多媒体制作技术大作业.docx
《多媒体制作技术大作业.docx》由会员分享，可在线阅读，更多相关《多媒体制作技术大作业.docx（18页珍藏版）》请在冰豆网上搜索。
多媒体制作技术大作业
姓名王涛涛学号0093997
专业09计算机班级
（1）班
实验项目名称车牌识别统设计
指导教师方志军
完成时间2011.12.23
一、实验目的及要求：
1）实验内容：
（1）通过在网上查阅资料，熟悉OpenCV的基本数据结构。
（2）利用OpenCV进行基本图像处理，实现图像预处理，包括对图像的平滑处理，边缘检测，二次线性插值等，最后实现对车牌识别。
2）实验要求：
利用OpenCV在VC6环境下开发。
写成命令行程序，无需设计图形用户界面。
保持良好的代码风格：
可读性、注释、变量命名、缩进等
二、实验方法与步骤
1、概要设计
（1）通过在网上查阅资料，熟悉OpenCV的基本数据结构。
（2）利用OpenCV进行基本图像处理，实现图像平滑处理、图像的分割，图像边缘提取算法，从而达到对车牌识别。
2、详细设计（文件组成、数据结构及函数设计、关键算法等）
2.1在图像预处理阶段
要实现的功能是提高得到图像的质量，首先是采用平滑滤波处理消除系统噪声，之后若要采用边缘提取，则在此步中要加强边缘。
现在已有的加强边缘的方法有：
（1）利用高通滤波器加强边缘后与原图像相加。
（2）利用低通滤波器取得背景后与原图像相减；对于已经进行过边缘加强的图像，再使用一定的方法进行阈算子等提取边缘。
（3）利用CANNY算子提取边缘。
2.2车牌识别系统流程图
输出结果
2.3图像数据结构
（i）灰度化函数cvCvtColor（）；
cvCvtColor（）函数是将彩色图片转化成灰色进行处理，该灰度化函数为cvCvtColor（inputImg,grayImg,CV_BGR2GRAY）;其中inputImg是输入的车牌号图片，要求是8-bit,16-bit或32-bit单倍精度浮点数影像；grayImg是处理后的灰度图片，输出的是8-bit,16-bit或32-bit单倍精度浮点数影像；CV_RGB2GRAY是色彩空间转换指标。
在OpenCV开发手册我们可以看到cvCvtColor（src,hsv,CV_BGR2HSV）基本用法如下所示。
#include"cv.h"
#include"highgui.h"
intmain（intargc,char**argv）
{
IplImage*src;
if（argc==2&&（src=cvLoadImage（argv[1],1））!
=0）{
//计算HSV（hue色度saturation饱和度value亮度）并分解成为不同的平面
IplImage*hsv=cvCreateImage（cvGetSize（src）,8,3）;
cvCvtColor（src,hsv,CV_BGR2HSV）;
//可以更改为CV_BGR2GRAY，可以自己尝试一下
cvNamedWindow（"src",CV_WINDOW_AUTOSIZE）;
cvShowImage（"src",src）;
cvNamedWindow（"dst",CV_WINDOW_AUTOSIZE）;
cvShowImage（"dst",hsv）;
cvWaitKey（0）;
return0;
}
return0;
}
（ii）高斯滤波平滑处理函数CVSmooth（）
在数字图像处理中，由于受到成像方法的限制，图像中的边缘、细节特征等重要信息常湮没于噪声信号中，给图像的后继处理带来很大的影响。
因此对含噪声图像进行适当的预处理是图像处理中的一个重要问题，对于改善图像质量具有重要的意义。
图像去噪是图像预处理中一项应用比较广泛的技术，其作用是为了提高图像的信噪比，突出图像的期望区域
各种方法的图像平滑
voidcvSmooth（constCvArr*src,CvArr*dst,intsmoothtype=CV_GAUS
SIAN,intparam1=3,intparam2=0,doubleparam3=0）;
其中：
src输入图像.dst输出图像.smoothtype平滑方法:
.
（1）CV_BLUR_NO_SCALE（简单不带尺度变换的模糊）-对每个象素领域param1×param2求和。
如果邻域大小是变化的，可以事先利用函数cvIntegral计算积分图像。
（2）CV_BLUR（simpleblur）-对每个象素邻域param1×param2求和并做尺度变换1/（param1•param2）.
（3）CV_GAUSSIAN（gaussianblur）-对图像进行核大小为param1×param2的高斯卷积
（4）CV_MEDIAN（medianblur）-发现邻域param1×param1的中值（i.e.邻域是方的）.
（5）CV_BILATERAL（双滤波）-应用双向3x3滤波，彩色sigma=param1，空间sigma=param2.关于双向滤波，
param1:
平滑操作的第一个参数.
param2:
平滑操作的第二个参数param2为零对应简单的尺度变换和高斯模糊。
param3:
对应高斯参数的Gaussiansigma（标准差）.如果为零，这由下面的核尺寸计算。
函数cvSmooth可使用上面任何一种方法平滑图像。
每一种方法都有自己的特点以及局限。
（iii）用于对图像的边缘检测（采用canny算法）。
1.Canny边缘检测基本原理
（1）图象边缘检测必须满足两个条件：
一能有效地抑制噪声；二必须尽量精确确定边缘的位置。
（2）根据对信噪比与定位乘积进行测度，得到最优化逼近算子。
这就是Canny边缘检测算子。
（3）类似与Marr（LoG）边缘检测方法，也属于先平滑后求导数的方法。
2.voidcvCanny（constCvArr*image,CvArr*edges,doublethreshold1,doublethreshold2,intaperture_size=3）;
其中threshold1:
第一个阈,threshold2:
第二个阈值,aperture_sizeSobel:
算子内核大小.函数cvCanny采用Canny算法发现输入图像的边缘而且在输出图像中标识这些边缘。
threshold1和threshold2当中的小阈值用来控制边缘连接，大的阈值用来控制强边缘的初始分割。
3.在opencv中文论坛上我们可以找到关于Canny算法的详细过程
#include"cv.h"
#include"cxcore.h"
#include"highgui.h"
intmain（intargc,char**argv）
{
IplImage*pImg=NULL;//声明IplImage指针
IplImage*pCannyImg=NULL;
char*filename;
filename="F:
\\练习\\VC6.0\\opencv\\1.jpg";
pImg=cvLoadImage（filename,1）;//载入图像，强制转化为Gray
if（（pImg=cvLoadImage（filename,0））!
=0）{
pCannyImg=cvCreateImage（cvGetSize（pImg）,IPL_DEPTH_8U,1）;
cvCanny（pImg,pCannyImg,50,150,3）;
cvNamedWindow（"src",1）;//创建窗口
cvNamedWindow（"canny",1）;
cvShowImage（"src",pImg）;//显示图像
cvShowImage（"canny",pCannyImg）;
cvWaitKey（0）;//等待按键
cvDestroyWindow（"src"）;//销毁窗口
cvDestroyWindow（"canny"）;//释放图像
cvReleaseImage（&pImg）;
cvReleaseImage（&pCannyImg）;
return0;
}
return-1;
}
图1Canny算法处理后
（iv）cvSetImageROI（）函数
cvSetImageROI（）函数基于给定的矩形设置感兴趣区域,也就是从图片中找到我们需要的部分。
voidcvSetImageROI（IplImage*image,CvRectrect）;函数cvSetImageROI基于给定的矩形设置图像的ROI（感兴趣区域）.如果ROI是NULL并且参数RECT的值不等于整个图像,ROI被分配.不像COI,大多数的OpenCV函数支持ROI并且处理它就像它是一个分离的图像（例如,所有的像素坐标从ROI的左上角或左下角（基于图像的结构）计算。
下面用一段代码来说明cvSetImageROI函数：
#include"cv.h"
#include"highgui.h"
#include"stdio.h"
intmain（）
{
IplImage*img=cvLoadImage（"F:
\\练习\\VC6.0\\opencv\\1.jpg"）;
IplImage*img1=cvLoadImage（"F:
\\练习\\VC6.0\\opencv\\2.jpg"）;
cvSetImageROI（img1,cvRect（0,0,256,256））;//设置img1的ROI区域
cvResize（img,img1）;//缩放img图像，并将数据拷贝到img1
cvResetImageROI（img1）;//这句是必须的，在img1的ROI区域显示img
cvNamedWindow（"img1",1）;
cvShowImage（"img1",img1）;
cvWaitKey（0）;
cvDestroyAllWindows（）;
return0;
}
图2处理前图3处理后
3、程序的运行与实现
本程序采用的是一种很简单的识别方法，即将分割出的字符与模板想比较，得到结果图像后检测图像中非零像素的个数，当个数最少时即判定为匹配图像。
因为模板的大小是22*14的，所以需要将所得分割字符统一大小，之后再相比较，检测最小值。
具体实现方面还是让我痛苦了一段时间，如何用循环实现字符自动匹配和字符的显示比较的困难。
后来我采用的方法是建立字符串数组存储模板图片的文件名，利用数组来自动匹配，显示方面我采用将汉字分成若干个SWITCH语句，利用数组中的数字表示汉字序数，不同的序数执行不同的分支程序。
图4原图像
图5分割结果
三、实验感想
我的这套车牌识别系统是基于opencv建立的，在网上虽然有很多matlab的识别程序，但真正用opencv而非直接使用VC识别的系统很少，所以我采用的方法是在借鉴matlab程序的思路的基础上，自己搭建一个VC平台，其中的模块很多是在网上找的，但他们之间的连接和搭配，以及一些方法的选择也加入了我自己的想法。
通过这次的大作业，我对于图像处理课上讲授的内容有了更深的理解，对一些算法的应用有了更深的感受，比如开闭操作、投影直方图和最佳全局阈值等，而且在这个过程中，也熟悉了opencv和VC的编程方法，真的是收益良多。
四、附录
源代码
#include
#include
#include
#include
usingnamespacestd;
#pragmacomment（lib,"cv.lib"）
#pragmacomment（lib,"cxcore.lib"）
#pragmacomment（lib,"highgui.lib"）
#defineT27
#defineT12
#defineS（image,x,y）（（uchar*）（image->imageData+image->widthStep*（y）））[（x）]//S
voidmain（）
{
IplImage*src;
IplImage*pImg8u=NULL;//灰度图
IplImage*pImg8uSmooth=NULL;//高斯滤波后的图
IplImage*pImgCanny=NULL;//二值化的图
IplImage*pImgHist=NULL;//直方图
inthist_size=155;
floatrange_0[]={0,256};
float*ranges[]={range_0};
inti,j,bin_w;
floatmax_value,min_value;
intmin_dx,max_dx;
introw_start,row_end;//用来记录车牌开始，结束行
intcol_start,col_end;//用来记录车牌开始，结束列
intcount=0;//用来记录行或列的白点个数
src=cvLoadImage（"8.jpg",-1）;
pImg8uSmooth=cvCreateImage（cvGetSize（src）,IPL_DEPTH_8U,1）;
pImg8u=cvCreateImage（cvGetSize（src）,IPL_DEPTH_8U,1）;
pImgCanny=cvCreateImage（cvGetSize（src）,IPL_DEPTH_8U,1）;
cvCvtColor（src,pImg8u,CV_RGB2GRAY）;//灰度化
cvSmooth（pImg8u,pImg8uSmooth,CV_GAUSSIAN,3,0,0）;//高斯滤波
cvCanny（pImg8uSmooth,pImgCanny,100,200,3）;//二值化
row_start=0;
row_end=0;
col_start=0;
col_end=0;
introw[120];
intcol[340];
intk;
k=0;
boolflag=false;
for（j=0;jheight;j++）//找到上行开始
{
count=0;
for（i=0;iwidth-1;i++）
{
if（S（pImgCanny,i,j）!
=S（pImgCanny,i+1,j））//统计行跳数
count++;
if（count>T）
{
row[k]=j;
k++;
break;
}
}
}
for（i=0;i{
if（（row[i]==row[i+1]-1）&&（row[i+1]==row[i+2]-1））{
row_start=row[i];
break;
}
}
cout<<"thestartrow:
"<cvLine（pImg8u,cvPoint（0,row_start）,cvPoint（src->width,row_start）,cvScalar（255,0,0）,1,8,0）;
for（i=k-1;i>row_start;i--）//从下边开始，3行连续时认为是起始行
{
if（（row[i]==row[i-1]+1）&&（row[i-1]==row[i-2]+1））{
row_end=row[i];
break;
}
}
cout<<"theendrow:
"<cvLine（pImg8u,cvPoint（0,row_end）,cvPoint（src->width,row_end）,cvScalar（255,0,0）,1,8,0）;
flag=false;
for（i=10;iwidth;i++）//找到左列开始
{
count=0;
for（j=row_start;j{
if（S（pImgCanny,i,j）==255）
count++;
if（count>T1）
{
col_start=i;
flag=true;
break;
}
}
if（flag）break;
}
cout<<"thestartcol:
"<cvLine（pImg8u,cvPoint（col_start,row_start）,cvPoint（col_start,row_end）,cvScalar（255,0,0）,1,8,0）;
flag=false;
for（i=pImgCanny->width-10;i>col_start;i--）//找到右列开始
{
count=0;
for（j=row_start;j{
if（S（pImgCanny,i,j）==255）
count++;
if（count>T1）
{
col_end=i;
flag=true;
break;
}
}
if（flag）break;
}
cout<<"theendcol:
"<cvLine（pImg8u,cvPoint（col_end,row_start）,cvPoint（col_end,row_end）,cvScalar（255,0,0）,1,8,0）;
CvRectROI_rect;//获得图片感兴趣区域
ROI_rect.x=col_start;
ROI_rect.y=row_start;
ROI_rect.width=col_end-col_start;
ROI_rect.height=row_end-row_start;
IplImage*pImg8uROI=NULL;//感兴趣的图片
cvSetImageROI（pImg8u,ROI_rect）;
pImg8uROI=cvCreateImage（cvSize（ROI_rect.width,ROI_rect.height）,IPL_DEPTH_8U,1）;
cvCopy（pImg8u,pImg8uROI）;
cvResetImageROI（pImg8u）;
intnWidth=409;//（409,90）分别为感兴趣图像的宽度与高度
intnHeight=90;
IplImage*pImgResize=NULL;//归一化的灰度图
pImgResize=cvCreateImage（cvSize（nWidth,nHeight）,IPL_DEPTH_8U,1）;
cvResize（pImg8uROI,pImgResize,CV_INTER_LINEAR）;//线性插值
intnCharWidth=45;
intnSpace=12;
for（i=0;i<7;i++）//得到每个字符的双边界
{
switch（i）{
case0:
case1:
col[i*2]=i*nCharWidth+i*nSpace;
col[i*2+1]=（i+1）*nCharWidth+i*nSpace;
break;
case2:
case3:
case4:
case5:
case6:
col[i*2]=i*nCharWidth+i*nSpace+22;
col[i*2+1]=（i+1）*nCharWidth+i*nSpace+22;
break;
}
}
for（i=0;i<14;i++）//画出每个字符的区域
{
cvLine（pImgResize,cvPoint（col[i],0）,cvPoint（col[i],nHeight）,cvScalar（255,0,0）,1,8,0）;
}
IplImage*pImgCharOne=NULL;
IplImage*pImgCharTwo=NULL;
IplImage*pImgCharThree=NULL;
IplImage*pImgCharFour=NULL;
IplImage*pImgCharFive=NULL;
IplImage*pImgCharSix=NULL;
IplImage*pImgCharSeven=NULL;
pImgCharOne=cvCreateImage（cvSize（nCharWidth,nHeight）,IPL_DEPTH_8U,1）;
pImgCharTwo=cvCreateImage（cvSize（nCharWidth,nHeight）,IPL_DEPTH_8U,1）;
pImgCharThree=cvCreateImage（cvSize（nCharWidth,nHeight）,IPL_DEPTH_8U,1）;
pImgCharFour=cvCreateImage（cvSize（nCharWidth,nHeight）,IPL_DEPTH_8U,1）;
pImgCharFive=cvCreateImage（cvSize（nCharWidth,nHeight）,IPL_DEPTH_8U,1）;
pImgCharSix=cvCreateImage（cvSize（nCharWidth,nHeight）,IPL_DEPTH_8U,1）;
pImgCharSeven=cvCreateImage（cvSize（nCharWidth,nHeight）,IPL_DEPTH_8U,1）;
CvRectROI_rect1;
ROI_rect1.x=col[0];
ROI_rect1.y=0;
ROI_rect1.width=nCharWidth;
ROI_rect1.height=nHeight;
cvSetImageROI（pImgResize,ROI_rect1）;
cvCopy（pImgResize,pImgCharOne,NULL）;//获取第1个字符
cvResetImageROI（pImgResize）;
ROI_rect1.x=col[2];
ROI_rect1.y=0;
ROI_rect1.width=nCharWidth;
ROI_r
升级会员 