字符圖像識別系統(tǒng)的預(yù)處理算法設(shè)計與實現(xiàn)畢業(yè)論文

1、<p>　　全日制普通本科生畢業(yè)設(shè)計</p><p>　　字符圖像識別系統(tǒng)的預(yù)處理算法設(shè)計與實現(xiàn) </p><p>　　DESIGN AND IMPLEMENTATION OF PRE-PROCESSING ALGORITHM ON CHARACTER IMAGE RECOGNITION SYSTEM</p><p><b>　　目

2、 錄</b></p><p><b>　　摘 要1</b></p><p><b>　　關(guān)鍵詞1</b></p><p><b>　　1前言2</b></p><p><b>　　1.1研究意義2</b></p>&l

3、t;p>　　1.2國內(nèi)外研究現(xiàn)狀2</p><p>　　2 MATLAB軟件與圖像預(yù)處理4</p><p>　　2.1 MATLAB簡述4</p><p>　　2.2 MATLAB軟件與圖像預(yù)處理5</p><p>　　2.2.1 MATLAB處理圖像的特點6</p><p>　　2.2.2 MATLA

4、B在圖像方面的應(yīng)用6</p><p><b>　　3預(yù)處理介紹7</b></p><p>　　3.1圖像灰度化7</p><p>　　3.1.1灰度的概念7</p><p>　　3.1.2圖像灰度化介紹7</p><p>　　3.1.3圖像灰度化的常用方法8</p>&l

5、t;p>　　3.2 圖像增強9</p><p>　　3.2.1灰度變換9</p><p>　　3.2.2直方圖變換11</p><p>　　3.3圖像平滑去噪12</p><p>　　3.3.1圖像噪聲12</p><p>　　3.3.2平滑去噪常用方法14</p><p>　

6、　3.4圖像二值化18</p><p>　　3.4.1圖像二值化介紹18</p><p>　　3.4.1圖像二值化常用方法18</p><p>　　4算法設(shè)計與實現(xiàn)19</p><p>　　4.1總體設(shè)計19</p><p>　　4.2具體代碼20</p><p>　　4.3具體實例

7、23</p><p>　　4.3.1實例一23</p><p>　　4.3.1實例二25</p><p><b>　　5總結(jié)27</b></p><p><b>　　參考文獻28</b></p><p><b>　　致 謝29</b>&

8、lt;/p><p>　　字符圖像識別系統(tǒng)的預(yù)處理算法設(shè)計與實現(xiàn)</p><p>　　摘 要：在圖像處理的過程中，由于獲取圖像的工具或手段的影響，使獲取圖像無法完全體現(xiàn)原始圖像的全部信息。因此，以改善圖像數(shù)據(jù)、抑制不需要的變形或者增強某些對于后續(xù)處理來說比較重要的圖像特征為目的的圖像預(yù)處理在圖像處理的過程中就顯得非常重要。常用的圖像預(yù)處理手段包括圖像大小的修改、圖像濃度的擴展，圖像由彩色差到灰

9、度的轉(zhuǎn)變、圖像二值化、圖像的銳化處理及圖像平滑處理等方法。本文在簡單介紹數(shù)字圖像處理技術(shù)的基礎(chǔ)上，著重討論了灰度直方圖的構(gòu)建、直方圖均衡、圖像平滑、圖像二值化和噪聲處理的原理及實現(xiàn)方法，并用MATLAB開發(fā)工具實現(xiàn)了上述圖像預(yù)處理算法并給出了各種算法的處理結(jié)果。</p><p>　　關(guān)鍵詞：圖像預(yù)處理；圖像增強；平滑去噪；中值濾波</p><p>　　Design and Implemen

10、tation of Pre-Processing Algorithm on Character Image Recognition System</p><p>　　Abstract: In the process of image processing, due to the affection of image tools, the acquisition image can't reflect th

11、e original image information completely. Therefore, to improve image data, inhibit deformation and enhance image characteristics is very important in image processing.Common image preprocessing method include the image s

12、ize modification, the image thickness expansion, changing color image to gray, image gray-scale binary, image sharpening and the image smooth processing. Based</p><p><b>　　1 前言</b></p>&l

13、t;p><b>　　1.1 研究意義</b></p><p>　　視覺是人類感覺中最高級的，而圖像又在人類的感知中起著重要的作用。圖像作為一種重要的信息源，通過對圖像的處理和預(yù)處理可以幫助我們了解信息的內(nèi)涵，增強對信息的把握度，然而圖像容易受到損壞或噪聲污染，失去原來的信息，因此圖像預(yù)處理就是在這一需求下應(yīng)運而生的。圖像預(yù)處理作為圖像處理的重要組成部分，對于人們獲得貨真價實的圖像信息

14、以及復(fù)原圖像本來的面目具有決定性的作用[1]。圖像預(yù)處理顧名思義就是在圖像分析中，對我們輸入的圖像進行特征抽取、分割及匹配前所進行的處理。進行圖像預(yù)處理主要目的是為了消除圖像中無關(guān)緊要的信息，恢復(fù)有用的真實的信息，增強相關(guān)信息的可檢測性和最大限度地簡化我們需要的數(shù)據(jù)，從而增加特征抽取、圖像分割、匹配和識別等后續(xù)圖像處理步驟的可靠性[2]。因此對圖像進行預(yù)處理就成了人們獲得圖像信息的首要解決的事情，然而人們對于圖像預(yù)處理的知識了解不是很多

15、，而且圖像預(yù)處理方法繁多，單單就平滑處理來說就有好多種方法，它們相比有哪些優(yōu)缺點，以及中值濾波有何改進之處，這就是本文要探討和研究的地方[3]。圖像預(yù)處理是一個廣闊的學科，應(yīng)用廣，分類細，但是遠遠不能滿足社會當今的需求，需要不斷的完善和發(fā)展</p><p>　　1.2 國內(nèi)外研究現(xiàn)狀</p><p>　　對于獲取來的靜態(tài)圖像做的一個去噪處理過程，增強等處理的過程即是圖像的預(yù)處理過程。在實

16、際應(yīng)用中，各種因素都可能對拍攝的圖像產(chǎn)生影響，例如天氣好壞，光線強弱或者人為因素，以及設(shè)備使用時間過長等。為了能最大程度減少外界干擾對于整個系統(tǒng)的影響，應(yīng)該在車牌定位以前將圖像中的干擾和噪聲濾除[5]。有些研究者專門針對圖像的預(yù)處理階段提出了一些算法，例如，李戰(zhàn)明等人提出了一種圖像預(yù)處理算法，該算法分四個步驟來逐步實現(xiàn)對圖像的去噪和增強操作，處理步驟包括尺寸歸一化，中值濾波，圖像增強以及二值化，在原有理論研究的基礎(chǔ)上引入了一些新思想和新

17、方法[1]。董玲嬌等人提出了一種新的圖像預(yù)處理算法，該算法充分考慮由于各種原因造成的圖像歪斜、模糊或缺損等情況，具有較好的處理效果[4]。也有一些研究者考慮先通過用形態(tài)運算來過濾掉圖像的背景信息，因為圖像的背景信息對于車牌的定位以及后續(xù)環(huán)節(jié)無關(guān)緊要，去掉背景信息還可以提高處理的效率，使用該種方法的研究者例如朱光忠等人提出了一種基于多尺度Top-Hat算子的圖像預(yù)處理算法，該算法針對不同的圖像模塊引入不同尺度結(jié)構(gòu)元素來對圖像進行處理，取得

18、了較好的效果[5]。以上列舉出來的部</p><p>　　隨著計算機和人工智能的迅速發(fā)展，數(shù)字圖像處理技術(shù)向著更高、更深的層次發(fā)展。人們開始研究如何利用計算機系統(tǒng)的解釋處理圖像，這類被稱為圖像理解或者計算機視覺。發(fā)達國家投入了大量的人力物力來研究這項技術(shù)，取得了不少重要的成果，其中比較有代表性的成果是70年代Marr提出的視覺計算理論，此理論成為計算機視覺領(lǐng)域的主導思想[6]。當前，由于計算機技術(shù)的飛速發(fā)展，圖像

19、處理總的發(fā)展研究趨勢是以數(shù)字處理為主。數(shù)字圖像處理實質(zhì)上是計算機技術(shù)、信息論和信號處理相結(jié)合的綜合性應(yīng)用學科，與其它學科有著密切的關(guān)系。圖像去噪就是數(shù)字圖像處理技術(shù)中的重要技術(shù)之一。近些年，國內(nèi)外發(fā)表的數(shù)字圖像預(yù)處理方面的論文提出了很多卓有成效的對圖像處理的模型或方法，其中最主要的是圖像去噪，圖像去噪的方法從不同處理域的角度可以劃分空域和頻域兩種處理方法：前者是在圖像本身存在的二維空間里對其進行處理；而后者則是用一組正交函數(shù)系來逼近原信

20、號函數(shù)，獲得相應(yīng)的系數(shù)，將對原信號的分析轉(zhuǎn)化到了系數(shù)空間域，即頻域中進行[7]?？臻g域的線性濾波算法理論發(fā)展較為成熟，數(shù)字分析簡單，對濾除與信號不相關(guān)的隨機噪聲效果顯著，但是它本身存在著明顯的缺陷，如需</p><p>　　1.3 論文安排及主要研究問題</p><p>　　第一章為緒論，首先闡述了本論文的研究目的和意義，然后介紹圖像預(yù)處理技術(shù)的國內(nèi)外研究現(xiàn)狀，最后給出了本論文的主要工作

21、安排及結(jié)構(gòu)。第二章介紹MATLAB軟件，以及MATLAB對圖像處理的幾種基本方法。第三章進行圖像灰度化設(shè)計。第四章進行圖像增強。第五章重點介紹圖像平滑濾波技術(shù)，圍繞平滑濾波的分類重點介紹了均值濾波、高斯濾波、中值濾波及頻域低通濾波等幾個方法的原理以及算法流程圖，并且分析各個算法的優(yōu)缺點。第六章主要介紹圖像灰度化，以及灰度化算法的。最后一章是對論文的主要工作進行了總結(jié)，并找到不足之處及改進的方向。</p><p>

22、　　2 MATLAB軟件與圖像預(yù)處理</p><p>　　2.1 MATLAB簡述</p><p>　　MATLAB是矩陣實驗室（Matrix Laborator）的簡稱，是美國MathWorks公司出品的商業(yè)數(shù)學軟件，用于算法開發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)分析以及數(shù)值計算的高級技術(shù)計算語言和交互式環(huán)境，主要包括MATLAB和Simulink兩大部分。</p><p>

23、　　MATLAB是由美國mathworks公司發(fā)布的主要面對科學計算、可視化以及交互式程序設(shè)計的高科技計算環(huán)境。它將數(shù)值分析、矩陣計算、科學數(shù)據(jù)可視化以及非線性動態(tài)系統(tǒng)的建模和仿真等諸多強大功能集成在一個易于使用的視窗環(huán)境中，為科學研究、工程設(shè)計以及必須進行有效數(shù)值計算的眾多科學領(lǐng)域提供了一種全面的解決方案，并在很大程度上擺脫了傳統(tǒng)非交互式程序設(shè)計語言（如C、Fortran）的編輯模式，代表了當今國際科學計算軟件的先進水平。MathWo

24、rks公司針對不同領(lǐng)域的應(yīng)用，推出了信號處理，控制系統(tǒng)，神經(jīng)網(wǎng)絡(luò)，圖像處理，小波分析，魯棒控制，非線性系統(tǒng)控制設(shè)計，系統(tǒng)辨識，優(yōu)化設(shè)計，統(tǒng)計分析，財政金融，樣條，通信等30多個具有專門功能的工具箱，這些工具箱是由該領(lǐng)域內(nèi)的學術(shù)水平較高的專家編寫的，無需用戶自己編寫所用的專業(yè)基礎(chǔ)程序，可直接對工具箱進行運用。同時，工具箱內(nèi)的函數(shù)源程序也是開放性的，多為M文件，用戶可以查看這些文件的代碼并進行更改，MALAB支持用戶對其函數(shù)進行二次開發(fā)，用

25、戶的應(yīng)用程序也可以作為新的函數(shù)添加到相應(yīng)的工具箱中。MATLAB中的數(shù)字圖像是以矩陣形式表示的，這意味著MATLAB強大的矩</p><p>　　MATLAB和Mathematica、Maple并稱為三大數(shù)學軟件。它在數(shù)學類科技應(yīng)用軟件中在數(shù)值計算方面首屈一指。MATLAB可以進行矩陣運算、繪制函數(shù)和數(shù)據(jù)、實現(xiàn)算法、創(chuàng)建用戶界面、連接其他編程語言的程序等，主要應(yīng)用于工程計算、控制設(shè)計、信號處理與通訊、圖像處理、信

26、號檢測、金融建模設(shè)計與分析等領(lǐng)域。</p><p>　　MATLAB的基本數(shù)據(jù)單位是矩陣，它的指令表達式與數(shù)學、工程中常用的形式十分相似，故用MATLAB來解算問題要比用C，F(xiàn)ORTRAN等語言完成相同的事情簡捷得多，并且MATLAB也吸收了像Maple等軟件的優(yōu)點，使MATLAB成為一個強大的數(shù)學軟件。在新的版本中也加入了對C，F(xiàn)ORTRAN，C++ ，JAVA的支持?？梢灾苯诱{(diào)用，用戶也可以將自己編寫的實用程

27、序?qū)氲組ATLAB函數(shù)庫中方便自己以后調(diào)用，此外許多的MATLAB愛好者都編寫了一些經(jīng)典的程序，用戶可以直接進行下載就可以用。</p><p>　　2.2 MATLAB軟件與圖像預(yù)處理</p><p>　　MATLAB最突出的功能就是簡潔，用更直觀的符合人們思維的代碼代替了C和VC++的冗長的代碼，給用于帶來了最直觀最簡潔的程序開發(fā)環(huán)境。而且MATLAB的圖形功能很強大，在MATLAB

28、里數(shù)據(jù)的可視化非常簡單，MATLAB還具有較強的編輯圖形界面的能力。MATLAB的另一大特色是功能強大的工具箱。MATLAB軟件里包含兩部分：核心部分和各種可自由選取的工具箱。核心部分則有數(shù)百個內(nèi)部函數(shù)，工具箱又分為兩個方面：功能性工具箱和學科性工具箱。前者用來擴充符號計算功能，圖像建模仿真功能，文字處理功能和硬件實時交互功能等?？梢钥闯龉δ苄怨ぞ呦溆糜诙喾N類型的學科，而學科性工具箱是比較專業(yè)性的工具箱，如signl processin

29、g toolbox，communication toolbox等等，所以用戶可以不編寫自己學科內(nèi)的基礎(chǔ)性程序，直接進行高端的程序研究。在上述工具箱中，圖像處理工具包是由一系列支持圖像處理操作的函數(shù)構(gòu)成的，所支持的圖像操作有：圖像幾何操作，鄰域操作、圖像變換、圖像增強與恢復(fù)、線性濾波和濾波器的設(shè)計與實現(xiàn)等等。</p><p>　　2.2.1 MATLAB處理圖像的特點</p><p>　　

30、（1）MATLAB的基本數(shù)據(jù)單位是矩陣，它的指令表達式與數(shù)學，工程中常用的形式十分相似，故用MATLAB來解算問題要比用C，F(xiàn)ORTRAN等語言完成相同的事情簡捷得多。</p><p>　　（2）友好的工作平臺和編程環(huán)境。MATLAB由一系列工具組成。這些工具方便用戶使用MATLAB的函數(shù)和文件，其中許多工具采用的是圖形用戶界面。包括MATLAB桌面和命令窗口、歷史命令窗口、編輯器和調(diào)試器、路徑搜索和用于用戶瀏覽

31、幫助、工作空間、文件的瀏覽器。</p><p>　?。?）簡單易用的程序語言。MATLAB一個高級的距陣/陣列語言，它包含控制語句、函數(shù)、數(shù)據(jù)結(jié)構(gòu)、輸入和輸出和面向?qū)ο缶幊烫攸c。用戶可以在命令窗口中將輸入語句與執(zhí)行命令同步，也可以先編寫好一個較大的復(fù)雜的應(yīng)用程序(M文件)后再一起運行。</p><p>　?。?）強大的科學計算機數(shù)據(jù)處理能力。MATLAB是一個包含大量計算算法的集合。其擁有

32、600多個工程中要用到的數(shù)學運算函數(shù)，可以方便的實現(xiàn)用戶所需的各種計算功能。</p><p>　　（5），出色的圖形處理功能，MATLAB自產(chǎn)生之日起就具有方便的數(shù)據(jù)可視化功能，以將向量和距陣用圖形表現(xiàn)出來，并且可以對圖形進行標注和打印。高層次的作圖包括二維和三維的可視化、圖象處理、動畫和表達式作圖。可用于科學計算和工程繪圖。</p><p>　　（6），應(yīng)用廣泛的模塊集合工具箱，MATL

33、AB對許多專門的領(lǐng)域都開發(fā)了功能強大的模塊集和工具箱。一般來說，他們都是由特定領(lǐng)域的專家開發(fā)的，用戶可以直接使用工具箱學習、應(yīng)用和評估不同的方法而不需要自己編寫代碼。</p><p>　　2.2.2 MATLAB在圖像方面的應(yīng)用</p><p>　?。?）圖像文件格式的讀入和寫出。MATLAB提供了圖像讀入函數(shù) imread()，用來讀取各種各樣的文件，如bmp、pcx、jgpeg 、h

34、df、xwd等格式的圖像。MATLAB還提供了圖像寫出函數(shù)imwrite()，另外還有圖像顯示函數(shù) image()、imshow()。</p><p>　?。?）圖像處理相關(guān)的基本運算。MATLAB提供了圖像線性運算以及卷積、相關(guān)、濾波等非線性算。例如，用函數(shù)conv2(A，B)實現(xiàn)了A，B兩幅圖像的卷積運算。</p><p>　　（3）圖像變換。圖像變換技術(shù)是圖像處理的重要工具，常運用于

35、圖像壓縮、濾波、編碼和后續(xù)的特征抽取或信息分析過程。MATLAB工具箱提供了常用的變換函數(shù)，如fft2()與ifft2()函數(shù)分別實現(xiàn)二維快速傅立葉變換與其逆變換，dct2()與idct2()函數(shù)實現(xiàn)二維離散余弦變換與其逆變換，Radon()與iradon()函數(shù)實現(xiàn)Radon變換與逆Radon變換。</p><p>　　（4）平滑與銳化濾波。平滑技術(shù)用于平滑圖像中的噪聲基本采用在空間域上的求平均值或中值?；蛟陬l

36、域上采取低通濾波，因在灰度連續(xù)變化的圖像中，我們通常認為與相鄰像素灰度相差很大的突變點為噪聲點，灰度突變代表了一種高頻分量，低通濾波則可以削弱圖像的高頻成分，平滑了圖像信號，但也可能使圖像目標區(qū)域的邊界變得模糊。而銳化技術(shù)采用的是頻域上的高通濾波方法，通過增強高頻成分而減少圖像中的模糊，特別是模糊的邊緣部分得到了增強，但同時也放大了圖像的噪聲。在MATLAB中，各種濾波方法都是在空間域中通過不同的軍紀模板即濾波算子實現(xiàn)，可用fspeci

37、al()函數(shù)創(chuàng)建預(yù)定義的濾波算子，然后用filter2()或conv2()函數(shù)在實現(xiàn)卷積運算的基礎(chǔ)上進行濾波。</p><p>　　以上所提到的 MATLAB軟件在圖像中的各種處理應(yīng)用都是通過相應(yīng)的MATLAB函數(shù)來實現(xiàn)的，因此使用時，只需正確調(diào)用相應(yīng)的函數(shù)并輸入?yún)?shù)即可。</p><p><b>　　3 預(yù)處理介紹</b></p><p>

38、　　3.1 圖像灰度化</p><p>　　3.1.1 灰度的概念</p><p>　　首先了解一下灰度的基本概念，灰度用黑色調(diào)來表示物體，每個灰度對象有0%（白色）至 100%（黑色）的范圍值，通常用灰度來表示黑白或灰度掃描儀生成的圖像。另外使用灰度還能將彩色的圖像轉(zhuǎn)換為高質(zhì)量的黑白圖像，此時制圖軟件將會把原圖像的所有顏色信息丟棄。而我們所說的灰度色，就是指純白、純黑及兩者的一系列從

39、黑到白的過渡顏色。平常所說的黑白照片、電視，實際上都應(yīng)稱為灰度照片、灰度電視才準確?；叶裙灿?56個級別，灰度最高的相當于最高的黑，那就是純黑?；叶茸畹偷南喈斢谧畹偷暮?，也就是沒有黑，就是純白。當把像素量化以后，用一個字節(jié)表示像素的大小。如果把黑-灰-白連續(xù)多種變化的灰度值也量化為256個灰度級，則灰度值的范圍大小為0到255，表示的含義是亮度從深到淺，相對應(yīng)的圖像中的顏色則是從黑到白[11]。所以黑白照片里包含了黑白之間的所有灰度值，

40、每個像素都在黑和白之間的256種灰度中包含著。</p><p>　　3.1.2 圖像灰度化介紹</p><p>　　將彩色的圖像轉(zhuǎn)化灰度圖像的過程叫做圖像灰度化，由于彩色圖像的每個像素的顏色由R、G、B三個分量組成，即紅、綠、藍三種顏色。每種顏色都有255中灰度值可以去，而灰度圖像則是R、G、B三個分量灰度值相同的一種特殊的圖像，所以在數(shù)字圖像處理過程中將彩色圖像轉(zhuǎn)換成灰度圖像后就會使后

41、續(xù)的圖像處理時的計算量變得相對很少，這也就是圖像灰度化的原因。而且灰度圖像對圖像特征的描述與彩色圖像沒有什么區(qū)別，仍能反應(yīng)整個圖像的整體和局部的亮度和色度特征?，F(xiàn)在大部分的彩色圖像都是采用RGB顏色模式，處理圖像的時候，要分別對RGB三種分量進行處理，實際上RGB并不能反映圖像的形態(tài)特征，只是從光學的原理上進行顏色的調(diào)配[12]。所以人們在進行圖像處理和預(yù)處理時都會先進行圖像的灰度化處理，方便對圖像的后續(xù)化處理，減少圖像的復(fù)雜度和信息處

42、理量。</p><p>　　3.1.3 圖像灰度化的常用方法</p><p>　　彩色圖像RGB模型中，如果R=G=B，則彩色表示一種灰度顏色，其中這個值叫灰度值，所以灰度圖像每個像素用一個字節(jié)存放灰度值（亮度值），一般有四種方法對彩色圖進行灰度化：</p><p>　?。?）取分量法。分量法是一種比較簡單的圖像灰度化的方法。在彩色空間中，圖像的每一個像素點都同時

43、有幾個不同的分量，如果每一個分量都有8bit來表示，那么每一個分量共有256個顏色變化值。分量法的原理即是選取像素點中的某一個分量來代替該像素點，因此就完成了圖像的灰度化。此種方法過程簡單，只需簡單的計算過程即可將彩色圖像灰度化，但也有一定的缺點和不足，如果對于所有彩色圖像都采用該方法來進行灰度化，同樣不能滿足系統(tǒng)的要求，因為現(xiàn)實環(huán)境中的彩色圖像應(yīng)用的領(lǐng)域不同，其對圖像灰度化的質(zhì)量也會有不同的要求。</p><p&g

44、t;　?。?）取最大值法。最大值法的原理是選取每一個像素點的所有分量中最大的分量來代替該像素點，從而達到圖像灰度化的目的。這種方法同樣比較簡單，沒有復(fù)雜的計算過程，因此可以在較短的時間內(nèi)就可以得到彩色圖像的灰度化圖像。</p><p>　?。?）平均值法。由于彩色圖像每一個像素點都同時有幾個不同的分量，因此平均值法的原理是將每一個像素點的所有分量的平均值作為當前像素點的像素值。例如在RGB色彩空間，每一個像素點都

45、包含R、 G、 B三分量，利用R、 G、 B三分量的平均值來替代該像素。該方法是一種簡單的灰度化方法，整個過程無需復(fù)雜的計算。</p><p>　　（4）加權(quán)平均值法。根據(jù)三個分量的重要性及其它指標，將三個分量以不同的權(quán)值進行加權(quán)平均運算。由于人眼對綠色的敏感度高，對藍色的敏感度低，故可以按照不同的權(quán)值對RGB三個分量進行加權(quán)平均運算能得到比較合理的灰度圖像。</p><p><b&

46、gt;　　3.2 圖像增強</b></p><p>　　很多由于場景條件的影響圖像拍攝的質(zhì)量不佳或者干擾噪音較多，這就需要圖像增強技術(shù)來改善圖像的視覺效果。圖像增強其目的主要是通過對圖像進行一定的變換處理去除一些無關(guān)緊要的信息同時增強有用信息，比如突出圖像中車牌的某些特點、從數(shù)字圖像中提取目標物的特征參數(shù)或者忽略一些不關(guān)緊要圖像信息等等，經(jīng)過增強后的圖像將會具有更好的視覺效果，同時更有利于提取相關(guān)信

47、息。本文前部已經(jīng)提到，利用圖像獲取設(shè)備得到的圖像并不是完全理想的圖像，實際應(yīng)用中的圖像都受到了不同程度的干擾，因此將會對提取圖像中的重要信息帶來不利影響。這樣的影響如果太大，將會影響人和機器對圖像的理解，將會降低整個系統(tǒng)的識別率和準確率。有學者曾提出應(yīng)該根據(jù)圖像受到的噪音和干擾提出一個干擾數(shù)學模型，這樣就可以將外部環(huán)境對圖像的影響通過數(shù)學表達式的方式參與到整個系統(tǒng)的計算當中，但是在絕大多數(shù)情況下，外部環(huán)境的噪音和干擾具有極大的隨機性，因

48、此到目前為止還未能提出專門的噪音干擾的數(shù)學模型。人們通常情況下是通過自身的經(jīng)驗來對圖像的噪音進行過濾。例如由于拍攝環(huán)境的原因使得拍攝的圖像模糊或者重要細節(jié)丟失等等不利于整個系統(tǒng)的干擾產(chǎn)生，這樣的情況下可以使用一些常</p><p>　　3.2.1 灰度變換</p><p>　　灰度變換是基本的圖像點運算，是圖像增強處理中的一種非?；A(chǔ)空間域圖像處理方法。灰度變換是指根據(jù)某種目標條件按照一

49、定的變換關(guān)系去逐點改變原圖像中每一個像素灰度值，目的是為了改善畫質(zhì)，以便讓圖像的顯示效果更佳清晰，因此灰度變換還被稱為圖像的對比增強。經(jīng)過灰度變換后的圖像動態(tài)范圍變大，對比度會增強，圖像會變得更加清晰，特征也更加明顯。灰度變換主要利用點運算來改變圖像像素點的灰度值，不改變圖像內(nèi)的空間關(guān)系，除了根據(jù)某種特定的變換函數(shù)進行變換之外，灰度變換可以認為是對像素進行簡單的復(fù)制?；叶茸儞Q的表達式為：</p><p><

50、b>　　(1)</b></p><p>　　其中函數(shù)T是灰度變換函數(shù)，它定義了輸入圖像灰度和輸出圖像灰度之間的變換條件。所以如果灰度函數(shù)確定了，那么灰度變換就被完全確定。灰度變換的方法有很多種，比如圖像灰度求反、灰度拉伸、灰度切分、灰度動態(tài)范圍調(diào)整及灰度級修正等等。以上幾種方法對圖像的處理效果各不相同，但是它們處理過程中都必須用到點運算。點運算通?？梢苑譃榫€性變換、分段線性變換以及非線性變換這三

51、大類。</p><p><b>　?。?）線性變換</b></p><p>　　假定輸入圖像f(x，y)的灰度值范圍為[a，b]，變換后的輸出圖像g(x，y)的灰度值范圍擴展至[c，d]，則對于圖像的任一點的灰度值(x，y)，其表達式如下所示： (2)</p><

52、p>　　若原圖像大部分像素的灰度級在區(qū)間[a，b]內(nèi)，max f為原圖像灰度最大值，只有個別部分的灰度級不在區(qū)間內(nèi)，則為了改善圖像增強效果，可以令： (3)</p><p>　　因此線性變換適合那些曝光不足或過度的圖像，它們的灰度可能會分布在一個很小的范圍內(nèi)，這時得到的圖像是一個比較模糊、沒有灰度層次的圖像。采用上述線性變換對圖像的每一個像素進行灰度作

53、線性拉伸，將會有效的增強圖像的質(zhì)量。</p><p><b>　?。?）分段線性變換</b></p><p>　　分段線性變換與線性變換類似，區(qū)別是為了突出圖像中感興趣的灰度區(qū)間，相對抑制不需要的灰度區(qū)間，可以進行分段線性變換，它對圖像灰度區(qū)間進行兩至多段的分段。進行變換時，把0-255灰度值區(qū)間分為幾個線段，每一線段都對應(yīng)一個線性變換函數(shù)。</p>&

54、lt;p><b>　?。?） 非線性變換</b></p><p>　　非線性變換顧名思義就是利用非線性變換函數(shù)對圖像進行變換，分為指數(shù)變換和對數(shù)變換。指數(shù)變換，就是指輸出圖像像素點的灰度值與輸入圖像灰度值之間是指數(shù)關(guān)系，其一般公式為：</p><p><b>　　(4)</b></p><p>　　對數(shù)變換也就是指輸

55、出圖像像素點的灰度值與輸入圖像的灰度值之間呈現(xiàn)出對數(shù)關(guān)系，其一般公式為：</p><p><b>　　(5)</b></p><p>　　可見指數(shù)變換對于高灰度區(qū)間的擴展度要遠遠高于低灰度的區(qū)間，所以指數(shù)灰度變換一般適用于過亮的圖像。與指數(shù)變換相反，對數(shù)變換對于低灰度區(qū)間擴展度較大，所以一般用來對過亮的圖像進行處理。</p><p>　　3.2

56、.2 直方圖變換</p><p><b>　?。?） 直方圖介紹</b></p><p>　　圖像的灰度直方圖是反映圖像的像素灰度級與這種灰度級出現(xiàn)的概率之間的相對關(guān)系的圖形。通?；叶燃墳閇0，L-1]范圍的圖像直方圖則是離散函數(shù)h()=，是第k級灰度，是圖像灰度級=的像素個數(shù)[13]。求灰度直方圖的方法就是拿圖像中像素數(shù)目的總和n去除圖像的每一個像素灰度值，表達式

57、如下：</p><p>　　k=0，1，2， ... (6)</p><p>　　從以上表述可以總結(jié)出直方圖主要有以下幾個特點：</p><p>　　直方圖中沒有圖像的位置信息。直方圖僅僅反應(yīng)了圖像的灰度分布，和灰度所在的位置沒有絲毫關(guān)系，因此不同的圖像也可能具有相同的直方圖。&

58、lt;/p><p>　　直方圖反應(yīng)了圖像整體的灰度范圍。直方圖反應(yīng)了圖像整體灰度分布，對于較暗的圖像，直方圖集中在灰度級低一側(cè)，相反，較亮圖像的直方圖則集中于灰度級較高的一側(cè)。</p><p>　　直方圖具有可疊加性。圖像的直方圖等于它各個分部直方圖的和。</p><p>　　直方圖具有統(tǒng)計特性。從定義可知，連續(xù)圖像的直方圖是連續(xù)函數(shù)，它具有統(tǒng)計特征。</p>

59、;<p><b>　?。?）直方圖均衡化</b></p><p>　　如果圖像的視覺效果差或者人們特殊需要，常常需要對圖像的灰度級進行修正，即對圖像的直方圖進行轉(zhuǎn)換。直方圖均衡化是圖像處理中較常用的方法之一。直方圖均衡化首選要先進行直方圖修正，即把原圖像的直方圖利用灰度變換函數(shù)修正為均勻分布，然后再進行直方圖均衡化。它以概率論為理論基礎(chǔ)，運用灰度點運算實現(xiàn)直方圖的變化，從而達到

60、圖像處理的目的。直方圖的變換函數(shù)取決于直方圖的累積分布函數(shù)。簡單的說即把已知灰度值概率分布的圖像經(jīng)過一種變換，讓它成為一個灰度值概率均勻分布的新圖像。比如有些圖像在低灰度區(qū)間的分布頻率較大，使較暗地方的細節(jié)邊緣比較模糊，此時我們可以進行直方圖均衡化將圖像的灰度范圍均勻分布。而當圖像的直方圖分布為均勻分布時，此時圖像包含的信息量最多，看起來就越清晰。另外由于直方圖是只是近似的概率函數(shù)，直接變換求直方圖很少能得到完全平坦的分布，而且變換后會

61、出現(xiàn)灰度級減少的現(xiàn)象即“簡并”。由于以上原因，我們也要進行直方圖均衡化，以改善圖像灰度的動態(tài)范圍。</p><p>　　3.3 圖像平滑去噪</p><p>　　灰度變換和直方圖修正都可以對圖像進行簡單的預(yù)處理，然而這些預(yù)處理僅限于圖像沒有受到污染，即沒有因為各種原因產(chǎn)生噪聲或收到不規(guī)則破壞，此時灰度變換和直方圖就不能達到我們預(yù)期的效果了，對于圖像的復(fù)雜處理就必須采用平滑去噪方法。<

62、;/p><p>　　3.3.1 圖像噪聲</p><p><b>　　（1）噪聲基本介紹</b></p><p>　　噪聲就是妨礙人們感覺器官對所收到的圖像信息進行準確理解的因素，噪聲的種類很多，比如電子噪聲、機械噪聲、信道噪聲以及其他噪聲，噪聲對圖像信號和相位的影響很大，有些噪聲和圖像信號不相關(guān)，有些卻相關(guān)。圖像在生成和傳輸過程當中常常會受到各

63、種噪聲的干擾和破壞而使圖像失去原來的本色，這將對后續(xù)圖像的處理比如圖像分割、壓縮、圖像理解等產(chǎn)生不好的影響。上面這幅圖片就是受到噪聲污染后的圖像，可以看出圖像的質(zhì)量與我們所預(yù)想的差別很大。因此，對于圖像處理來說，圖像去噪是必不可少的預(yù)處理操作，為了抑制和消減噪聲，改善圖像的質(zhì)量，以便于做進一步的處理，對圖像進行去噪預(yù)處理是首要的步驟。人們根據(jù)圖像的實際特點、噪聲的統(tǒng)計特點、頻譜的分布規(guī)律等等，發(fā)展了各式各樣的減噪方法。圖像的去噪方法種類

64、很多，依據(jù)的原理也各不相同，其中比較常用的就是圖像平滑去噪方法。</p><p><b>　?。?）圖像噪聲模型</b></p><p>　　數(shù)字圖像的噪聲一般源自于將圖像數(shù)字化和傳輸?shù)倪^程。在這過程中因受到環(huán)境條件的影響及設(shè)備的性能質(zhì)量原因，使得圖像必不可免的產(chǎn)生噪聲。下面介紹幾種常見的比較重要的噪聲：</p><p>　　均勻分布噪聲。均勻

65、分布噪聲是指原圖像中每個像素點等概率產(chǎn)生的噪聲。均勻噪聲的概率密度及其期望值和方差如下式所示：</p><p><b>　　(7)</b></p><p>　　高斯噪聲。高斯噪聲被稱為正態(tài)噪聲，其噪聲的概率密度如下式所示：</p><p><b>　　(8)</b></p><p>　　式中，z代表

66、圖像的灰度值， 代表z的期望值， 代表z的標準差。由于高斯噪聲在實際圖像中很常見，且在數(shù)學上處理相對比較容易，使高斯噪聲模型應(yīng)用比較廣泛。</p><p>　　椒鹽噪聲。椒鹽噪聲也叫脈沖噪聲，它的特點是持續(xù)時間小于0.5秒，間隔時間大于1秒。椒鹽噪聲作為一種非常典型的圖像噪聲，對圖像質(zhì)量的處理起著極大的影響。其噪聲的概率密度如式所示：</p><p><b>　　(9)</

67、b></p><p>　　式中，假設(shè)b>a，則圖像中灰度值b將以 的概率在圖中顯示為一個亮點即鹽粉微粒；灰度值a則將以 的概率顯示為一個暗點（胡椒微粒）。</p><p>　　瑞利噪聲。瑞利噪聲是服從瑞利分布的噪聲。其概率密度函數(shù)如式所示：</p><p><b>　　(10) </b></p><p&g

68、t;　　伽馬噪聲。伽馬噪聲又稱為愛爾蘭噪聲，其概率密度函數(shù)如式所示：</p><p><b>　　(11)</b></p><p>　　(3) 圖像平滑去噪</p><p>　　圖像平滑去噪（Smoothing）是一種比較實用的數(shù)字圖像預(yù)處理技術(shù)，主要目的是減少圖像傳輸過程中參雜的噪聲[14]。一種優(yōu)良的圖像平滑方法應(yīng)該是既可以消除圖像噪聲的影

69、響但是又不會讓圖像的邊緣輪廓和線條變得模糊不清。圖像平滑去噪的方法分為兩大類，即空域法和頻域法。</p><p>　　在空域法里還可以分為兩個方面，一類是噪聲消除，即先判定這個點是否為噪聲點，若是則重新賦值給它，不是就按原值輸出；另一類則是平均法，即不一一對噪聲點進行清除，而是對整個圖像依據(jù)某種方法進行平均運算，一般來說這類濾波方法有均值濾波、高斯濾波、維納濾波等等。另外空域濾波還可以根據(jù)輸出圖像采用什么線性組合

70、分為線性濾波和非線性濾波，線性濾波就是輸出像素是輸入像素的鄰域像素的線性組合，而非線性濾波則指的是輸出像素是輸入像素的鄰域像素的非線性組合。例如我們最常見的空間域濾波方法均值濾波和高斯濾波都屬于線性濾波，而空域濾波中的中值濾波屬于非線性濾波。線性平滑濾波在大多數(shù)情況下對各種類型的噪聲有很好的去除效果。線性濾波器用連續(xù)窗函數(shù)內(nèi)像素加權(quán)和來實現(xiàn)平滑濾波。特別典型的是線性濾波器是空間不變的，這樣就可以使用卷積模板來實現(xiàn)濾波。</p>

71、;<p>　　頻域法則是先進行傅里葉變換到頻域進行處理然后在反變回空間域還原圖像，一般人們采用低通濾波等方法，這和空間域里直接對圖像的像素值進行鄰域內(nèi)運算不同</p><p>　　3.3.2 平滑去噪常用方法</p><p>　　圖像的平滑去噪一般分為空域和頻域兩種方法，本文只介紹空域和頻域里幾種常用的平滑濾波方法，比如均值濾波、高斯濾波以及中值濾波和低通濾波等等，其他的常

72、用方法不在研究之內(nèi)。</p><p><b>　　(1) 均值濾波</b></p><p>　　局部平滑法也稱為鄰域平均法，由其原理組成的濾波器叫做均值濾波器，這是一種典型的線性濾波[15]。它是一種直接在空間域里進行圖像平滑處理的技術(shù)。假設(shè)圖像由許多灰度值恒定的小塊組成，相鄰像素之間存在著很大的空間相關(guān)性，而噪聲卻是獨立存在的，因此可以用鄰域內(nèi)各個像素的灰度級平均值

73、來代替該像素原來的灰度值，這樣各個像素之間的灰度值就都具有相關(guān)性，就可以去除噪聲，實現(xiàn)圖像的平滑。均值濾波還分為算術(shù)均值濾波和幾何均值濾波。算術(shù)均值濾波顧名思義是以窗口內(nèi)所有像素點灰度值的算術(shù)平均值替代窗口中心的灰度值，這是最簡單的均值濾波，而幾何均值濾波的原理是將窗口中圖像像素的灰度值以幾何運算求均值。</p><p>　　可知鄰域平均法就是將當前圖像各像素鄰域內(nèi)的灰度平均值作為其輸出值的一種簡單的去噪辦法。&

74、lt;/p><p>　　均值濾波算法主要步驟如下：</p><p>　　選擇一個3 ×3窗口，中心像素是該點輸入時的像素值，其余的是它鄰域內(nèi)像素的值。</p><p>　　然后求這些像素值的均值，作為輸出的像素值，這就是鄰域平均法的原理。</p><p>　　另外對于第一行和最后一行、第一列和最后一列來說，不能找到與自己相鄰的八個像素，

75、因此保持它們的數(shù)據(jù)不變，最后把這幾行列的數(shù)據(jù)和那些變化后的數(shù)據(jù)組合在一起組成圖像的灰度矩陣。</p><p>　　按照此灰度矩陣的值輸出圖像。</p><p>　　MATLAB中讀取的圖像都是八位的，其最大值只有255因此當把九個數(shù)相加后就超過了255，因此它會自動的取255.于是在im2double中將uint8數(shù)據(jù)類型轉(zhuǎn)換為double型，再在整個數(shù)據(jù)運算完了以后調(diào)用im2uint8將

76、double數(shù)據(jù)轉(zhuǎn)換為uint8并顯示出來。</p><p>　　根據(jù)均值濾波原理編寫的算法流程圖如圖1所示。</p><p>　　圖1 均值濾波流程圖</p><p>　　Fig 1 Average filtering flow diagram</p><p>　　均值濾波算法的輸出圖像是以窗口內(nèi)所有像素按照某種數(shù)學操作取均值，算術(shù)濾波

77、器可以有效的去除高斯噪聲和強度不大的椒鹽噪聲，幾何均值濾波器相對于算術(shù)濾波器能夠保留更多的圖像細節(jié)，但是由于算法過程中缺少對保持圖像中含有目標邊緣的考慮，對圖像中的所有像素點包括信號突變處都進行了平滑，使用均值濾波會造成邊緣的模糊和細節(jié)的湮沒，因此均值濾波在圖像去噪的同時也產(chǎn)生了不好的影響，這種方法在平滑了圖像信號的同時也使圖像的細節(jié)部分變得更加模糊，可以驗證當鄰域取得越大圖像會更模糊。</p><p><

78、b>　　(2)高斯平滑濾波</b></p><p>　　高斯平滑濾波也屬于線性濾波，它是根據(jù)高斯函數(shù)的形狀來選擇權(quán)值的線性平滑濾波器。高斯平滑濾波對去除服從正太分布的噪聲特別是高斯噪聲很有效果。高斯濾波的特性與高斯函數(shù)息息相關(guān)，高斯函數(shù)具有一下的重要性質(zhì)：</p><p>　　二維高斯函數(shù)具有旋轉(zhuǎn)對稱性，也就是濾波器在各個方向上的平滑程度是相同的。通常來說一幅圖像的邊緣方

79、向是不知道的，因此，我們在濾波之前是無法確定哪個方向上需要要更多的平滑的，而這意味著高斯濾波在圖像處理中不會偏向任一方向。</p><p>　　高斯函數(shù)是單值函數(shù)。與均值濾波相似，高斯濾波用圖像像素鄰域的加權(quán)均值來代替該點的像素值，而權(quán)值的選取是隨著該像素點與中心點距離單調(diào)遞減的，所以離中心點比較遠的像素權(quán)值較小，受到的高斯濾波影響會很小。相反如果平滑濾波對邊緣像素點仍然有很大的作用，則會導致圖像失真。</

80、p><p>　　高斯函數(shù)的傅立葉變換頻譜是單瓣的。因為圖像常被高頻信號所污染，而我們所期望的圖像特征，既含有低頻分量，又含有高頻分量。高斯函數(shù)傅立葉變換的單瓣意味著平滑圖像不會被不需要的高頻信號所污染，同時保留了大部分所需要的信號。</p><p>　　高斯濾波器的寬度(決定著平滑程度)是由參數(shù)σ表證的，而且σ和平滑程度的關(guān)系是非常簡單的。σ越大，高斯濾波器的頻帶就越寬，平滑程度就越好。通過調(diào)

81、節(jié)平滑程度參數(shù)σ，可在圖像特征分量模糊(過平滑)與平滑圖像中由于噪聲和細紋理所引起的過多的不希望突變量(欠平滑)之間取得折衷。</p><p>　　由于高斯函數(shù)的可分離性，大高斯濾波器可以有效實現(xiàn)。通過二維高斯函數(shù)的卷積可以分兩步來進行，首先將圖像與一維高斯函數(shù)進行卷積，然后將卷積的結(jié)果與方向垂直的相同一維高斯函數(shù)進行卷積。因此，二維高斯濾波的計算量隨濾波模板寬度成線性增長而不是成平方增長。這些性質(zhì)使得它在早期的

82、圖像處理中特別有用，表明高斯平滑濾波器無論在空間域還是在頻率域都是十分有效的低通濾波器。高斯濾波的算法一般分如下幾步：</p><p>　　使用imread()讀入原始的彩色圖像。</p><p>　　輸入高斯濾波器的均值和方差。</p><p>　　利用高斯濾波A1=fspecial('gaussian'，k，n3) %生成高斯序列 </p&

83、gt;<p>　　用生成的高斯序列進行濾波。Y1=filter2(A2，g)/255</p><p><b>　　顯示濾波后的圖像。</b></p><p>　　以上分析可以看出高斯濾波是有高斯函數(shù)而決定的，所以它非常適合對正太分布的高斯噪聲進行濾波，而對那些隨即分布的噪聲比如脈沖噪聲和椒鹽噪聲的清除效果就不很好了，所以高斯濾波有他的局限性。這里高斯濾波

84、的流程圖就不在描述，因為高斯濾波用MATLAB函數(shù)就可以實現(xiàn)。</p><p><b>　?。?）中值濾波</b></p><p>　　中值濾波是一種基于排序統(tǒng)計理論的可有效抑制噪聲的非線性平滑濾波。其濾波原理是:首先確定一個以某個像素為中心點的鄰域，一般為方形鄰域，然后將鄰域中各像素的灰度值進行排序，取中間值作為中心像素灰度的新值，這里的鄰域通常被稱為窗口。當窗口在

85、圖像中上下左右進行移動后，利用中值濾波算法可以很好地對圖像進行平滑處理。中值濾波的輸出像素是由鄰域圖像的中間值決定的，因而中值濾波對極限像素值(與周圍像素灰度值差別較大的像素)遠不如平均值那么敏感，從而可以消除孤立的噪聲點，可以使圖像產(chǎn)生較少的模糊。</p><p>　　圖2是中值濾波的流程圖。</p><p>　　圖2 中值濾波流程圖</p><p>　　Fig

86、 2 Median filtering flow diagram</p><p>　　中值濾波去除噪聲的效果除了與噪聲的類型有關(guān)外，還與鄰域的空間范圍和中值計算中涉及的像素數(shù)有關(guān)。一般來說，小于濾波器面積一半的亮或暗的物體基本上會被濾除，而較大的物體幾乎原封不動地保存下來，因此，中值濾波器的空間尺寸必須根據(jù)現(xiàn)有的問題來進行調(diào)整。較簡單的模板是NXN 的方形(注:此處的N通常是奇數(shù))?？傊兄禐V波具有算法簡單、

87、實時性好、可靠性高等特點，既能保護圖像的邊緣信息，又可以除去圖像中的噪聲，具有較高的實用價值。傳統(tǒng)的中值濾波方法是先選擇一定的窗口( 一般窗口大小為3 ×3 或5 ×5) ，然后使窗口在圖像內(nèi)逐次移動，并用窗口內(nèi)像素灰度值的中值來代替窗中心點處的像素灰度值。</p><p>　　傳統(tǒng)的中值濾波算法的實現(xiàn)過程如下:</p><p>　　選擇一個(2n +1) ×

88、(2n +1) 的窗口(通常為3 ×3 或5 ×5) ， 并用該窗口沿圖像數(shù)據(jù)進行或列方向的滑動。每次移動后，對窗口內(nèi)的諸像素灰度值進行排序。用排序法所得到的中值替代窗口中心位置的原始像素灰度值。然后以此作為新圖像的灰度值并輸出。</p><p>　　3.4 圖像二值化</p><p>　　3.4.1 圖像二值化介紹</p><p>　　一幅

89、圖像中的信息包括目標物體，背景和噪聲三個部分，圖像的二值化是為了得到圖像中的目標物體而產(chǎn)生的一種圖像處理方法，二值化以后圖像中所有的像素點將會變?yōu)榘谆蚝?。當圖像中只包含前景和背景兩部分信息時，就可以將前景的像素值置為1，背景的像素值置為0，這樣圖像就被二值化了。 二值化的方法有很多種，一般分為 全局閾值法和局部閾值法</p><p>　　全局閾值法是指在二值化過程中只使用一個全局閾值的方法。它將圖像的每個像素的灰

90、度值與進行比較，若大于，則取為前景色（白色）；否則，取為背景色。根據(jù)文本圖像的直方圖或灰度空間分布確定一個閾值，以此實現(xiàn)灰度文本圖像到二值圖像的轉(zhuǎn)化。其中全局閾值法又可分為基于點的閾值法和基于區(qū)域的閾值法。閾值分割法的結(jié)果很大程度上依賴于對閾值的選擇，因此該方法的關(guān)鍵是如何選擇合適的閾值。</p><p>　　典型的全局閾值方法包括Otsu方法、最大熵方法等。全局閾值法算法簡單，對于目標和背景明顯分離、直方圖分布

91、呈雙峰的圖像效果良好，但對于由于光照不均勻、噪聲干擾較大等原因使直方圖分布不呈雙峰的圖像，二值化效果明顯變差。</p><p>　　3.4.1 圖像二值化常用方法</p><p>　　為了滿足圖像處理應(yīng)用系統(tǒng)自動化及實時性要求，圖像二值化的閾值的選擇最好由計算機自動來完成。下面列舉幾個閾值的自動選擇算法：</p><p>　　(1) 平均灰度值法：以圖像中所有像素

92、灰度值的平均值為閾值。</p><p>　　(2) 大津法：又稱最大類間差法，是基于整幅圖像的統(tǒng)計特性，實現(xiàn)閾值的自動選取。其原理是把圖像直方圖用某一灰度值分割成兩類，分別計算這兩類的像素點數(shù)和灰度平均值，然后計算它們的類間方差。當被分割成的兩類類間方差最大時，此灰度值就作為圖像二值化處理的閾值。大津法的使用范圍比較廣，不論圖像的直方圖有無明顯的雙峰，都能得到較滿意的結(jié)果，在很多領(lǐng)域得到了應(yīng)用和發(fā)展。但此方法依然

93、存在一些不足，主要表現(xiàn)在：若目標與背景之間灰度差不明顯，可能出現(xiàn)大塊黑色區(qū)域，甚至丟失整幅圖像的信息；僅利用一維灰度直方圖分布，沒有結(jié)合圖像的空間相關(guān)信息，處理效果不好；當圖像中有斷裂現(xiàn)象或者背景有一定噪聲時，無法得到預(yù)期效果。 </p><p>　　(3) 邊緣算子法：采用Laplace算子、Robert算子、Sober算子等對像素點進行灰度級增強或減弱的變換。對于灰度均勻分布的區(qū)域內(nèi)的像素點，這些算子對其進行

94、灰度減弱；對于在邊緣附近的像素點，這些算子對其進行灰度增強。 </p><p>　　由當前像素灰度值與該像素周圍點局部灰度特征來確定像素的閾值。例如可以將原圖像劃分為一些不相交的小塊，將各塊圖像的灰度均值作為該部塊圖像的閾值，在局部上采用上面的整體閾值法。</p><p>　　對于目標和背景比較清楚的圖像，全局閾值化方法可以取得較好結(jié)果。但是如果圖像的背景不均勻，或目標灰度變化率比較大

95、，全局方法便不再適用。局部閾值法是用像素灰度值和此像素鄰域的局部灰度特性來確定該像素的閾值的。當照明不均勻、有突發(fā)噪聲，或者背景灰度變化較大時，局部閾值確定技術(shù)必須根據(jù)像素的坐標位置關(guān)系自動確定不同閾值，實施動態(tài)的自適應(yīng)二值化處理。局部閾值選取一般將圖像劃分為若干子圖像，在每個子圖像區(qū)域上使用整體閾值法，從而可以構(gòu)成整幅圖像的局部閾值法(根據(jù)每個子圖像確定相應(yīng)的閾值，具體的閾值確定方法同全局閾值的確定類似)。用這種方法分割后的圖像在不同

96、子圖像的邊界處有灰度的不連續(xù)分布，因此必須采用平滑技術(shù)來消除灰度的不連續(xù)性。 </p><p>　　局部閾值法一般用于識別干擾比較嚴重、品質(zhì)較差的圖像，相對整體閾值方法有更廣泛的應(yīng)用，但也存在缺點和問題，如實現(xiàn)速度慢、不能保證字符筆畫連通性以及容易出現(xiàn)偽影現(xiàn)象(即在背景域受到噪音干擾得到筆畫結(jié)果)等。比較典型的局部二值化算法有Bernsen方法、多閾值的梯度強度法、基于紋理圖像的方法、最大方差法等。<

97、/p><p>　　4 算法設(shè)計與實現(xiàn)</p><p><b>　　4.1 總體設(shè)計</b></p><p>　　字符圖像預(yù)處理一共有四個階段，我對于每個階段都采取了相應(yīng)的方法對圖像進行處理。并對測試結(jié)果進行了測試并取得了良好的結(jié)果。</p><p>　?。?）在圖像灰度化階段，我采取的是加權(quán)平均值法。根據(jù)三個分量的重要性

98、及其它指標，將三個分量以不同的權(quán)值進行加權(quán)平均運算。由于人眼對綠色的敏感度高，對藍色的敏感度低，故可以按照不同的權(quán)值對RGB三個分量進行加權(quán)平均運算能得到比較合理的灰度圖像。 </p><p>　　（2）在圖像增強階段，我采取的是直方圖增強的方法。直方圖均衡化首選要先進行直方圖修正，即把原圖像的直方圖利用灰度變換函數(shù)修正為均勻分布，然后再進行直方圖均衡化。它以概率論為理論基礎(chǔ)，運用灰度點運算實現(xiàn)直方圖的變化，

99、從而達到圖像處理的目的。</p><p>　?。?）在圖像濾波階段，我采用了中值濾波。首先確定一個以某個像素為中心點的鄰域，一般為方形鄰域，然后將鄰域中各像素的灰度值進行排序，取中間值作為中心像素灰度的新值，這里的鄰域通常被稱為窗口。當窗口在圖像中上下左右進行移動后，利用中值濾波算法可以很好地對圖像進行平滑處理。</p><p>　?。?）在圖像二值化階段，我采取的是全局閾值法。在二值化過

100、程中只使用一個全局閾值的方法。它將圖像的每個像素的灰度值與進行比較，若大于，則取為前景色（白色）；否則，取為背景色。</p><p><b>　　4.2 具體代碼</b></p><p>　　A=imread('f:\yes.jpg');</p><p>　　image=double(A);</p><p&

101、gt;　　red=image(:,:,1);</p><p>　　green=image(:,:,2);</p><p>　　blue=image(:,:,3);</p><p>　　x=0.3*red+0.59*green+0.11*blue+0.5;</p><p>　　A=uint8(A);</p><p>　　

102、x=uint8(x);</p><p>　　imwrite(x,'f:\gray.bmp');</p><p>　　figure(1);</p><p>　　subplot(1,2,1);</p><p>　　imshow(A),</p><p>　　title('原圖');</p

103、><p>　　subplot(1,2,2);</p><p>　　imshow(x),</p><p>　　title('灰度圖');</p><p>　　J=imread('f:gray.jpg');</p><p>　　H=histeq(J,256);</p><p&

104、gt;　　subplot(2,2,1),</p><p><b>　　imshow(J)</b></p><p>　　title('原圖')</p><p>　　subplot(2,2,2),</p><p><b>　　imshow(H)</b></p><p&

105、gt;　　title('均衡化圖')</p><p>　　subplot(2,2,3),</p><p><b>　　imhist(J)</b></p><p>　　subplot(2,2,4),</p><p><b>　　imhist(H)</b></p><

106、p>　　e=imread('f:\gray.BMP');</p><p>　　[rows , cols ] = size(e);</p><p><b>　　I=e;</b></p><p>　　I=imnoise(e,'salt & pepper',0.05);%加椒鹽噪聲</p>

107、<p>　　N=input('請輸入一個奇數(shù)（模版尺寸階數(shù)）：')</p><p>　　k=double(ones(N)/(N*N));</p><p>　　for i=(N+1)/2:(rows-((N-1)/2))</p><p>　　for j=(N+1)/2:(cols-((N-1)/2))</p><p>

108、　　k1=double(I(i-(N-1)/2:i+(N-1)/2,j-(N-1)/2:j+(N-1)/2)); </p><p>　　y=reshape(k1,1,N*N);</p><p>　　y=sort(y);</p><p>　　hh(i,j)=uint8(y((N*N+1)/2));</p><p><b>　　end&

109、lt;/b></p><p><b>　　end</b></p><p><b>　　figure(1)</b></p><p>　　subplot(221)</p><p>　　imshow(e);</p><p>　　title('原圖像')<