數(shù)服從高斯分布(即正態(tài)分布)的一類噪聲。如果一個(gè)噪聲，它的幅度分布服從高斯分布，而它的功率譜密度又是均勻分布的，則稱它為高斯白噪聲。高斯白噪聲的二階矩不相關(guān)，一階矩為常數(shù)，是指先后信號(hào)在時(shí)間上的相關(guān)性。椒鹽噪聲[4]，椒鹽噪聲又稱脈沖噪聲，它隨機(jī)改變一些像素值，是由圖像傳感器，傳輸信道，解碼處理等產(chǎn)生的黑白相間的亮暗點(diǎn)噪聲。如圖2所示，通過MATLAB仿真軟件通過調(diào)用軟件中的函數(shù)庫(kù)對(duì)圖像進(jìn)行高斯噪聲和椒鹽噪聲的實(shí)驗(yàn)仿真，其核心代碼為：

i=imread('image'); j1=imnoise(i,'gaussian');j2=imnoise(i,’salt & pepper’)。

a 高斯噪聲

b 椒鹽噪聲

1.3 模糊影響

實(shí)際生活應(yīng)用中造成圖像模糊的原因有很多，一般來(lái)說(shuō)可以大致分為三類：不聚焦造成的光學(xué)模糊、設(shè)備和物體因相對(duì)位移引起的運(yùn)動(dòng)模糊、大氣等介質(zhì)影響產(chǎn)生的介質(zhì)模糊。模糊所產(chǎn)生的原因是隨時(shí)不同的，其本質(zhì)是相似的，都是由于原始清晰圖像在模糊核函數(shù)的作用下引起的圖像質(zhì)量的降低。運(yùn)動(dòng)模糊是由于拍攝設(shè)備在采集圖像時(shí)與物體之間發(fā)生了相對(duì)位移導(dǎo)致采集的圖像存在模糊現(xiàn)象。如果設(shè)備和物體同時(shí)都在運(yùn)動(dòng)，這樣會(huì)引起圖像全局運(yùn)動(dòng)模糊；設(shè)備動(dòng)或物體動(dòng)，會(huì)引起局部運(yùn)動(dòng)模糊。高斯模糊是由大氣中的介質(zhì)引起的，也是圖像模糊中常見的模糊類型。文中主要通過模擬實(shí)驗(yàn)對(duì)在車牌定位過程中影響最為常見的運(yùn)動(dòng)模糊和高斯模糊進(jìn)行研究。如圖3所示，分別給出了圖像在運(yùn)動(dòng)模糊和高斯模糊[4]下的模糊圖像。

a 運(yùn)動(dòng)模糊

b 高斯模糊

2 圖像復(fù)原

圖像是人類視覺的基礎(chǔ)，通過圖像信息人們可以去感知自然萬(wàn)物。隨著圖像的應(yīng)用廣泛，數(shù)字圖像處理技術(shù)也是受到了國(guó)內(nèi)外研究者的大力追捧。在研究圖像過程中，對(duì)于一些退化的圖像的研究是圖像處理技術(shù)發(fā)展的絆腳石，研究者們依據(jù)退化圖像的特點(diǎn)，研究出針對(duì)行的圖像復(fù)原技術(shù)。圖像復(fù)原技術(shù)主要是通過對(duì)退化圖像進(jìn)行分析，建立退化模型，然后在頻域和空域處理圖像，消除模糊，提高圖像的質(zhì)量，使后續(xù)實(shí)驗(yàn)順利進(jìn)行。由于在不同的環(huán)境中所帶來(lái)的圖像退化的類型是多種，影響圖像退化的因素也比較多，所以目前國(guó)內(nèi)外對(duì)退化圖像的處理沒有一種通用的復(fù)原技術(shù)。

2.1 灰度處理

通過設(shè)備所采集的車牌圖像往往為彩色圖像，實(shí)際實(shí)驗(yàn)過程中對(duì)圖像的處理時(shí)，如果處理彩色圖像費(fèi)時(shí)費(fèi)力，而且彩色圖像中包含的干擾因素和無(wú)用信息更多，研究起來(lái)有一定的不必要的難度，則在車牌圖像的處理和研究過程中，通過灰度處理可以很大地提高圖像處理的效率?；叶然幚硎潜姸鄨D像處理實(shí)驗(yàn)的第一步，所謂灰度處理就是將彩色圖像通過調(diào)用MATLAB中的灰度化函數(shù)處理成灰度圖像，如圖4所示，文中使用加權(quán)灰度化進(jìn)行灰度處理。

圖4 灰度圖像

加權(quán)灰度：由于人眼對(duì)彩色辨識(shí)度的不同，所以使用加權(quán)灰度法。

g=ωR*R+ωG*G+ωB*B

(2.1)

ωR、ωG、ωB表示紅、綠、藍(lán)三個(gè)分量的權(quán)值。在這紅、綠、藍(lán)三種顏色中，人眼對(duì)紅色最為敏感，其次是綠色，最后是藍(lán)色?？梢员硎緸棣豏>ωG>ωB。

2.2 噪聲處理

噪聲濾除作為是圖像復(fù)原中的一個(gè)重要部分，需要根據(jù)不同的噪聲特點(diǎn)使用不同特性的濾波器。噪聲濾除一般是眾多數(shù)字圖像處理實(shí)驗(yàn)的預(yù)處理部分，通過最初很好地處理噪聲后，才能順利的進(jìn)行后續(xù)實(shí)驗(yàn)。對(duì)于噪聲濾除需要選用濾波器[2]，不同的濾波器對(duì)不同類型的噪聲處理結(jié)果是不同的，國(guó)內(nèi)外在處理車牌問題中常用的濾波器有：高斯濾波器[5，2]、中值濾波器[5，2]、均值濾波器。濾波目的：(1)消除圖像中混入的噪聲；(2)為圖像識(shí)別抽取出圖像特征。濾波要求：(1)不能損壞圖像輪廓及邊緣；(2)圖像視覺效果應(yīng)當(dāng)更好。如圖5所示，分別為高斯濾波器、中值濾波器、均值濾波器在高斯和椒鹽噪聲情境下的實(shí)驗(yàn)處理效果。

a均值濾波(高斯噪聲)b均值濾波(椒鹽噪聲)c中值濾波(高斯噪聲)d中值濾波(椒鹽噪聲)e高斯濾波(高斯噪聲)f高斯濾波(椒鹽噪聲)圖5 噪聲處理

在對(duì)圖像的噪聲去除效果進(jìn)行比較時(shí)，我們引用了傳統(tǒng)的圖像質(zhì)量評(píng)估標(biāo)準(zhǔn)PSNR，PSNR為實(shí)驗(yàn)處理后的圖像和原圖像的相似度，PSNR的引入更夠通過數(shù)據(jù)體現(xiàn)各種濾波器的噪聲去除效果。PSNR的計(jì)算公式如下：

MES=sin(sum(img1-img2)2)/(h*w)

(2.2)

(2.3)

其中，MES為均方差；h、w分別為圖像的高和寬。

再多次迭代仿真試驗(yàn)之后，記錄的數(shù)據(jù)如表1所示，數(shù)據(jù)說(shuō)明對(duì)比如圖6所示。

表1 PSNR數(shù)據(jù)

圖6 PSNR數(shù)值分布

通過實(shí)驗(yàn)處理后的圖像噪聲去除效果可以得到，中值濾波器對(duì)椒鹽噪聲的濾除效果最佳，均值濾波器和中值濾波器對(duì)高斯噪聲的濾除效果比較相近，但是對(duì)于圖像邊緣細(xì)節(jié)的保護(hù)，中值濾波器的效果更好。通過實(shí)驗(yàn)，在噪聲處理方面，選用中值濾波器實(shí)驗(yàn)處理。

中值濾波對(duì)脈沖噪聲有良好的濾除作用，特別是在濾除噪聲的同時(shí)，能夠保護(hù)信號(hào)的邊緣，使之不被模糊，但它會(huì)洗去均勻介質(zhì)區(qū)域中的紋理。這些優(yōu)良特性是線性濾波方法所不具有的。其原理就是把鄰域窗口內(nèi)的所有像素灰度值從小到大排列后，取其中間值為中心位置(x,y)的新灰度值。如果窗口內(nèi)像素個(gè)數(shù)是有偶數(shù)個(gè)，那么就取兩個(gè)中間值的平均值。其數(shù)學(xué)表達(dá)式可表示為“

(2.4)

其中，A表示濾波器選用窗口內(nèi)各像素點(diǎn)的集合，F(xiàn)(x,y)表示原始圖像在(x,y)處的灰度值，G(x,y)表示經(jīng)過中值濾波處理后圖像在(x,y)處的灰度值。

2.3 模糊處理

國(guó)內(nèi)外研究者對(duì)圖像因運(yùn)動(dòng)引起的模糊的圖像復(fù)原方面研究很多，根據(jù)不同的運(yùn)動(dòng)模糊[6]的特點(diǎn)提出了圖像復(fù)原的幾種常見的處理算法，分別為通過維納濾波對(duì)運(yùn)動(dòng)模糊圖像進(jìn)行復(fù)原、通過約束的最小二乘方(正則)濾波對(duì)運(yùn)動(dòng)圖像進(jìn)行復(fù)原、通過逆濾波對(duì)運(yùn)動(dòng)圖像進(jìn)行復(fù)原。

2.3.1 維納濾波

維納濾波[7]復(fù)原技術(shù)是借用維納濾波器對(duì)退化圖像進(jìn)行恢復(fù)，其方法為一種統(tǒng)計(jì)方法。維納濾波器一種最小均差濾波器。它用的最優(yōu)準(zhǔn)則基于圖像和噪聲各自的相關(guān)矩陣，由維納濾波處理的結(jié)果在平均意義上為最優(yōu)。維納濾波的原理公式可由在頻域中，有約束恢復(fù)的一般公式推導(dǎo)而來(lái)。一般公式如下所示：

Fe(u,v)=Hw(u,v)G(u,v)

(2.5)

其中，Sf(u,v)和Sn(u,v)分別為原始圖像和噪聲的相關(guān)矩陣元素的傅里葉變換。

對(duì)于公式(2.5)有以下三種情況：

(1)當(dāng)s=1，Hw(u,v)就是標(biāo)準(zhǔn)的維納濾波器。

(2)若s為變量，稱之為參數(shù)維納濾波器。

(3)當(dāng)沒有噪聲，Sn(u,v)=0此時(shí)維納濾波退化為理想逆濾波器。

在實(shí)際的實(shí)驗(yàn)計(jì)算時(shí)，當(dāng)Sf(u,v)和Sn(u,v)未知時(shí)，s[Sn(u,v)/Sf(u,v)]一般用常數(shù)K進(jìn)行預(yù)先設(shè)定。維納濾波對(duì)圖像的復(fù)原是建立在圖像在隨機(jī)噪聲污染的情況下的，維納濾波在圖像復(fù)原中的應(yīng)用最終以數(shù)學(xué)思想轉(zhuǎn)化為方程求解問題，實(shí)際應(yīng)用中依據(jù)復(fù)原的效果，尋找圖像模糊復(fù)原的K值。

2.3.2 逆濾波

逆濾波[1]是一種簡(jiǎn)單的、直接的無(wú)約束圖像恢復(fù)方法。直接逆濾波去模糊是最簡(jiǎn)單的去模處理方法，在不考慮噪聲的情況下，逆濾波去模的效果非常好。如果把H(u,v)看作一個(gè)濾波函數(shù)，則它與F(u,v)的乘積是退化圖像g(x,y)的傅里葉變換。用H(u,v)去除G(u,v)就是一個(gè)逆濾波過程。

不考慮噪聲的情況下，可以得到一個(gè)對(duì)原始圖像的傅里葉變換的估計(jì)：

(2.6)

將式(2.4)的結(jié)果進(jìn)行逆變換就得到了恢復(fù)后的圖像：

(2.7)

實(shí)際中，噪聲往往是不可避免的，考慮在噪聲后的逆濾波形式為：

(2.8)

其中，N(u,v)為隨機(jī)噪聲函數(shù)。

如圖6所示，通過借助MATLAB實(shí)驗(yàn)仿真軟件的使用，分別對(duì)圖像進(jìn)行運(yùn)動(dòng)模糊(LEN=30，THETA=5)、噪聲(零均值，方差為8的高斯噪聲)加運(yùn)動(dòng)模糊通過維納濾波、最小二乘濾波以及逆濾波進(jìn)行圖像處理，得到如圖7所示的結(jié)果。

a維納濾波處理b逆濾波處理c最小二乘濾波圖7 運(yùn)動(dòng)模糊處理

在對(duì)運(yùn)動(dòng)模糊圖像的恢復(fù)效果進(jìn)行比較時(shí)，同樣引用PSNR對(duì)復(fù)原效果進(jìn)行比較，通過把圖6中a、b、c三幅圖像與圖4進(jìn)行對(duì)比，在通過MATLAB仿真軟件進(jìn)行編碼依據(jù)公式(2.2)和(2.3)計(jì)算。數(shù)據(jù)記錄于表2，數(shù)據(jù)對(duì)比說(shuō)明如圖8所示。

表2 PSNR數(shù)據(jù)

圖8 PSNR數(shù)值分布

通過實(shí)驗(yàn)結(jié)果，客觀的數(shù)據(jù)對(duì)比結(jié)合主觀的視覺評(píng)價(jià)因素可以看出不同算法的圖像復(fù)原效果，可見維納濾波在圖像受噪聲影響對(duì)運(yùn)動(dòng)模糊的恢復(fù)效果比逆濾波和最小二乘濾波的恢復(fù)效果更好，而且這個(gè)差距會(huì)隨噪聲的加強(qiáng)越明顯。

2.3.3 改進(jìn)復(fù)原

圖9 改進(jìn)后復(fù)原圖像

通過對(duì)圖7改進(jìn)后的復(fù)原算法處理的圖像的的計(jì)算結(jié)果為25.5709dB，然后與圖6中原始維納濾波對(duì)噪聲和運(yùn)動(dòng)模糊疊加的復(fù)原結(jié)果對(duì)比可以看出，圖7的復(fù)原圖像相比較于圖6，圖像更亮，灰度效果與原始圖像更為相近；同時(shí)也可以看出因?yàn)楦倪M(jìn)后算法是通過信噪比找尋最佳的K值，圖像中對(duì)噪聲的抑制和處理相較于圖6更好。

3 車牌定位

通過此前對(duì)車輛圖像的去噪、去模等預(yù)處理[8]操作，為能夠準(zhǔn)確地定位出車牌區(qū)域奠定了堅(jiān)實(shí)的基礎(chǔ)，通過一系列實(shí)例實(shí)驗(yàn)的效果對(duì)比，選用中值濾波器進(jìn)行平滑處理的去噪聲操作、選用維納濾波對(duì)運(yùn)動(dòng)模糊或噪聲和運(yùn)動(dòng)模糊疊加的圖像進(jìn)行恢復(fù)，預(yù)處理操作后牌定位算法的選擇也是能否準(zhǔn)確定位出車牌的關(guān)鍵因素。目前車牌定位的方法很多，最常見的定位技術(shù)主要有基于邊緣檢測(cè)的方法、基于彩色分割的方法、基于數(shù)學(xué)形態(tài)學(xué)的車牌定位等，文中通過大量實(shí)驗(yàn)結(jié)合我國(guó)藍(lán)色車牌的特點(diǎn)總結(jié)出一種基于邊緣檢測(cè)以及色彩輔助的車牌定位算法。

3.1 定位預(yù)處理過程

文中提出的車牌定位算法，在圖像復(fù)原之前，由于采集的圖像運(yùn)動(dòng)模糊失真，導(dǎo)致沒有明顯的車牌區(qū)域如圖3a所示，車牌區(qū)域因運(yùn)動(dòng)導(dǎo)致在不同角度的拉伸，車牌區(qū)域的邊緣特征丟失，使得后續(xù)車牌的精確定位幾乎是不可能的。論文提出一種基于邊緣檢測(cè)以及色彩輔助的車牌定位算法，是通過邊緣算子對(duì)圖像進(jìn)行處理，利用車牌的邊緣特征，檢測(cè)出具有邊緣特征的相關(guān)位置，然后通過HSV根據(jù)車牌顏色的特點(diǎn)對(duì)定位區(qū)域進(jìn)行二次篩選，運(yùn)動(dòng)模糊后的圖像的車牌區(qū)域的邊緣信息幾乎全部丟失，這對(duì)后續(xù)的車牌的精確定位是一個(gè)大的障礙。然而如圖4，可以看到在進(jìn)行圖像復(fù)原后的圖像中，車牌區(qū)域的邊緣特征相較于圖3a更加明顯，改進(jìn)后的復(fù)原算法處理后的圖像的PSNR值相對(duì)較高，與原始圖像的相似度更高，復(fù)原效果更好；而且在復(fù)原后，圖像幾乎不失真，色素點(diǎn)接近零擴(kuò)散，灰度保持較好。運(yùn)動(dòng)模糊情境下的車牌定位預(yù)處理的大致流程如圖10所示。

圖10 定位預(yù)處理流程圖

我們已經(jīng)對(duì)幾種常用的車牌定位方法做了簡(jiǎn)單的實(shí)驗(yàn)研究，定位結(jié)果來(lái)看，各有優(yōu)缺點(diǎn)，但是在獨(dú)立定位車牌的情況下，準(zhǔn)確率、效率不是特別明顯。根據(jù)已有的算法的歸納總結(jié)以及實(shí)驗(yàn)的探究，文中提出一種基于邊緣檢測(cè)以及色彩輔助的車牌定位算法，算法的基本流程如圖11所示。

圖11 車牌精確定位流程圖

基于彩色分割的車牌定位算法在車牌邊緣有相近顏色或者車身顏色大體與車牌底色相近的情況下，基于彩色分割的車牌定位算法受到一定的周圍因素的干擾，對(duì)于車牌的精確定位不能很好的確定?；谶吘墮z測(cè)的車牌定位算法在車牌定地時(shí)，可能受到其它位置面積與車牌區(qū)域大小差不多的長(zhǎng)方形區(qū)域，定位時(shí)干擾嚴(yán)重，不能準(zhǔn)確定位。文中提出的一種基于彩色分割與邊緣檢測(cè)相結(jié)合的算法，可以抑制其它邊緣，使車牌區(qū)域突出，獲取感興趣的信息，減少干擾，從而提高車牌定位的準(zhǔn)確性。

文中所提出的算法，把彩色分割算法和邊緣檢測(cè)算法的有點(diǎn)相結(jié)合，通過二次定位提高車牌定位的精確性。邊緣檢測(cè)過程中使用Canny算子[12]檢測(cè)邊緣信息，進(jìn)而進(jìn)行定位分割。Canny算子主要就是依據(jù)車牌的邊緣信息特征進(jìn)行檢測(cè)定位，而運(yùn)動(dòng)模糊的圖像中的車牌邊緣信息幾乎丟失，這樣通過Canny算子檢測(cè)車牌邊緣是不可能的。圖像復(fù)原的處理后使得原本模糊的圖像接近于原圖像，車牌邊緣特征明顯地凸顯出來(lái)，提高Canny算子邊緣檢測(cè)的準(zhǔn)確度進(jìn)而提高車牌定位的精確性。Canny算子是一個(gè)具有濾波，增強(qiáng)，檢測(cè)的多階段的優(yōu)化算子，在進(jìn)行處理前，Canny算子先利用高斯平滑濾波器來(lái)平滑圖像以除去噪聲，Canny分割算法采用一階偏導(dǎo)的有限差分來(lái)計(jì)算梯度幅值和方向，在處理過程中，Canny算子還將經(jīng)過一個(gè)非極大值抑制的過程，最后Canny算子還采用兩個(gè)閾值來(lái)連接邊緣。在進(jìn)行車牌定位實(shí)驗(yàn)中，常用的顏色空間有：RGB、YUV以及HSV色彩空間。其中，HSV相比其它兩種色彩空間，對(duì)光更敏感，更符合、貼近人眼的視覺感知，人們能夠更好地最初辨別。在真正試驗(yàn)過程中，我們需要通過公式對(duì)rgb和hsv進(jìn)行轉(zhuǎn)換，方便實(shí)驗(yàn)的進(jìn)行。車牌定位結(jié)果如圖12所示。

a 復(fù)原前定位

b 復(fù)原后定位圖12 定位結(jié)果

對(duì)原始圖像分別進(jìn)行不同程度的運(yùn)動(dòng)模糊的實(shí)驗(yàn)，默認(rèn)都存在噪聲，然后對(duì)模糊圖像預(yù)處理，對(duì)預(yù)處理后的圖像進(jìn)行不同的恢復(fù)以及定位。本次實(shí)驗(yàn)次數(shù)為100，車牌定位的合格率數(shù)據(jù)記錄于表3，數(shù)據(jù)對(duì)比如圖13所示。

表3 數(shù)據(jù)記錄

圖13 定位成功率

實(shí)驗(yàn)結(jié)果顯示，在圖像運(yùn)動(dòng)模糊和噪聲疊加后，由于圖像的退化狀態(tài)，圖像中車牌等地方的邊緣信息模糊，車牌區(qū)域由于運(yùn)動(dòng)模糊產(chǎn)生區(qū)域擴(kuò)散等情況，模糊后的圖像可以看到藍(lán)色的車牌被拉伸，彩色分割也不能根據(jù)預(yù)設(shè)的hsv的各個(gè)通道的系數(shù)準(zhǔn)確地定位出車牌的區(qū)域。在未進(jìn)行圖像復(fù)原處理工作前，想要通過邊緣檢測(cè)和色彩輔助準(zhǔn)確定位出車牌的區(qū)域幾乎是不可能的。通過數(shù)據(jù)可以清晰地看到圖像復(fù)原后，車牌定位的成功率有明顯的提高，改進(jìn)后的復(fù)原算法的復(fù)原效果最佳，通過文中提出的一種基于彩色分割和邊緣檢測(cè)的車牌定位算法借助MATLAB，可以幾乎準(zhǔn)確地定位出車牌的區(qū)域，效果上佳。

4 總結(jié)與展望

文中主要對(duì)車牌圖像在高斯噪聲、椒鹽噪聲、運(yùn)動(dòng)模糊等圖像退化狀態(tài)進(jìn)行了實(shí)驗(yàn)研究和實(shí)驗(yàn)結(jié)果的對(duì)比。噪聲濾除過程中，可以看到中值濾波對(duì)高斯噪聲和椒鹽噪聲的去除效果最佳；運(yùn)動(dòng)模糊和噪聲疊加狀態(tài)下，維納濾波對(duì)退化圖像的復(fù)原效果最好。接著通過對(duì)比車輛圖像在復(fù)原前和復(fù)原后的車牌定位的實(shí)驗(yàn)結(jié)果，可以了解到，如果圖像出現(xiàn)退化狀態(tài)不能準(zhǔn)確定位出車牌區(qū)域，需要對(duì)圖像進(jìn)行復(fù)原處理，由此可見圖像的預(yù)處理在車牌定位中起到了關(guān)鍵作用。MATLAB仿真軟件的使用促進(jìn)了實(shí)驗(yàn)研究的順利進(jìn)行。

文中僅對(duì)有約束條件下的運(yùn)動(dòng)模糊圖像進(jìn)行了實(shí)驗(yàn)仿真研究，未來(lái)還需要對(duì)隨機(jī)狀態(tài)下的運(yùn)動(dòng)模糊進(jìn)行實(shí)驗(yàn)，改進(jìn)維納濾波，尋找出一種自適應(yīng)圖像退化參數(shù)的復(fù)原算法。噪聲去除實(shí)驗(yàn)，文中所采用的是白天采集的圖像，還需加增夜間等復(fù)雜環(huán)境下的噪聲濾除實(shí)驗(yàn)，比較實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)數(shù)據(jù)有限實(shí)驗(yàn)結(jié)果具有一定的局限性，仍需不斷改進(jìn)。