图像滤噪以及车牌识别.docx

图像滤噪以及车牌识别.docx

《图像滤噪以及车牌识别.docx》由会员分享，可在线阅读，更多相关《图像滤噪以及车牌识别.docx（14页珍藏版）》请在冰豆网上搜索。

图像滤噪以及车牌识别

第二次图像处理作业

班级：

物联网1401

学号：

姓名：

zk

江南大学物联网工程学院

一、作业目的：

针对于不同的图像选取合适的处理方法进行处理，达到较好的效果。

下面将从图像处理方法上进行分类，并说明对应的图片的处理过程和结果，实验代码见附录。

二、处理过程

飞机、细胞及骨骼的图像处理主要是对比度增强；月球、硬币的图像主要是消噪；橄榄球的图像处理主要是对于运动模糊的消除；车牌号码提取主要用到闭运算和图像分割。

2.1对比度增强

通过实验比较，飞机和细胞利用直方图均衡化的处理方法效果比较明显，而骨骼的图像利用同态滤波的方法效果比直方图的好。

2.1.1直方图均衡化

图1原始图像

分析图像可得图像中前景与背景区分度太小，导致图像显示不清晰。

采用直方图均衡化进行全局对比度增强，并利用MATLAB中的调整图像亮度值或彩色映射函数imadjust（）进行调整，提高图片的清晰度。

飞机原始图片的灰度直方图如下所示

图2飞机原始图像灰度直方图

根据直方图得出原始图像灰度值主要分布在100-175之间，密集分布在120-140之间。

采用前者并归一化到0-1区间后处理得到的图像如下：

图3100-175区间对比度增强

处理后图像的灰度直方图如下所示;

图4处理后图像灰度直方图

可见均衡后图像对比度明显增强，纹理和边缘更加清晰。

原图灰度分布在很狭窄的区间约[100,175]内。

均衡化后灰度较为分散的分布在[50,200]区间内。

如果采用区间120-140进行对比度增强，得到的图像和灰度直方图分布如下所示，根据图像结果可知，图像的对比度更大，但在灰度值的分布上更加分散。

图5120-140区间对比度增强及灰度直方图

同理对细胞图像的处理图如下：

图6细胞图像处理结果

2.1.2同态滤波

图7同态滤波前后对比图

2.2图像消噪

2.2.1消除椒盐噪声

图8原始图像

椒盐噪声是一种在图像上出现很多白点或黑点的噪声，用线性滤波器滤除的结果不好，对于椒盐噪声采用中值滤波的方法进行消噪处理，利用MATLAB中的medfilt（）函数。

处理结果如下：

图9中值滤噪后图像

2.2.2消除高斯噪声

图10原始图形

高斯噪声是指噪声服从高斯分布,即某个强度的噪声点个数最多,离这个强度越远噪声点个数越少,且这个规律服从高斯分布.高斯噪声是一种加性噪声,即噪声直接加到原图像上,因此可以用线性滤波器滤除.

采用高斯滤波器进行消噪，处理后的图像如下所示：

图11高斯滤波后图像

2.3运动模糊消除

PSF=fspecial（'motion',len,theta）;

Motion_Blur=imfilter（I,PSF,'circular','conv'）;

其中PSF为运动模糊算子，有两个参数，表示摄像物体逆时针方向以theta角度运动了len个像素，len的默认值为9，theta的默认值为0。

处理过程中分别采用维纳滤波，Lucy-Richardson滤波处理，但并没有达到想象中的效果，图像仍然存在模糊。

处理结果如下：

图12维纳和Lucy-Richardson处理后图像

2.4车牌号码识别

图13车牌号码识别算法流程

图14原始图像

首先将原始图像转化为灰度图像并提取其图像边界，处理结果如下图所示；

图15边界提取图像

利用腐蚀算子fushi=[1;1;1]，将非车牌区域的噪声信息腐蚀掉，处理后如下图所示：

图16边界腐蚀后图形

选择方形闭环算子进行闭运算，处理后图像如下所示：

图17闭运算后图像

利用bwareaopen（）函数将图像中的小于1800个像素点的区域去除，处理结果如下：

图18去除车牌号码以外区域

根据上图信息，确定号码的上下左右边界，分别得到上下左右的像素边界统计，分别如下所示：

图19车牌号码边界信息

最后在原图中提取车牌号码区域，处理结果如下图所示：

图20车牌号码提取

三、总结

在这次作业中学会了针对不同问题的图片采取相对应的方法，例如在椒盐噪声的消噪中利用中值滤波的效果比均值滤波要好的多，同时在车牌号的提取中体会到开运算，闭运算的效果，收获颇丰。

附录：

程序代码

2.1.1直方图均衡化

yuantu1=imread（'C:

\Users\zhangkun\Desktop\4.bmp'）;

yuantu=rgb2gray（yuantu1）;

figure

（1）;

imhist（yuantu,256）;

axis（[025501e5]）;title（'原图直方图'）;

I=imadjust（yuantu,[0.390.7],[01.0]）;

figure

（2）;

imshow（I）;

figure（3）;

imhist（I,256）;axis（[025501e5]）;title（'直方图均衡化后的直方图'）;

2.1.2同态滤波

clear;

clc;

I=imread（'C:

\Users\zhangkun\Desktop\6.jpg'）;

subplot（1,2,1）;

imshow（I）;

title（'原图'）;

I=double（rgb2gray（I））;

[M,N]=size（I）;rL=0.3;

rH=2.0;c=2;

d0=10;

I1=log（I+1）;

n1=floor（M/2）;

n2=floor（N/2）;

fori=1:

M

forj=1:

N

D（i,j）=（（i-n1）.^2+（j-n2）.^2）;

H（i,j）=（rH-rL）.*（exp（c*（-D（i,j）./（d0^2））））+rL;%¸ß˹̬ͬÂ˲¨

end

end

I2=ifft2（H.*FI）;I3=real（exp（I2））;

subplot（122）;

imshow（I3,[]）;

title（'同态滤波增强后'）

2.2.1中值滤波

clear;

clc;

I=imread（'C:

\Users\zhangkun\Desktop\6.jpg'）;

I=rgb2gray（I）;

Y=medfilt2（I）;

figure

（1）;

imshow（Y）;

title（'中值滤波'）;

2.2.2高斯滤波

I=imread（'C:

\Users\zhangkun\Desktop\2.bmp'）;

I=rgb2gray（I）;

n3=20;

k=[11];

A2=fspecial（'gaussian',k,n3）;

Y5=filter2（A2,I）/255;

figure

（2）

imshow（Y5）,title（'高斯滤波'）;

2.3维纳滤波和Lucy-Richardson滤波

I=imread（'C:

\Users\zhangkun\Desktop\7.tif'）;

figure

（1）;

imshow（I）;

len=8;

theta=pi;

PSF=fspecial（'motion',len,theta）;

Motion_Blur=imfilter（I,PSF,'circular','conv'）;

figure

（2）;

imshow（Motion_Blur）;

title（'模糊图像'）;

J=deconvwnr（Motion_Blur,PSF）;

figure

（2）;imshow（J）;title（'维纳滤波'）;

BlurredC=imfilter（I,PSF,'symmetric','conv'）;

V=0.002;

BlurredNoisy=imnoise（BlurredC,'gaussian',0,V）;

Luc=deconvlucy（BlurredNoisy,PSF,5）;

figure（3）;imshow（Luc）;title（'Lucy-Richardson滤波'）;

2.4车牌识别

I=imread（'C:

\Users\zhangkun\Desktop\1.jpg'）;

I=rgb2gray（I）;

I2=edge（I,'roberts'）;

figure

（1）;imshow（I2）;

fushi=[1;1;1];

I3=imerode（I2,fushi）;

figure

（2）;imshow（I3）;

se1=strel（'rectangle',[24,24]）;

I4=imclose（I3,se1）;

figure,imshow（I4）;

I6=bwareaopen（I4,1800）;

figure,imshow（I6）;

[y,x,z]=size（I6）;

i6=double（I6）;

Y1=zeros（y,1）;

forii=1:

y

forjj=1:

x

if（i6（ii,jj,1）==1）

Y1（ii,1）=Y1（ii,1）+1;

end

end

end

[temp,MaxY]=max（Y1）;

figure,plot（1:

y,Y1）;

PY1=MaxY;

while（（Y1（PY1,1）>=50）&&（PY1>1））

PY1=PY1-1;

end

PY2=MaxY;

while（（Y1（PY2,1）>=50）&&（PY2

PY2=PY2+1;

end

X1=zeros（1,x）;

forjj=1:

x

forii=PY1:

PY2

if（i6（ii,jj,1）==1）

X1（1,jj）=X1（1,jj）+1;

end

end

end

figure,plot（1:

x,X1）;

PX1=1;

while（（X1（1,PX1）<15）&&（PX1

PX1=PX1+1;

end

PX2=x;

while（（X1（1,PX2）<15）&&（PX2>PX1））

PX2=PX2-1;

end

PX1=PX1-1;

PX2=PX2+1;

dw=I（PY1:

PY2,PX1:

PX2,:

）;

figure,imshow（dw）;