图像滤噪以及车牌识别Word文件下载.docx

图像滤噪以及车牌识别Word文件下载.docx

《图像滤噪以及车牌识别Word文件下载.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Word文件下载.docx（14页珍藏版）》请在冰豆网上搜索。

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。

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

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）;

直方图均衡化后的直方图'

clear;

clc;

I=imread（'

\Users\zhangkun\Desktop\6.jpg'

subplot（1,2,1）;

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

Ë

¹

Í

¬

Ì

Â

²

¨

end

I2=ifft2（H.*FI）;

I3=real（exp（I2））;

subplot（122）;

imshow（I3,[]）;

同态滤波增强后'

）

2.2.1中值滤波

I=rgb2gray（I）;

Y=medfilt2（I）;

imshow（Y）;

中值滤波'

2.2.2高斯滤波

\Users\zhangkun\Desktop\2.bmp'

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

\Users\zhangkun\Desktop\7.tif'

len=8;

theta=pi;

len,theta）;

imshow（Motion_Blur）;

模糊图像'

J=deconvwnr（Motion_Blur,PSF）;

imshow（J）;

维纳滤波'

BlurredC=imfilter（I,PSF,'

symmetric'

V=0.002;

BlurredNoisy=imnoise（BlurredC,'

0,V）;

Luc=deconvlucy（BlurredNoisy,PSF,5）;

imshow（Luc）;

Lucy-Richardson滤波'

2.4车牌识别

\Users\zhangkun\Desktop\1.jpg'

I2=edge（I,'

roberts'

imshow（I2）;

fushi=[1;

1];

I3=imerode（I2,fushi）;

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

[temp,MaxY]=max（Y1）;

figure,plot（1:

y,Y1）;

PY1=MaxY;

while（（Y1（PY1,1）>

=50）&

&

（PY1>

1））

PY1=PY1-1;

PY2=MaxY;

while（（Y1（PY2,1）>

（PY2<

y））

PY2=PY2+1;

X1=zeros（1,x）;

forjj=1:

forii=PY1:

PY2

X1（1,jj）=X1（1,jj）+1;

x,X1）;

PX1=1;

while（（X1（1,PX1）<

15）&

（PX1<

x））

PX1=PX1+1;

PX2=x;

while（（X1（1,PX2）<

（PX2>

PX1））

PX2=PX2-1;

PX1=PX1-1;

PX2=PX2+1;

dw=I（PY1:

PY2,PX1:

PX2,:

figure,imshow（dw）;