多媒体制作技术大作业Word格式文档下载.docx

1、#include cv.hhighgui.hint main（int argc, char* argv） IplImage *src; if （argc = 2 &（src = cvLoadImage（argv1,1） != 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_AUTO

2、SIZE）; cvShowImage（,src）;dst,hsv）; cvWaitKey（0）; return 0; （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void cvSmooth（ const CvArr* src, CvArr* dst, int sm

3、oothtype=CV_GAUSSIAN,int param1=3, int param2=0, double param3=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 param1param2 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 （simple blur） - 对每个象素邻域 param1param2 求和并做尺度变换 1/（param1param2）.（3）CV_GAUSSIAN （gaussian

4、 blur） - 对图像进行核大小为 param1param2 的高斯卷积（4）CV_MEDIAN （median blur） - 发现邻域 param1param1 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 Gaussian sigma （标准差）. 如果为零，这由下面的核尺寸计算。函数 cvSmooth

5、 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.void cvCanny（ const CvArr* image,CvArr* edges,double threshold1,double threshold2, int aperture_

6、size=3 ）;其中threshold1:第一个阈,threshold2:第二个阈值,aperture_size Sobel: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 cxcore.h int main（ int argc, char* argv ） IplImage* pImg = NULL; /声明IplImage指针 IplIm

7、age* pCannyImg = NULL; char *filename; filename= F:练习VC6.0opencv1.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）;, 1）; /创建窗口 cvNamedWindow（canny,1）; cvShowIm

8、age（ , pImg ）; /显示图像 cvShowImage（ , pCannyImg ）; /等待按键 cvDestroyWindow（ ）; /销毁窗口 /释放图像cvReleaseImage（ &pImg ）; cvReleaseImage（ &pCannyImg ）; return -1;图1 Canny 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。void cvSetImageROI（ IplImage* image, CvRect rect ）;函数 cvSetImag

9、eROI 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：stdio.hint main（） IplImage *img=cvLoadImage（F:练习VC6.0opencv1.jpg）; IplImage *img1=cvLoadImage（练习VC6.0opencv2.jpg cvSetImageR

10、OI（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imgimg1,img1）; cvDestroyAllWindows（）;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

11、。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

12、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 cxcore.hhighgui.hiostreamusing namespace std;#pragma comment（lib,cv.lib）cxcore.libhighgui.lib#define T 27#define T1 2#define S（image,x,y） （uchar*）（imag

13、e-imageData + image-widthStep*（y）（x） /Svoid main（） 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 int hist_size=155; float range_0=0,256; float *ranges=range_0; int i,j,bin_w; float max_value,min_value; int min_dx,max_

14、dx; int row_start,row_end;/用来记录车牌开始，结束行 int col_start,col_end;/用来记录车牌开始，结束列 int count=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）; cvC

15、vtColor（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; int row120; int col340; int k; k=0; bool flag=false; for（j=0;jheight;j+） /找到上行开始 count=0; for（i=0;iT） rowk=j; k+

16、; break; for（i=0;k;i+） /从上边开始，3行连续时认为是起始行 if（rowi=rowi+1-1）&（rowi+1=rowi+2-1） row_start=rowi; break; coutthe start row:row_startwidth,row_start）,cvScalar（255,0,0）,1,8,0）; for（i=k-1;irow_start;i-） /从下边开始，3行连续时认为是起始行 if（rowi=rowi-1+1）&（rowi-1=rowi-2+1） row_end=rowi;the end row:row_endwidth,row_end）,cv

17、Scalar（255,0,0）,1,8,0）; flag=false; for（i=10;width;i+） /找到左列开始 for（j=row_start;row_end;j+） if（S（pImgCanny,i,j）=255）T1） col_start=i; flag=true; if（flag） break;the start col:col_startwidth-10;col_start;i-） /找到右列开始 col_end=i;the end col:col_end cvLine（pImg8u,cvPoint（col_end,row_start）,cvPoint（col_end,r

18、ow_end）,cvScalar（255,0,0）,1,8,0）; CvRect ROI_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.heig

19、ht）,IPL_DEPTH_8U,1）; cvCopy（pImg8u,pImg8uROI）; cvResetImageROI（pImg8u）; int nWidth=409;/（409,90）分别为感兴趣图像的宽度与高度 int nHeight=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 int nCharWidth=45;

20、 int nSpace=12;7;i+） /得到每个字符的双边界 switch（i） case 0: case 1: coli*2=i*nCharWidth+i*nSpace; coli*2+1=（i+1）*nCharWidth+i*nSpace; case 2: case 3: case 4: case 5: case 6: coli*2=i*nCharWidth+i*nSpace+22; coli*2+1=（i+1）*nCharWidth+i*nSpace+22;14;i+） /画出每个字符的区域 cvLine（pImgResize,cvPoint（coli,0）,cvPoint（coli

21、,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

22、_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）; pImgChar

23、Six=cvCreateImage（cvSize（nCharWidth,nHeight）,IPL_DEPTH_8U,1）; pImgCharSeven=cvCreateImage（cvSize（nCharWidth,nHeight）,IPL_DEPTH_8U,1）; CvRect ROI_rect1; ROI_rect1.x=col0; 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=col2; ROI_r