图像滤噪以及车牌识别Word文件下载.docx

1、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3 100-175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5 120-140区

2、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

3、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

4、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

5、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:UserszhangkunDesktop4.bmpyuantu=rgb2gray（yuantu1）;figure（1）;imhist（yuantu,256）;axis（0 255 0 1e5）;title（原图直方图I=imadjust（yuantu,0.39 0.7,0 1.0）;figure（2）;imshow（I）;figure（3）;imhist（I,256）;直方图均衡化后的直方图clear;clc;I

6、=imread（UserszhangkunDesktop6.jpgsubplot（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）;for i=1:Mfor j=1:N D（i,j）=（i-n1）.2+（j-n2）.2）; H（i,j）=（rH-rL）.*（exp（c*（-D（i,j）./（d02）+rL;%endI2=ifft2（H.*FI）; I3=real（exp（I2）;subplot（122）;imshow（I3

7、,）;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UserszhangkunDesktop2.bmpn3=20;k=1 1;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UserszhangkunDesktop7.tiflen= 8;theta = pi;,len,theta）;imshow（Motion_Blur）;模糊图像J=deconvw

8、nr（Motion_Blur,PSF）;imshow（J）;维纳滤波BlurredC=imfilter（I,PSF,symmetricV=0.002;BlurredNoisy=imnoise（BlurredC,0,V）;Luc=deconvlucy（BlurredNoisy,PSF,5）;imshow（Luc）;Lucy-Richardson滤波2.4车牌识别UserszhangkunDesktop1.jpgI2=edge（I,robertsimshow（I2）;fushi=1;1;I3=imerode（I2,fushi）;imshow（I3）;se1=strel（rectangle,24,2

9、4）;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）;for ii=1:y for jj=1:x if（i6（ii,jj,1）=1） Y1（ii,1）=Y1（ii,1）+1; endtemp,MaxY=max（Y1）;figure,plot（1:y,Y1）;PY1=MaxY;while（Y1（PY1,1）=50）&（PY11） PY1=PY1-1;PY2=MaxY;while（Y1（PY2,1）（PY2y） PY2=PY2+1;X1=zeros（1,x）;for jj=1: for ii=PY1:PY2 X1（1,jj）=X1（1,jj）+1;x,X1）;PX1=1;while（X1（1,PX1）15）&（PX1x） PX1=PX1+1;PX2=x;while（X1（1,PX2）PX1） PX2=PX2-1;PX1=PX1-1;PX2=PX2+1;dw=I（PY1:PY2,PX1:PX2,:figure,imshow（dw）;