基于matlab的车牌识别系统大学论文.docx
- 文档编号:12593099
- 上传时间:2023-04-20
- 格式:DOCX
- 页数:18
- 大小:30.08KB
基于matlab的车牌识别系统大学论文.docx
《基于matlab的车牌识别系统大学论文.docx》由会员分享,可在线阅读,更多相关《基于matlab的车牌识别系统大学论文.docx(18页珍藏版)》请在冰豆网上搜索。
基于matlab的车牌识别系统大学论文
基于matlab的车牌识别系统大学论文
基于matlab的车牌识别系统大学论文程永杰:
基于图像处理技术的车牌识别系统研究第一章绪论1.1图像处理与识别技术的内容及理解数字图像处理处理学科所涉及的知识非常广泛,具体的方法种类繁多,应用也极为普遍,但从学科研究内容上可以分为以下几个方面。
1.1.1图像处理技术
(1)图像数字化其目的是将模拟形式的图像通过数字化设备变为数字计算机可用的离散的图像数据。
(2)图像变换为了达到某种目的而对图像使用一种数学技巧,经过变换后的图像更为方便、容易地处理和操作。
(3)图像增强图像增强的主要目标是改善图像的质量。
采用某种特殊的技术来突出图像中的某些信息,削弱或消除某些无关信息,从而有目的地强调图像的整体或局部特征。
常常用来改善人对图像的视觉效果,让观察者能看到更加直接、清晰、适于分析的信息。
直方图修正、灰度变换、强化图像轮廓等都是常用的手段。
(4)图像分割在图像研究和应用中,人们往往仅对图像的某些部分感兴趣。
它们一般对应图像中待定的、具有独特性质的区域。
图像分割就是把图像分割成各具特性的区域并提取出感兴趣的目标。
(5)图像分析图像分析也可以成为图像理解,主要研究从图像中提取有用的数据或信息,生成非图像的描述或表示。
图像分析的内容分为特征提取、图像分割、符号描述、纹理分析、运动图像分析和图像的检测与配准。
1.1.2图像识别技术图像识别是近20年来发展起来的一门学科,它以研究某些对象或过程(统称图像)的分类与描述为主要内容。
图像识别所研究的领域十分广泛,它可以使医学图像中的癌细胞识别;机械加工中零部件的识别、分类;可以是从遥感图片中辨别农作物、森林、湖泊和军事设施,以及判断农作物的长势,预测收获量等;可以是自导引小车中的路径识别;邮政系统中自动分拣信函;交通管制、识别违章行驶的汽车牌照;银行的支票识别、身份证识别等。
上述都是图像识别研究的课题。
一个图像识别系统主要包括3部分:
①图像信息获取;②图像信息加工和处理、抽取特征;③判断或分类。
1.2设计思路智能交通管理系统是21世纪道路交通管理的发展趋势。
高速公路的不断发展和车辆管理体制的不断完善,为以图像识别为基础的智能交通管理系统进入实际应用领域提供了契机。
基于卫星通信的牌照自动识别监控系统正是在这种应用背景下研制出来的,它能够自动,实时地检测车辆经过和识别汽车牌照,从而监控车辆的收费,闯关,欠费以及各种舞弊现象。
该系统利用卫星作为数据传输媒介,不受地区的限制。
无论是在城市,乡村还是偏远地区,在中心总站都可以及时了解到任何一个卫星子收费站的过往车辆的情况;也可以利用监视摄像头作为拍摄媒介,对车辆牌照进行识别,从而了解车辆各种信息。
数字图像处理技术是将摄取的图像用计算机数字化并将其基于数学知识进行各种运算处理的技术。
图像处理技术一般包括以下六个方面:
图像数字化、图像增强、图像变换、图像编码、图像重建、图像恢复。
而基于图像处理技术的车牌牌证识别系统就是利用图像处理技术以及模式识别技术对车辆牌证区域进行定位、字符识别,从而提取牌证号码,为交通车辆管理提供依据。
该系统是在交通监控的基础上,引入了数字摄像技术和计算机信息管理技术,采用先进的图像处理,模式识别和人工智能技术,卫星网络通信技术。
通过对图像的采集和处理,获得更多的信息,从而达到更高的智能化程度。
而且汽车牌照自动识别系统本身是一个全数字化的智能系统,在它上面只要做一定的扩充,就可以衍生出一些其它的功能。
汽车牌照自动识别系统可以广泛安装于公路收费站,停车场,十字路口等交通关卡处,使收费的管理更严密,更科学。
牌照识别系统在交通中的具体应用主要有以下几个方面:
(1)交通监控
(2)高速公路收费管理(3)交通参数的获取(4)对养路费缴纳、安全检查、运营管理实行不停车检查(5)小区、停车场管理1.3课题的理论意义及应用价值本课题属于计算机视觉研究领域。
课题应用了图像阈值、图像二值化、图像增强、图像去噪、图像分割、图像变换、图像投影以及图像直方图等各种图像处理的技术,课题最后还提出了牌照字符识别的神经网络识别的方法。
因此,课题研究对于计算机视觉领域的研究和发展具有一定的意义。
虽然车牌识别系统已经应用在生活很多方面,但是本系统仍然有潜力可挖,特别是在私人邻域方面。
所以在车牌识别方面还存在继续不断去研究的必要性。
由于车辆牌照是车辆的唯一标志,包含着车辆的重要信息。
掌握车辆牌照号码,就可以对车辆进行管理、跟踪,从而提高交通管理的智能化、现代化水平。
因此,课题的研究对于提高城市交通管理水平,加快交通管理现代化步伐具有一定的实际意义。
1.4系统开发环境和工具本论文将介绍一个牌照数字自动识别系统的实现过程。
开发环境:
MicrosoftWindowsVista;开发工具:
Matlab7.0;采集设备:
卡西欧700万像素数码相机。
1.5国内外牌照识别系统研究现状从20世纪90年代初(1988年),国外的研究人员就已经开始了对(车牌识别系统)LPR系统的研究,其主要途径就是对车牌的图像进行分析,自动提取车牌信息,确定汽车牌号。
在车牌识别过程中,虽然运用了很多的技术方法,但由于外界环境光线变化、光路中有灰尘、季节环境变化及车牌本身比较模糊等条件的影响,使得LPR系统一直得不到很好的应用,而且很多的方法都需要大量的数值计算,没有考虑到实时处理的要求。
为了解决图像恶化的问题,目前国内外的研究机构或公司企业采取的办法是采用主动红外照明摄像或使用特殊的传感器来提高图像的质量,继而提高识别率,这样做的同时也造成了系统的投资成本过大,应用领域变小,不适合普通的推广。
从20世纪90年代初,国外的研究人员就已经开始了对汽车牌照识别的研究。
以色列Hi-Tech公司的See/CarSystem系列,香港AsiaVisionTechnology公司的VECON产品,新加坡Optasia公司的VLPRS系列都是比较成熟的产品。
其中VECON和VLPRS产品主要适合于香港和新加坡的车牌,Hi-Tech公司的See/CarSystem有多种变形的产品来分别适应某一个国家的车牌。
See/CarChinese系统可以对中国大陆的车牌进行识别,但都存在很大的缺陷,而且不能识别车牌中的汉字,另外日本、加拿大、德国、意大利、英国等各个西方发达国家都有适合本国车牌的识别系统。
各个国家的产品虽然不同,但基本上都是基于车辆探测器的系统,设备投资巨大。
国内在90年代也开始了车牌识别的研究。
目前比较成熟的产品有中科院自动化研究所汉王公司的“汉王眼”,亚洲视觉科技有限公司、深圳吉通电子有限公司、中国信息产业部下属的中智交通电子有限公司等也有自己的产品,另外西安交通大学的图像处理和识别研究室、上海交通大学的计算机科学和工程系、清华大学人工智能国家重点实验室、浙江大学的自动化系等也做过类似的研究。
通常处理时为了提高系统的识别率,都采用了一些硬件的探测器和其他的辅助设备[1]。
从LPR系统的主要关键技术(车牌定位、车牌字符分割、车牌字符识别)而言,关于车牌定位的研究,国外起步比较早,现有比较好的牌照定位方法主要有J.Barros等提出的基于水平搜寻的定位方法R.Parisi等提出的基于DFT变换的频域分析方法;J.Bulas-Crue等人提出的基于扫描行的车牌提取方法。
上述方法,尽管在一定的条件下能够分割出车牌,但车牌识别系统大多是利用摄像机室外拍摄汽车图像,存在许多客观的干扰,如天气、背景、车牌磨损、图像倾斜等因素,因此定位并不十分理想。
90年代以来,由于交通现代化发展的需要,我国也开始对车牌定位进行了深入研究,并取得了一定的成就[18]。
国内在20世纪90年代开始对车辆牌照识别系统进行了相关的研究,上海交通大学戚飞虎提出了基于彩色分割的牌照识别方法[5];华中科技大学黄心汗提出了基于模板匹配和神经网络的牌照识别方法[8];西安交通大学的郑南宁等人提出了多层次纹理分析的牌照识别方法[1]。
另外,清华大学的研究所也对车辆牌照识别系统进行了非常有价值的研究。
牌照识别技术的研究促进了适合我国车辆牌照产品的问世,国内的牌照识别产品相继问世并且投入了使用。
其中亚洲视觉生产的VECON-VIS车辆牌照识别系统、成都西图科技有限公司生产的CIAS-T2003车牌识别稽查系统、上海高德威公司的汽车牌照识别系统以及北京汉王公司的嵌入式一体化车牌辨识仪等产品牌照识别率都达到了95%以上。
但是,由于车辆牌照识别受环境光线的影响比较大,识别的效果在不同的光照背景下面识别率会有所不同,因此在车辆牌照定位和识别的算法优化方面还有大量的工作要做[1]。
1.6系统硬件分析一个车牌识别系统的基本硬件配置是由摄像机、主控机、采集卡、照明装置组成。
在收费站系统中,系统拓扑结构为星型网络,主节点为控制中心站,提供相关车辆数据查询服务,并且可以监控下属各个相关站点的运行情况,中心站和其下属的站点可以通过网络信道组成一个通信网络,实现牌照信息的实时查询[1]。
具体的收费站系统硬件主要包括了卫星设备、高性能工控计算机、高分辨率CCD摄像机、高放大倍数镜头、地感线圈、CCD自动亮度控制器和视频采集卡等等。
在收费站端,前端工控机利用车辆经过时地感线圈触发的信号,控制图像采集卡抓拍图像,并对抓拍的汽车图像进行牌照识别,同时控制摄像机光圈的大小,以适应外界环境不同的光照条件。
然后将需要发送的车辆数据传送到站点服务器,由站点服务器将数据通过卫星送到中心站,再由中心站通过卫星将需要更新的数据下发到其它小站。
以上只是举一个收费站的例子,在其他的关于本系统的运用中,可以通过普通摄像头,计算机以及以太网来实现,无须太复杂的技术。
本文由于条件有限,只能通过普通数码照像机和个人电脑实现车牌识别系统。
1.7系统软件分析整个软件系统由一个具有车牌识别功能的图像分析和处理软件,以及一个满足具体应用需求的后台管理软件组成。
一个完整的车辆牌照识别系统是一个复杂的系统,包括图像采集、数据传输与更新等步骤,其中的图像牌照处理中的每一个步骤都是比较复杂的,尤其是牌照定位与分割、字符切分与识别的复杂性更大。
因为采集到的图像受到环境、灯光以及牌照本身污损等情况的影响,造成采集到的图像质量各不相同,有些图像质量很差,给图像处理造成一定的困难。
因此对于牌照处理阶段的各个步骤,很多人都进行了相关的研究,提出了许多比较好的算法,但是很多算法对于某一类图像质量的照片可能研究效果比较好,但是对于其它的车牌图像处理效果不见得就好。
牌照识别单元是车辆牌证识别系统中最重要的一部分,也是技术含量最高的一部分,它包括以下4个模块[2]。
如图1—1所示。
图1—1牌照识别流程由于条件和时间的有限,本论文只能对牌照识别系统中数字识别的软件部分进行一定的研究,即车辆牌证图像处理的数字处理软件部分。
更具体的牌证识别过程如下图1—2所示:
图1—2具体车辆牌照识别流程[5]1.8系统的总体设计方案一个完整的车辆牌照识别系统是一个复杂的系统,包括图像采集、图像预处理、车牌定位与分割、字符切分、字符识别以及图像编码、数码传输与更新等步骤,其中的图像牌照处理中的每一个步骤都是比较复杂的,尤其是牌照定位与分割、字符切分与识别的复杂性更大。
因为采集到的图像受到环境、灯光以及牌照本身污损等情况的影响,造成采集的图像质量各不相同,有些图像质量很差,给图像处理造成了一定的困难。
因此对于牌照处理阶段的各个步骤很多人都进行了相关的研究,提出了许多比较好的算法,但是很多算法对于某一类图像质量的照片可能效果比较好,但是对于其它的车牌图像处理效果不见得就好。
一个牌照识别系统的基本机构如下图1—3所示:
图1—3车牌识别系统结构图[1]用计算机处理数字图像,必然要首先考虑图像的存储格式。
目前比较常用的图像格式由*.BMP、*.JPG、*.GIF、*.PCX等,其中比较常用的为*.BMP和*.JPG。
本文采用的是*.JPG格式。
实际的输入图像的大小不同,理论上对于牌照的大小以及颜色都没有什么严格的要求,但是图像太小的话,影响图像的识别效果,图像太大的话,导致图像处理运算时间加长,影响图像的处理时间。
因此,为了适应不同大小的图像,需要对输入的图像进行大小归一化。
用摄像机或者数码相机采集到的车辆图像都是24位真彩色图像,真彩色图像比较接近现实生活中的人眼观察的真实颜色。
对于真彩色图想,图像数据包括实际的R、G、B值,其中每个R、G、B在实际的处理中占有一个字节,这样一个真彩色图想的一个像素将占有3个字节,而对于256灰度位图,所有的图像的软件部分将采用256灰度位图图像进行处理[6]。
第二章牌照提取技术2.1牌照区域提取要正确识别车牌上的数字,首先取决于车辆牌照能否正确从车辆图像中提取,而车辆牌照能否正确从车辆图像中提取则是自动识别的前提,所以图像提取需要极高的正确性。
这里从汽车图像中提取牌照区域—牌照坐标,以供下一步识别牌照数字字符用。
如图2—1所示(附表一)显示了具体一辆车辆图片的牌照提取过程。
其中用到了大量的数字图像处理算法,包括图像的彩色图到灰度图的变换,灰度拉伸,均衡,边缘卷积算子,纹理特征提取,去噪,滤波等等[1]。
2.2牌照定位预处理牌照定位的预处理只要是对采集的车辆图像进行灰度化和去除噪声的处理,以使车辆图像尤其是牌照区域质量改善,同时保留和增强原有车牌中纹理和颜色信息,去除可能影响牌照区域纹理和颜色信息的噪声,为牌照定位提供方便。
2.2.1彩色图像到灰度图象的变换灰度图(GrayScale)是指只包含亮度信息,不包含色彩信息的图像,例如平时看到的亮度由暗到明连续变化的黑白照片。
要表示灰度图,就需要把亮度值量化,通常分成0~255共256个级别,0表示最暗(全黑),255表示最亮(全白)。
由于256级灰度比较简单,若是彩色图像,其颜色种类较多,不利于图像处理,因此一般都是将彩色图像转换为灰度图进行处理。
通常在收费站中抓拍到的车辆图像均为24位真彩色图像,可以根据下述灰度值和RGB颜色对应关系转换成灰度图[1]:
灰度值==0.299R+0.587G+0.114B下面一段代码实现了真彩色图像到灰度图的转换:
I=imread(‘car.jpg’);I2=rgb2gray(I);Imshow(I);Figure,imshow(I2);如图2—2所示为24位真彩色车辆图像以及它的灰度图(原图)(灰度图)图2—2车辆图像及其灰度图2.2.2灰度拉伸为了增强车辆图像和牌照图像(提取自车辆图像)的对比度,使其明暗鲜明,有利于牌照识别,需要对它们进行灰度拉伸。
灰度拉伸是将灰度分段线形拉伸,它将输入图像中某点的灰度,通过映射函数,映射成输出图像中的灰度,即(2—1)假定原图像的灰度范围为,希望变换后图像的灰度范围扩展至可采用下述线形变换来实现。
(2—2)图2—3灰度变换原理图[1]图像中大部分像素的灰度分布在区间间,小部分像素的灰度级强度超出此区间。
为改善增强效果,可令(2—3)车辆图像进行灰度拉伸前后,牌照区域的效果对比如图2—4所示,可以看出,拉伸后,对比度明显增强。
(拉伸前)(拉伸后)图2—4灰度拉伸前后牌照图案2.2.3直方图均衡化直方图表示数字图像中每一个灰度与其出现频度间的统计关系,直方图能够给出该幅图像的概貌性特征描述,例如图像的灰度范围、每个灰度级的频度和灰度的分布、整幅图像的平均明暗和对比度等。
采用直方图均衡化可以使图像的灰度间距拉开或者使灰度分布均匀,从而增大了反差,在车辆图像中可以使车牌区域细节清晰,达到图像增强的目的[10]。
设的灰度范围为和,将直方图正规化为,即(2—4)其中L表示为图像灰度的范围。
则灰度直方图表示为:
(2—5)其中n为一幅图像总像素数目,表示灰度为的像素数目。
灰度映射函数为,直方图均衡化时。
而由概率论的知识可得:
(2—6)从而(2—7)在数字图像处理中,直方图均衡化的离散公式为:
(2—8)(原图)(均衡化后)图2—5直方图均衡效果对比图2—5是直方图均衡化处理前后的效果对比图,处理前灰度分布比较均匀,反映在图像上面则是颜色变化平缓,经过直方图均衡化后图像对比度增强,可以看到牌照区域比较清晰,整幅图像明暗对比增强,视觉效果变好了。
2.2.4中值滤波车辆图像由于噪声的影响,存在一些孤立点,俗称椒盐噪声,在进行牌照图像处理中要考虑抑制或者去除这种椒盐噪声。
中值滤波是一种非线性滤波技术,由于实际计算过程中并不需要图像的统计特性,所以比较方便。
它是基于图像的这样一种特性:
噪声往往以孤立的点的形式出现,这些点对应的像素数很少,而图像则是由像素数较多、面积较大的小块构成。
在一定条件下,可以克服线形滤波器所带来的图像细节模糊,而且对滤波脉冲干扰及图像的扫描噪声最为有效。
但是对一些细节多,特别是点、线和尖顶多的图像不宜采用中值滤波的方法[1]。
中值滤波也是一种局部平滑技术,在抑制随机噪声的同时使边沿减少模糊。
中值滤波对于一种滑动窗口内的诸像素灰度排序,用其中值代替中心像素原来的灰度。
假设原图像的像素如下所示:
则处理过后的图像的像素变化为:
可以看出其中的6和周围的灰度相差很大,在实际的图像中很有可能就是一个噪声点,经过3*1窗口的中值滤波,可以看到中间的噪声消除了。
中值滤波的形式有很多种,有行滤波、列滤波以及行列方向的滤波。
从上面的分析可以看出,中值滤波容易去除孤立的噪声点。
(a)(b)图2—6中值滤波效果对比图2—6是中值滤波处理前后的效果对比图,可以发现处理前车辆图片存有大量的泥泞,整个图像质量非常不好,可是在经过中值滤波以后,泥泞(噪声)得到了一定程度的抑制,同时牌照区域的边框也更加明显,有利于车辆图像后续的处理。
2.3牌照区域定位和分割从车辆图像中正确分割出牌照区域是牌照识别中最为关键的步骤之一。
如果牌照定位的效果不好,后面的数字以及文字字符的分割和识别根本不可能完成。
如果定位的效果足够好,后面的分割和识别工作就相对容易了。
牌照定位率是牌照识别的一项重要指标,它直接关系到整个系统的成败。
目前,人们提出的车辆牌照定位的方法很多,主要分成两大类:
一是利用图像的灰度信息,参考的是牌照区域的文字信息比较丰富,造成牌照区域的纹理变化比较有规律,利用牌照区域的纹理变化检测出几个候选牌照区域,然后去除伪牌照区域,得到真实的牌照区域;另一类是利用梯度信息,先对图像信息进行边缘检测,再对边缘图像进行形态学运算,直到寻找到车牌区域,完成牌照的粗定位,然后用其它的算法实现牌照的精确定位。
还有的一些方法主要是基于彩色车辆图像进行处理的,因为彩色图像的颜色信息比较丰富,牌照区域的颜色信息更加丰富,利用牌照区域丰富的颜色信息定位牌照区域[7]。
2.3.1车牌区域的定位浙江大学的潘云鹤和张引等人提出了彩色图像的识别方法,文中利用车辆图像具有横向纹理而车牌区域具有纵向纹理的特征,设计了彩色Prewitt边缘检测算子ColorPrewitt使牌照区域得到增强,然后对于提取的牌照图像采用形态学膨胀技术生成连通区域图像,利用区域生长法来标记候选车牌,然后通过牌照的大小、长宽比例等几何特征或者水平和垂直投影等方法来分析候选车牌,去除伪车牌,定位车牌区域[9]。
其它还有一些常用的牌照定位方法,如基于边缘检测的牌照定位方法、基于小波算法的牌照定位、基于神经网络的车辆牌照定位方法等等。
边缘检测的效果比较理想,但是通常情况下有些车辆的牌照边缘不是很明显,这样的检测效果就要大打折扣,而且由于车辆中还有诸多的类似于矩形的区域,例如车前头灯部位,如何去除这些伪车牌区域难度也比较大[11]。
基于小波算法和神经网络的车牌定位方法,应用数学领域最新的研究成果,对车辆牌照进行定位,但是由于车辆图像本身的极大变化性,上述方法的处理效果,对于某些车辆图像质量比较好,车牌特征比较明显的图像效果较好,而对于其它质量和牌照特征不好的车辆图像定位的效果就可能不是很好,甚至定位不出来[16]。
总之,这些定位的方法,各有优缺点,定位的效果也不同,它们大多对于某一特定的环境和光线以及特定的某一类车牌效果比较好,而环境和光线变化了,识别的效果就不是很理想了。
在充分考虑了上述牌照定位的方法后,本文提出了自己的牌照定位方法。
由于用摄像机或者数码相机采集到的车辆图像一般都是24位真彩色图像,本文采用的图像处理方法都是基于256色灰度图像进行的,首先要求对采集到的真彩色图像进行灰度化处理;其次,因为采集到车辆图像受到各种环境因素以及车辆本身状况的影响,车辆图像以及牌照区域的图像质量参次不齐,但是牌照区域的字符与背景的颜色差异相对都是比较明显的,论文的牌照定位方法充分考虑了牌照区域丰富的纹理变化信息以及颜色信息,提出了基于车辆牌照纹理和颜色信息的定位方法,该定位方法适用性强,对于大多数车牌定位效果比较好。
定位由粗定位和细定位组成,粗定位完成车辆牌照的初步定位,其中可能存在伪车牌信息,细定位完成牌照的最终定位,去除可能的伪车牌区域。
2.3.2车牌图像分割所谓图像分割就是要根据目标与背景的先验知识,对图像中的目标、背景进行标记、定位,然后将待识别的目标从背景或其它伪目标中分离出来。
图像分割是图像理解的重要组成部分,只有有效地完成分割,才能进一步提取目标特征并识别目标。
有关图像分割的解释和表述很多,借助于集合概念对图像分割可给出如下比较正式的定义:
令集合R代表整幅图像的区域,对R的分割可看成将R分成N个满足以下5个条件的非空子集(子区域)R1,R2,R3……,Rn:
(1);
(2)对所有的i和j,有,;(3)对i=1,2,……,N,;(4)对,;(5)i=1,2,……,N,Ri是连通的区域。
其中是对所有在集合中元素的逻辑谓语,代表空集。
条件
(1)指出对一幅图像分割所得到的全部子区域的总和(并集)应能包括图像中所有的像素(就是原图像),或者说分割应将图像中的每个像素都分进某个子区域中;条件
(2)指出在分割结果中各个子区域是互不重叠的,或者说在分割结果中一个像素不能同时属于两个区域;条件(3)指出在分割结果中每个子区域都有独特的特性,或者说属于同一个区域中的像素应该具有某些相同的特性;条件(4)指出在分割结果中,不同的子区域具有不同的特性,没有公共元素,或者说属于不同区域的像素应该具有一些不同的特性;条件(5)要求分割结果中同一个子区域内的像素应当是连通的,即同一个子区域内的任两个像素在该子区域内相互连通,或者说分割得到的区域是一个连通组元。
另外,上述这些条件不仅定义了分割,也对进行分割有指导作用。
对图像的分割总是根据一些分割准则进行的。
条件
(1)与条件
(2)说明正确的分割准则应可适用于所有区域和所有像素,而条件(3)与条件(4)说明合理的分割准则应能帮助确定各区域像素有代表性的特性,条件(5)说明完整的分割准则应直接或间接地对区域内像素的连通性有一定的要求或限定[3]。
最后需要指出,实际应用中图像分割不仅要把一幅图像分成满足上面5个条件的各具特性的区域而且需要把其中感兴趣的目标区域提取出来。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 matlab 车牌 识别 系统 大学 论文
![提示](https://static.bdocx.com/images/bang_tan.gif)