畢業(yè)論文-基于模板匹配的模糊數字識別研究

1、<p><b>　　摘 要</b></p><p>　　隨著經濟的迅速發(fā)展，公路建設項目與日俱增，公路交通的安全運營問題顯得越來越突出。如何使公路交通管理科學化、現代化、智能化已成為公路交通管理部門的首要問題。本文通過對車牌模糊數字圖像的深入研究，提出了圖像處理算法與實現方案；分析了數字模糊車牌識別的基本方法</p><p>　　圖像匹配是計算機視覺和圖像處

2、理領域中一項非常重要的工作。本文針對圖像匹配方法進行了深入細致的研究。模糊數字是交通系統(tǒng)的重要組成部分，主要涉及模式識別、數字圖像處理、計算機應用和人工智能等科學。模板匹配的數字識別過程主要由提取模糊車牌數字、數字圖像預處理、數字識別組成。文中主要對車牌數字進行了研究，并在MATLAB環(huán)境下進行了相應的實驗。文中在模糊車牌數字識別中，主要采用了基于模板匹配的車牌數字識別方法。首先，將不同模糊程度的車牌數字存儲在電腦中備用，然后將待識別的

3、模糊車牌數字進行灰度化、二值化，接著將歸一化后的數字與電腦中的模糊數字進行匹配。文中選擇的匹配方法是將待識別數字與電腦中存儲的模板逐一進行差運算（或者平方差運算，互相關系數運算，歸一化互相關系數運算）。進行運算后求出最小值，從而得出識別結果</p><p>　　關鍵詞：圖像采集；模糊數字模板；模板匹配；數字識別；MATLAB。</p><p><b>　　Abstract<

4、/b></p><p>　　Digital Fuzzy Recognition for traffic safety, traffic management and control scheme selection has very important theoretical and practical value. Through video image detection and recognition

5、, you can pay for the road Flow, traffic and other captured blurred video, image processing and analysis, extraction of traffic flow information (traffic lane representing any rate, speed, etc.).</p><p>　　An

6、alysis identifies blurred image by the video, but also the phenomenon of traffic violations can be detected in real time, identifying illegal vehicle's license plate number, provide strong evidence for the enforcemen

7、t of public security traffic management department. This paper studies a lot of traffic image processing technology, and propose effective, practical and fast recognition algorithm. Thesis research are: analysis of diff

8、erent digital image blur characteristics, fuzzy digital templa</p><p><b>　　目錄</b></p><p>　　前言............................................1</p><p><b>　　緒論</b>

9、</p><p>　　模板匹配的模糊數字識別的概念.............</p><p>　　1.1.1模板匹配概念及現狀...................</p><p>　　1.1.2 模糊數字圖像概念及內容</p><p>　　模板匹配的模糊數字識別現狀及發(fā)展前景....</p><p>　　1.2.1模

10、板匹配分類.......................</p><p>　　1.2.2模糊數字圖像分類.......................</p><p>　　模板匹配的模糊數字識別主要應用領域..... ..</p><p>　　本文主要內容與安排.......................</p><p>　　基于模板匹配的

11、模糊數字別...................</p><p>　　2.1 模糊圖像收集.......................</p><p>　　2.2 模糊圖像特點分析.......................</p><p>　　2.3建立不同模糊程度的數字模板................</p><p>　　2.3.

12、1二值化.......................</p><p>　　2.3.2去噪.......................</p><p>　　2.3.3建立模板.......................</p><p>　　2.4匹配識別預處理.......................</p><p>　　2.4.1

13、灰度化.......................</p><p>　　2.4.2清晰化.......................</p><p>　　2.4.2.1運動模糊處理.................</p><p>　　2.4.2.2模糊數字圖像增強.............</p><p>　　2.4.2.3直方圖均衡化

14、..................</p><p>　　2.4.3傾斜調整.......................</p><p>　　2.4.4大小調整.......................</p><p>　　小結.......................</p><p>　　2.5 匹配識別.............

15、..........</p><p>　　2.5.1基于像素平方和的匹配原理.........</p><p>　　2.5.2基于互相關的匹配原理.............. 2.5.32.歸一化互相關匹配原理...................</p><p>　　第三章 改進的匹配算法.......................</p>

16、;<p>　　3.1 模板修改.......................</p><p>　　3.2 匹配算法改進.......................</p><p>　　3.2.1 算法原理.......................</p><p>　　3.2．2仿真實現.......................</p&g

17、t;<p>　　結論.......................</p><p>　　參考文獻.......................</p><p><b>　　前言</b></p><p>　　科技和經濟的飛速發(fā)展，使得人們的生活節(jié)奏不斷加快。因此，汽車已經成為人們生活中不可或缺的重要組成部分。而現實生活中，存在著多種

18、多樣的可被我們感知的信號，其中，人的80％以上的信息來源是通過視覺系統(tǒng)獲得的。人類通過眼睛和大腦來獲取、處理與理解視覺信息的。周圍環(huán)境中的物體在光線刺激作用下，在人眼的視網膜上形成圖像，由感光細胞轉換成神經脈沖信號，經神經纖維傳入大腦皮層進行處理、理解。視覺，不僅指對光信號的感受，還包括了對視覺信息的獲取、傳輸、處理、存儲與理解全過程。</p><p>　　人和高等動物都有著發(fā)達的視覺系統(tǒng)，使得客觀環(huán)境中存在的事

19、物或目標可</p><p>　　以被識別，從而引發(fā)進一步處理。對于人類來說，這種功能是與身俱來的，十</p><p>　　分輕松的事情。信號處理理論與計算機出現以后，人們試圖用相機獲取環(huán)境圖</p><p>　　像并將其轉換成數字信號，用計算機實現對視覺信息處理全過程，這樣，就形</p><p>　　成了一門新興的學科-計算機視覺。一般的機器

20、視覺系統(tǒng)都是在某一領域內作</p><p>　　用，故待識別目標是特定領域內的，而且類型有限，于是可以作一個樣本庫</p><p>　　容納可能出現的目標類型模板。在判斷輸入的圖像是什么時，就可以將輸入的圖</p><p>　　像與存儲的樣本庫進行匹配比較，進行判斷識別。</p><p>　　在一些場合，需要對目標進行空間上定位。多數應用場合

21、下，給出</p><p>　　了一個樣本圖像，它包含著一個特定的目標對象，如實際物體， 符號或字符等等，需要從另一幅包含目標實際背景圖像中尋找這個目標對象的位置，進行定位，也就是判斷這幅背景圖像或它的一部分是不是我們所要尋我的目標，這時就需要用到圖像匹配技術。而有些時候，所相機所攝取的圖像模糊或者過于模糊以至于人眼無法識別，這時就得通過清晰化處理或者特征提取，為人眼辨別提供辨別依據。隨著科學技術的發(fā)展，圖像匹配技

22、術已經成為現代信息處理領域中</p><p>　　的一項極為重要的技術，在許多領域內有著廣泛而實際的應用。因此，做好對圖</p><p>　　像匹配技術的深入研究，對推動現代信息處理領域的發(fā)展，是密切聯系的。</p><p>　　我們生活環(huán)境中所有自然景物都是立體圖像，它們都是由可見光形成，都是人類視覺可以觀察到的圖像，因此稱為可見圖像。由X射線、紅外線、微波和超聲

23、波等形成的某種物理量平面或空間分布圖是人類視覺不能直接接受的，因此稱為不可見物理圖像。 </p><p>　　圖像處理技術基本可以分為兩類：模擬圖像處理、數字圖像處理。</p><p>　　模擬圖像處理（Analog Image Processing）主要包括光學處理、電子處理。照相、遙感圖像處理等就是模擬圖像處理。模擬圖像處理的特點就是速度快，理論上可以達到光速，并可以同時進行并行處理。

24、但是，模擬圖像處理的缺點是精度較差、靈活性較差、容量大，很難擁有判斷能力和非線性處理能力。</p><p>　　數字圖像的概念:一幅圖像可以定義為一個二維函數 f (x, y)，其中x和y是空間坐標，而在任何一對空間坐標(x, y)上的幅值 f 稱為該點圖像的強度或者灰度。當 x ， y 和幅值 f 為有限的、離散的數值時，稱該圖像為數字圖像。圖像其實是一種二維連續(xù)函數，即它的亮度是其位置的連續(xù)函數。為了得數字圖

25、像， 從而使其可以通過計算機進行數字處理，首先要對圖像在空間上和亮度上進行數字化?？臻g位置上的數字化使用一個有限的數列或數陣來表示一副連續(xù)圖像，稱為取樣，這些數就稱為樣本。而亮度上的數字化即是將亮度取離散值，稱為量化。 同樣，可以將取樣和量化理解為：一幅連續(xù)圖像 ，要把它轉換為數字形式。 該幅圖像的和坐標及幅度可能都是連續(xù)的。為了把它轉換為數字形式，必須在坐標和幅度上都做取樣操作。數字化坐標值稱為取樣，數字化幅度值稱為量化。yxf( x

26、 ,y )產生一幅數字圖像的取樣和量化過程。</p><p><b>　　第一章 緒論</b></p><p>　　1.1基于模板匹配的模糊數字識別的概念</p><p>　　1.1.1模板匹配概念及現狀</p><p>　　模板匹配:把不同傳感器或同一傳感器在不同時間、不同成像條件下對同一景物獲取的兩幅或多幅圖像在空間

27、上對準,或根據已知模式到另一幅圖中尋找相應模式的處理方法就叫做模板匹配。 簡單而言，模板就是一幅已知的小圖像。模板匹配就是在一幅大圖像中搜尋目標。已知該圖中有要找的目標，且該目標同模板有相同的尺寸、方向和圖像，通過一定的算法可以在圖中找到目標，確定其坐標位置,得出匹配結果。早期圖像匹配技術主要用于幾何校正后多波段遙感圖像的套準，借助于求互相關函數極值來實現。如在遙感圖像處理中把不同波段的傳感器對同一景物的多光譜圖像按像點的性質進行對應套

28、準，然后根據像點的性質進行地物分類，如果利用在不同時間對同一地面拍攝的兩幅照片，經套準后找出其中特征有了變化的點，就可以用來分析圖中哪些部分發(fā)生了變化。匹配研究及到許多相關的知識領域，如圖像預處理、圖像采樣、特征提取等，并且將計算機視覺、數值計算等緊密結合在一起。圖像匹配技術與圖像融合、圖像匹配等研究方向密切相關，是圖像理解和圖像復原等領域的研究基礎。圖像匹配技術在諸多領域內有著廣泛應用，其中包括：地圖匹配，飛機導航，武器投射系統(tǒng)的末制

29、導，光學和雷達的圖像模板</p><p>　　模板匹配的工作方式跟直方圖的反向投影基本一樣，大致過程是這樣的：通過在輸入圖像上滑動圖像塊對實際的圖像塊和輸入圖像進行匹配。假設我們有一張100x100的輸入圖像，有一張10x10的模板圖像，查找的過程是這樣的： （1）從輸入圖像的左上角(0,0)開始，切割一塊(0,0)至(10,10)的臨時圖像； （2）用臨時圖像和模板圖像進行對比，對比結果

30、記為c； （3）對比結果c，就是結果圖像(0,0)處的像素值；  （4）切割輸入圖像從(0,1)至(10,11)的臨時圖像，對比，并記錄到結果圖像； （5）重復（1）～（4）步直到輸入圖像的右下角。</p><p>　　1.2．1模糊圖像概念及內容</p><p>　　模糊數字圖像處理：主要是對模糊車牌數字處理，通過獲取車牌模糊數字并對其清晰化。數字圖像

31、恢復是數字圖像處理的重要組成部分，在航空航天技術、交通、軍事公安、機器人視覺等許多方面有廣泛應用。在圖像拍攝過程中，由于景物與成像系統(tǒng)的由于某種條件的改變會導致圖像模糊，尤其是在車牌模糊數字成像得到了廣泛的研究。在數字圖像處理過程中，經常需要對數字的品質做出評價，圖像的品質包括倆方面：一方面是該圖像與標準圖像相比的偏離情況，即是保真度。雖然定量貧家圖像品質具有重要作用。但是由于其中包含了許多人工智能的概念并設計組多領域的只是。研究的難度

32、很大。到目前為止，對于圖像的保真度已有較多的研究，但是對于圖像品質的模糊度還缺乏成熟的算法，需要進一步研究。</p><p>　　模糊圖像的內容：在成像系統(tǒng)中,成像面獲得的圖像可以認為是原始像場景與成像系統(tǒng)的點擴散函數的卷積。光學成像系統(tǒng)相當于一個低通濾波器，且其截止頻率域系統(tǒng)的離散程度相關，即系統(tǒng)離焦量越大，則截止頻率越低，圖像越模糊。以上僅僅是對成像系統(tǒng)離焦模糊的原因進行了分析，在可能引起圖像模糊的其他應用中

33、，列如圖像壓縮圖像平滑濾波等。圖像的模糊也都是因為高頻分量的丟失造成或者細節(jié)不清晰。綜上所述，清晰圖像比模糊圖像有更豐富的細節(jié)信息，即高頻分量，所以通過衡量圖像包含高頻信息的多少來評價圖像的清晰度。</p><p>　　模糊圖像的評價標準：清晰的圖像比模糊的圖像含有更豐富的細節(jié)信息，即高頻分量。故可以通過衡量圖像包含高頻信息的多少來評價圖像清晰度。在當前的大多數自動調焦系統(tǒng)中，也都是通過計算圖像高頻分量的多少（列

34、如梯度平方和和能量熵）來進行調焦判斷。但是調焦函數的輸出范圍是無界的，不能評價圖像清晰度。結合光學系統(tǒng)成像模型，如今提出了一種評價高頻分量多少的方法——NRSS。對原始圖像進行低通濾波得到一度參考圖像，計算參考圖像與待評價圖像的結構相似度。顯然，清晰圖像由于包含大量高頻信息，故經過低通濾波之后損失成分多，得到的結構相似度就小。模糊圖像剛好相反。這種方法很好地結合了成像系統(tǒng)的數學模型和SSM評價評價方法的優(yōu)點。實驗證明該方法評價結果符合人

35、類主觀評價結果。</p><p>　　1.2基于模板匹配的模糊數字識別分類</p><p>　　1.2.1 模板匹配分類</p><p>　　1平方差匹配法：該方法采用平方差來進行匹配；最好的匹配值為0；匹配越差，匹配值越大。  2相關匹配法：數值越大表明匹配程度越好。該方法不直接利用特征點鄰域的灰度值，而是依據特征點鄰域像素灰度值的互相關系數

36、（Cross Correlation）為匹配原則進行匹配?；舅悸啡缦拢悍謩e在參考圖像和待配準圖像中以每一個特征點為中心取一個(2N+1)×(2N+1)大小的相關窗，然后以參考圖像中的每個特征點為參考點在待配準圖像中尋找對應匹配點，匹配的依據是計算特征點相關窗之間的相關系數，數值越大表明匹配程度越好。  3相關系數匹配法：這類方法將模版對其均值的相對值與圖像對其均值的相關值進行匹配,1表示完美匹配,-1表

37、示糟糕的匹配,0表示沒有任何相關性。</p><p>　　4歸一化平方差匹配法：</p><p>　　5歸一化相關匹配法：歸一化的目的就是消除上述方法對于光照變化敏感的 問題。歸一化互相關法優(yōu)缺點：</p><p>　　1）該方法較好地解決了對于光照變化敏感的問題。</p><p>　　2）矩形窗口的選用仍然是該類法的缺憾。所以這種方法只

38、適合于具有平移和小角度旋轉關系的圖像配準。 </p><p>　　6歸一化相關系數匹配法：通常,隨著從簡單的測量(平方差)到更復雜的測量(相關系數),我們可獲得越來越準確的匹配(同時也意味著越來越大的計算代價). 最好的辦法是對所有這些設置多做一些測試實驗,以便為自己的應用選擇同時兼顧速度和精度的最佳方案。</p><p>　　1.2.2 模糊數字圖像分類</p><p

39、>　　動感模糊：由于攝像機與拍攝物體存在相對運動所產生的模糊，在監(jiān)控錄像中最為常見的一種模糊圖像。</p><p>　　高斯模糊：“高斯”是指將加權平均應用于像素時生成的鐘形曲線。</p><p>　　進一步模糊：“進一步模糊”生成的效果比“模糊”濾鏡強三到四倍。</p><p>　　徑向模糊：旋轉相機所產生的模糊效果。</p><p>

40、;　　特殊模糊：產生一種清晰邊界的模糊。能夠找到圖像邊緣并只模糊圖像邊界線以內的區(qū)域。</p><p>　　鏡頭模糊：圖像中的一些對象在焦點內，使一些區(qū)域變模糊。</p><p>　　表面模糊：所謂的表面模糊指的是當拍攝景物時由于天氣條件的影響，使得拍攝到的物體感覺表面蒙了一成霧或者灰層，使得圖像分辨不清 </p><p>　　1.3基于模板匹配的模糊識別主要應用領

41、域</p><p>　　經濟學：伴隨著各門學科，尤其是人文、社會學科及其他“軟科學”的不斷發(fā)展，數學化、定量化的趨勢也開始在這些領域中顯現。模糊識別不再簡單局限于自然科學的應用，同時也被應用到社會科學，特別是經濟管理學科方面。</p><p>　　如陳守煜(2001)提出了可持續(xù)發(fā)展系統(tǒng)評價的模糊識別的模型和方法，其中包括確定評價指標權向量的模糊安全決策原理與方法。該模型和方法可用于社會經

42、濟、生態(tài)環(huán)境、資源、能源等可持續(xù)發(fā)展系統(tǒng)的評價。陳守煜(2002)依據經濟區(qū)劃時“中心城市”概念的模糊性，提出確定中心城市的模糊識別模型。他還提出了確定多目標指標權重的模糊決策分析法，通過確定指標對模糊概念“重要性”的相對隸屬度來確定目標權重，避免了權重的主觀性。張守鳳等(2003)以三角模糊數來表示模糊概念，提出一種新的多層多級模糊模式識別模型，并運用該模型對某企業(yè)競爭力進行模糊綜合評判和模式識別。在傳統(tǒng)的模糊識別基礎上，王穎(200

43、4)運用正態(tài)隸屬云代替?zhèn)鹘y(tǒng)模糊識別方法中精確的隸屬函數，構建了相關正態(tài)云模型，對云理論在經濟管理領域中的應用做了初步探討，并對企業(yè)市場競爭性定位進行識別，克服了由于隸屬度確定的惟一性所導致的最終失去模糊性的理論缺陷，從而使獲得的判識結論更加合理且貼近實際。王忠彬等(2004)運用系統(tǒng)與模糊分析相結合的方法，首先將金融機構面臨的資產風險分解成若干個風險因素子系統(tǒng)；然后以金融理論為指導建立各子系統(tǒng)風險因素評薦的隸屬度</p>

44、<p>　　公共財政：公共財政是國家(政府)為主體的經濟活動(分配活動)，是一種著眼于滿足社會公共需要的經濟活動或分配活動。社會公共需要決定著公共財政的存在，決定著公共財政的活動范圍和活動效果。公共財政應著眼于滿足社會成員的公共需要，而不應該超越市場的力量去滿足社會成員的私人需要。</p><p>　　對公共財政情況的判斷，從實際的意義上講，需要綜合考慮兩方面的問題：一是對公共財政的狀態(tài)作出綜合判斷，確

45、定公共財政此時處于何種情況，以利于采取相應的措施；二是對公共財政管理中出現的多種情況進行優(yōu)劣排序，判斷狀況好壞，以利于積累管理中的經驗并補充調研資料。這兩類問題同時又是相互聯系的，后者為前者提供了更周密詳盡的判斷依據。</p><p>　　鑒于公共財政優(yōu)劣評價具有模糊性，因此可以將模糊識別理論用于優(yōu)劣評價中，對評估指標體系進行設計，利用模糊識別理論的方法，對公共支出情況作綜合評價并對10個省份的公共支出情況作出綜

46、合排序。</p><p><b>　　(1)模型建立</b></p><p>　　首先，需要確定用來作判斷的指標體系，也就是確定進行模糊識別的論域X。</p><p>　　本文將我國公共財政中的公共支出情況作為識別的對象，這里，我們將研究的口徑確定在10個省份(北京、上海、浙江、廣東、山西、湖北、湖南、陜西、云南、甘肅)，并且將財政支出系統(tǒng)模糊

47、確定為基本建設支出、農林業(yè)支出、教育支出、醫(yī)療衛(wèi)生支出、社會保障補助支出、行政管理支出、公檢法司支出以及專項支出等幾個子塊組成，由它們構成論域X={基本建設支出、農林業(yè)支出、教育支出、醫(yī)療衛(wèi)生支出、社會保障補助支出、行政管理支出、公檢司支出、專項支出}。</p><p>　　根據模糊模式識別的基本原則，結合公共財政管理長期的經驗積累和實際情況，可以建立論域X上的一系列模糊子集，這一系列的模糊子集分別表示公共財政管

48、理的各種不同的模糊狀態(tài)。根據上述假設，令j=10，那么，模糊子集A</p><p>　　根據模糊識別矩陣規(guī)定閥值λ，依據閥值原則，可以得到入截矩陣R，從而可選擇出最優(yōu)的向量。去掉該向量，重復此方法可依次得出此優(yōu)向量。</p><p><b>　　(2)數據收集</b></p><p>　　以我國10個省份(北京、上海、浙江、廣東、山西、湖北、湖

49、南、陜西、云南、甘肅)的公共財政支出(基本建設支出、農林業(yè)支出、教育支出、醫(yī)療衛(wèi)生支出、社會保障補助支出、行政管理支出、公檢法司支出、專項支出)為口徑加以研。</p><p>　　1.4本文主要內容與安排</p><p>　　在查閱文獻了解有關視頻監(jiān)控及圖像處理技術的基礎上，分析不同模糊程度圖像中的數字特點，建立模糊數字模板，探索模糊數字的自動識別方法。在嚴重模糊情況下不要求識別絕對準確，

50、只要求通過技術分析為人眼辨識提供借鑒。</p><p>　　本論文旨在運用模式識別理論，通過對監(jiān)控圖像進行適當處理和建立模糊數字字符模板，研究基于模板匹配的模糊數字識別方法，以期提高視頻監(jiān)控效果，更好地維護社會治安和人民生命財產安全</p><p>　　第二章，2.1節(jié)主要講述模糊數字識別模糊數字圖像收集，2.2節(jié)模糊數字圖像頻譜分析特點分析和灰度直方圖分析，了解不同模糊程度不同數字的特點

51、;2.3闡述了通過收集的模糊圖像制作不同模糊程度模糊模板的過程，2.4節(jié)講述匹配識別前待識別模糊數字圖像處理方法。</p><p>　　第三章，3.1節(jié)修改模板庫。3.2節(jié)主要講改進匹配算法，算法流程，算法實現，算法仿真。</p><p>　　第二章 基于模板匹配的模糊數字識別</p><p><b>　　2.1模糊圖像收集</b></

52、p><p>　　圖2.1.1、2.1.2是收集到的不同程度的模糊數字圖像：</p><p><b>　　圖2.1.1</b></p><p><b>　　圖2.1.2</b></p><p>　　收集的數字圖像中有由于運動模糊的圖像，如圖2.1.1；有由于遠距離拍攝產生的模糊圖像，如圖2.1.2，收集不

53、同程度的車牌模糊數字圖像，為后續(xù)模糊數字圖像的制作，模糊數字模板庫制作提供素材。</p><p>　　2.2模糊數字圖像特點分析</p><p>　　通過對場外車牌數字的拍攝，制作不同模糊程度數字。如下是我收集到的車牌數字模糊圖像：</p><p>　　圖2.2.1為清晰化的車牌數字：</p><p><b>　　圖2.2.1<

54、;/b></p><p>　　通過截圖獲取單個清晰化的數字模板，如圖2.2.2：</p><p><b>　　圖2..2.2</b></p><p>　　通過制作清晰化的車牌數字圖像，為模糊數字圖像分析提供借鑒，與模糊數字圖像形成對比。也為后續(xù)改進模板匹配算法提供良好的素材</p><p>　　將圖2.2.2轉化為

55、灰度圖像，可以利用MATLAB里的自帶的灰度轉換函數將其轉化。效果如圖：如圖2.2.3：</p><p><b>　　圖2.2.3</b></p><p>　　將圖2.2.3的圖像通過對其做傅里葉變換，得到不同數字圖像頻譜圖，如圖2.2.4：</p><p><b>　　圖2.2.4</b></p><

56、p>　　圖2.2.的主要作用是為后續(xù)數字圖像預處理即圖像調整時提供借鑒。</p><p>　　將標準清晰度2.3.3圖像得到其灰度圖，如圖2.2.4：</p><p><b>　　圖2.2.4</b></p><p>　　圖2.2.4的清晰數字直方圖與下面的模糊數字圖像直方圖形成對比，更好的看出模糊數字圖像的特點，方便匹配預處理時模糊數字

57、圖像的清晰化</p><p>　　由于戶外模糊數字圖像不好拍攝，下面用的是通過PHOTOSHOP模擬戶外拍攝條件的改變制作了下列輕微模糊數字圖像，如圖2.2.5：</p><p><b>　　圖2.2.5</b></p><p>　　將圖2.4.5的模糊數字圖像進行傅里葉變換得到表面輕微模糊的數字圖像頻譜圖，如圖2.2.6：</p>

58、<p><b>　　圖2.2.6</b></p><p>　　圖2.2.5的灰度直方圖如圖2.2.7：</p><p><b>　　圖2.2.7</b></p><p>　　對圖2.2.5的數字圖像進一步模糊得到嚴重模糊的數字圖像，如圖2.2.8所示：</p><p><b>

59、;　　圖2.2.8</b></p><p>　　對圖2.2.8的數字圖像進行傅里葉變換，如圖：2.2.9：</p><p>　　圖2.2.8的數字模糊圖像的灰度直方圖如圖2.2.10：</p><p><b>　　圖2.2.9</b></p><p><b>　　圖2.2.10</b>&

60、lt;/p><p><b>　　小結</b></p><p>　　通過上面各種模糊數字圖像的頻譜分析、灰度直方圖分析發(fā)現，他們的頻譜圖、灰度直方圖都是各不相同，各有各的特點。數字一：其傅里葉頻譜是一個非常清晰的十字圖；數字2除了清晰的十字架外還多了傾斜的一小模糊線和中心點的清晰小橢圓；數字三有清晰的十字架和中心圓的高清亮點；數字4十字架不是很清晰尤其是垂直方向，中心高清不

61、成形圓和傾斜的小亮線；數字5清晰十字架，水平方向多了一條平衡亮線；數字6垂直亮線十分清晰，水平亮線則顯得有點模糊；數字7垂直亮線雖然清晰但粗糙，以數字6細小的亮線形成對比；數字8水平亮線十分清晰而垂直亮線模糊；數字9的唯一特點就是倆條相互垂直的垂直亮線；數字0垂直、水平線都是模糊不清的。</p><p>　　2.3建立不同模糊程度的數字模板</p><p>　　通過讀取圖像，對讀取的圖像進

62、行處理。</p><p><b>　　2.3.1 二值化</b></p><p>　　圖像二值化（binary image），就是將圖像上的像素點的灰度值設置為0或255，也就是將整個圖像呈現出明顯的黑白效果。</p><p>　　將256個亮度等級的灰度圖像通過適當的閾值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在數字圖像處理中，

63、二值圖像占有非常重要的地位，首先，二值化的圖像有利于圖像的進一步處理，使圖像變得簡單，而且數據量減小，能凸顯出感興趣的目標的輪廓。其次，要進行二值圖像的處理與分析，首先要把灰度圖像二值化，得到二值化圖像。</p><p>　　所有灰度大于或等于閥值的像素被判定為屬于特定物體，其灰度值為255表示，否則這些像素點被排除在物體區(qū)域以外，灰度值為0，表示背景或者例外的物體區(qū)域。</p><p>

64、　　本文采用的是自適應閾值二值化方法，使用迭代法求出灰度閥值，高于該閥值灰度設為255，低于該閥值灰度設為0。</p><p>　　方法1：迭代法是基于逼近的思想,其步驟如下:(1)求出圖象的最大灰度值和最小灰度值,分別記為Rmax和Rmin,令閾值=(Rmax+Rmin)/2。(2)根據閾值將圖象的平均灰度值分成兩組R1和R2。(3)分別求出兩組的平均灰度值μ1和μ2。(4)求出新閾值=(μ1+μ2)/

65、2。</p><p>　　是二值化后輸出的圖像，通過閥值（設為）來二值化圖像的公式為</p><p><b>　　公式 2-1</b></p><p>　　其效果如圖2.3.1，圖2.3.2:</p><p>　　圖 2.3.1（待識別字符圖片） 圖 2.3.2（二值化圖片

66、）</p><p>　　但待識別數字不是很清晰情況下，此方法不在適用，如圖3.2：</p><p>　　圖2.3.3 左圖為待處理圖像，右圖為處理后圖像</p><p>　　方法2：利用MATALAB自帶的函數中的最大類間方差法找到適合閥值。在使用im2bw函數將灰度圖像轉換為二值圖像時， 需要設定一個閾值。 這個函數可以幫助我們獲得一個合適的閾值， 利用這個閾值通

67、常比人為設定的閾值能更好地把一張灰度圖像轉換為二值圖像。調用格式為：</p><p>　　[level EM] = graythresh(I)</p><p>　　處理效果如圖2.3.4：</p><p>　　圖2.3.4二值化后圖像</p><p>　　再對二值化的圖像進行去噪，本文采用低通濾波來進行。 低通的數學表達式如下式所示:

68、 （ 2-2）</p><p>　　式中F（u,v）一含有噪聲的原圖像的傅立葉變換; H(u,v)一為傳遞函數，也稱轉移函數（即低通濾波器）;G(u,v)一為經低通濾波后輸出圖像的傅立葉變換。H濾波濾去高頻成分，而低頻信息基本無損失地通過。濾波后，經傅立葉變換反變換可得平滑圖像。</p><p><b

69、>　　2.3.2 去噪</b></p><p>　　圖像在生成和傳輸過程中常常因受到各種噪聲的干擾和影響而使圖像降質，這對后續(xù)圖像的處理(如分割、壓縮和圖像理解等)將產生不利影響。噪聲種類很多，如：電噪聲、機械噪聲、信道噪聲和其他噪聲。在圖像處理中，圖像去噪是一個永恒的主題，為了抑制噪聲，改善圖像質量，便于更高層次的處理，必須對圖像進行去噪預處理。</p><p>　　

70、本文是根據噪聲能量一般集中于高頻而圖像頻譜則分布于一個有限區(qū)間的這一特點，采用低通濾波方式來進行去噪。低通濾波是頻率域濾波的一種，頻率域濾波是將圖像從空間或時間域轉換到頻率域，再利用變換系數反映某些圖像特征的性質進行圖像濾波的方法。傅立葉變換是一種常用的變換。在傅立葉變換域，頻譜的直流分量正比于圖像的平均亮度，噪聲對應于頻率較高的區(qū)域，圖像實體位于頻率較低的區(qū)域。圖像在變換具有的這些內在特性可被用于圖像濾波?？梢詷嬙煲粋€低通濾波器，使低

71、頻分量順利通過而有效地阻于高頻分量，即可濾除圖像的噪聲，再經過反變換來取得平滑的圖像。</p><p>　　2.3.3 建立模板</p><p>　　本文在在建立標準的字符模板庫時需要手動將樣本輸入，建立臨時標準的字符模板庫，然后保存，這就需要在之前已經有模板樣本，進行必要的樣本訓練。</p><p>　　樣本訓練的過程也是提取樣本圖像字符的特征值的過程，方便之后

72、匹配時使用。</p><p>　　2.4匹配識別預處理</p><p>　　在進行匹配識別之前要先對待識別圖像進行預處理，其中包括：灰度化、清晰化、傾斜調整、二值化、大小調整（調整成與模板大小一致）</p><p><b>　　2.4.1灰度化</b></p><p>　　基于所研究的課題主要針對灰度圖像，而攝像機拍攝到

73、的圖像都是彩色，需要將待識別的圖像轉化為灰度圖像。在這可以利用MAYLAB里自帶的函數rgb2gray將其進行轉換，這不影響后面的圖像識別。</p><p><b>　　2.4.2清晰化</b></p><p>　　要處理的圖像是模糊圖像，需要的匹配識別之前將模糊的數字圖像進行清晰化處理。不同模糊數字圖像處理的步驟都不一致，從下面幾方面入手：</p>&

74、lt;p><b>　　運動模糊處理</b></p><p>　　在空間域，圖像特征不明顯，不容易找出可用于識別運動模糊尺度的量。因此，需要將圖像以某種形式轉換到另外一些空間。對于不帶噪聲的勻速直線運動模糊圖像，可以通過傅里葉變換將其轉換到頻率域再尋找圖像特征。在頻譜圖中，呈</p><p>　　現出亮暗相間的平行線條紋，這些條紋的方向與運動模糊方向垂直，而間距則

75、與運動模糊尺度有關系。</p><p><b>　　運動模糊角度識別：</b></p><p>　　為了把任意方向的勻速直線運動的模糊情況轉化為水平方向，就需要識別出運動模糊角度，這就可以利用Rodon變換實現。圖像的Rodon表換即圖像I(x,y)在角度為、與原點的距離為（=xcos()+ysin()）的直線上的投影。Radon變換的定義：</p>&

76、lt;p>　　R（,）= （2-3）</p><p>　　對于數字圖像，，通過Radon變換可計算其在某一指定角度射線方向上的線積分。比如角度在～變化時，則可通過Radon變換計算出這個角度范圍內沿著每一個角度射線方向的投影值。由于勻速直線運動模糊圖像的頻譜圖中沿條</p><p>　　紋方向的線積分值最大，所以最大投影值對應的角度即為運動模糊角度。&

77、lt;/p><p><b>　　頻率域特征提?。?lt;/b></p><p>　　在勻速直線運動模糊圖像的頻譜圖中平行暗條紋是等間距分布的，它們之間的距離與運動模糊尺度有關，所以，這個距離可以作為識別運動模糊尺度的特征，但間距不容易精確測定，這個問題可以利用頻譜圖中的幅度和來解決。以水平方向勻速直線運動模糊圖像為例(以下相同)，在其頻譜圖中，平行暗條紋是豎直方向的，將頻譜圖中

78、的幅度(這里的幅度指的是取對數之后的幅度，以下相同)逐列相加，得到一行值，這就得到了可以使用的一組圖像特征。</p><p>　　為了提高訓練和辨識精度，只需要對頻譜圖中央區(qū)域計算幅度和。因為周圍區(qū)域的頻譜幅度接近零值，而這些區(qū)域會給網絡訓練和參數辨識帶來一定誤差，因此計算每列幅度和不需要考慮這些區(qū)域，同時還可以降低相應的網絡訓練和參數辨識的計算量，從而提高網絡訓練和參數辨識的速度。</p><

79、;p><b>　　數據歸一化</b></p><p>　　豎直方向幅度求和后，得到一組圖像特征，但各組特征中的數據差別比較大，這就有可能導致識別結果不準確。為了改善這一狀況，需要對數據進行歸一化處理。 </p><p>　　數據歸一化是神經網絡預測前對數據常做的一種處理方法。數據歸一化處理把所有數據都轉化為[o，1]內的數，其目的是取消各維數據間數量級

80、的差別，從而避免因為輸入輸出數據數量級差別較大而造成的較大網絡預測誤差。數據歸一化的方法主要有以下2種。</p><p>　　最大最小法。函數形式如下：</p><p>　　=()/() (2-4)</p><p>　　式中，為數據序列中的最小數；為序列中的最大數。</p><p>　

81、　平均數方差法。函數形式如下：</p><p><b>　　(2-5)</b></p><p>　　式中，為數據序列的均值，為數據的方差。本文采用第一種數據歸一化方法。</p><p><b>　　運動模糊尺度識別</b></p><p>　　根據幅度和，利用BP神經網絡可以識別出運動模糊尺度。BP

82、神經網絡是一種多層網絡的逆推學習算法。BP神經網絡采用有指導的學習方式進行訓練和學習，即當將一對學習模式提供給BP神經網絡后，神經元的激活值就從輸入層經各個隱含層向輸出層傳播，在輸出層的各個神經元獲得網絡的實際輸出響應。通過比較輸出層各個神經元的實際輸出與期望輸出，獲得二者之間的誤差，然后按照減小誤差的方向，從輸出層經各個隱含層并逐層修正各個連接權值，最后回到輸入層。這種“正向計算輸出一反向傳播誤差”的過程不斷重復進行，直至誤差降至可以

83、接受的范圍，BP神經網絡的學習訓練過程也就隨之結束。BP神經網絡的結構如圖2所示。</p><p>　　圖2中，R為輸入量的個數，a=f(W*P+b), w為權向量，P為輸入向量，b為網絡偏移量。將幅度和作為BP神經網絡的輸入量，經過訓練，達到一定訓練次數和精度后，用訓練好的網絡可以識別出運動模糊尺度。利用Fourier變換將原始的勻速直線運動模糊圖像轉換到頻域后，現有的主流算法是先計算出相鄰2條暗條紋(例如圖l

84、(a)中的暗條紋)之間的距離d，然后應用公式L—N／d求解運動模糊尺度(N是圖像尺寸)。但是，應用圖像處理算法精確計算距離d存在較大困難，容易產生一定的測量誤差△d，從而給最終的運動模糊尺度計算帶來較大誤差。本文在頻譜圖中央區(qū)域按列計算幅度和，得到一個行向量，從而得到了一組可以使用的圖像特征。這就避免了應用公式L—N／d求解時，Ad產生的誤差傳播作用，同時也保證了特征提取精度。</p><p><b>

85、　　模糊數字圖像增強</b></p><p><b>　　加入噪聲</b></p><p><b>　　圖2.4.1</b></p><p>　　待識別的數字圖像的預處理，在某些圖像邊緣不是很清晰的情況下，可以通過加入噪聲的方法使其變得清晰化，如圖2.4.1:所示</p><p>　　圖

86、像的平滑：鄰域平均模板加權平均模板</p><p><b>　　M1=</b></p><p><b>　　M2=</b></p><p><b>　　M3=</b></p><p><b>　　M4=</b></p><p>

87、<b>　　圖2.4.2</b></p><p>　　對有噪聲干擾而造成模糊的數字圖像可以通過領域平均的方法將其除去，如圖2.4.2所示;有時領域平均的效果不是很好，這時可以考慮加權平均的方法，效果如圖2.4.3</p><p><b>　　圖2.4.3</b></p><p><b>　　圖像銳化：</b

88、></p><p>　　Laplacian銳化模板</p><p><b>　　M1=</b></p><p><b>　　M1=</b></p><p>　　I=imread('fabric.png');%讀取圖像K=rgb2gray(I); M1=[0,1,0;1,-4

89、,1;0,1,0];M2=[1,1,1;1,-8,1;1,1,1];K=double(K);J=conv2(K,M1,'same'); %卷積G=conv2(K,M2,'same'); F=K-J; E=K-G;figure,imshow(K,[]),figure,imshow(J),figure,imshow(G),figure,imshow(F,[])figure,imshow(E,[])

90、</p><p><b>　　圖2.4.4</b></p><p>　　圖像銳化可以使得圖像邊緣變得清晰化，如圖2.4.4所示，雖然圖像整體變得模糊但目標圖像在整張圖像中更為突出了。</p><p><b>　　直方圖均衡化</b></p><p>　　利用imhist函數查看模糊數字圖像的灰度直

91、方圖，若是灰度分布不均勻可利用histeq函數將其均衡化，效果圖如圖2.4.5：</p><p><b>　　圖2.4.5</b></p><p><b>　　傾斜調整</b></p><p>　　對于待識別圖像由于拍攝角度問題導致所拍攝的圖像傾斜，在匹配之前需要對其進行調整。本人所介紹的調整方式是基于傅里葉變換</

92、p><p><b>　　調整步驟：</b></p><p>　　1讀取圖像imread(‘name’)’;</p><p>　　2將其轉化為灰度圖像rgb2gray(name);</p><p>　　3利用fft2函數將其進行傅里葉變換并將其直流分量移到移動頻譜中心，接著對其進行歸一化處理得到其頻譜圖。</p>

93、<p>　　實現代碼：I=rgb2gray(RGB);</p><p>　　K=fft2(I);</p><p>　　M=fftshift(K); 直流分量移到移動頻譜中心</p><p><b>　　N=abs(M);</b></p><p>　　P=(N-min(min(N)))/(max(max(N)

94、)-min(min(N)))*225; 歸一化處理</p><p><b>　　4</b></p><p>　　4在其頻譜上取三點計算出其傾斜的角度，利用傅里葉的性質：</p><p>　　f(r,)F(w,)</p><p><b>　　將其進行調正。</b></p><p&

95、gt;<b>　　大小調整</b></p><p>　　模板匹配必需是大小一致的模板才能進行相減運算，可利用imcrop函數對其進行剪切。剪切之前計算好邊緣位置，邊緣位置的計算可利用投影技術獲取。</p><p><b>　　小結</b></p><p>　　平均濾波和加權濾波的效果都不怎么好，不能完全除去高斯噪聲，它們對

96、椒鹽噪聲的處理效果比較理想但仍舊存在提升的空間；另外，在對4鄰域8鄰域的比較以及1/5加權以及1/16加權平均的比較可以看出，多領域的處理效果比較好，但是它的缺點是會引起圖像的模糊?？梢钥隙ǖ氖遣煌哪０嫫湫Ч煌瑢μ囟ǖ膱D像要使用特定的模版。</p><p>　　圖像變模糊的原因一般為成像系統(tǒng)聚焦不好、信道過窄以及平均過積分運算。圖像的銳化使得目標物輪廓變模糊，細節(jié)輪廓不清晰，加重目標物輪廓，使模糊圖像變清晰

97、。拉普拉斯算子是常用的邊緣增強算子，拉普拉斯運算也是偏導數運算的線性組合運算，而且是一種各向同性（旋轉不變性）的線性運算。3</p><p>　　在比較4鄰域以及8鄰域的銳化圖像我們可以發(fā)現，4鄰域銳化在邊緣以及與原圖像的相似程度上都有比較滿意的效果，8鄰域銳化在灰度級對比上比4鄰域更加優(yōu)秀，但它的一個缺點是丟失了一部分圖像細節(jié)，從而導致圖片看起來變得“模糊”。</p><p><b

98、>　　2.5 匹配識別</b></p><p>　　2.5.1基于像素差平方和的匹配原理</p><p>　　該方法類似于基于模板匹配的圖像配準算法，基于模板匹配的圖像配準算法是在參考圖像中取得一個能包含圖像主要信息的模板作為基準特征塊，然后在待配準圖像中查找與該基準特征塊最為相似的匹配塊，匹配的原則是以兩幅圖像重疊部分（這里是指重疊塊）的像素差的平方和（Sum of S

99、quared Differences，簡稱SSD）為標準來衡量此區(qū)域是否與基準特征塊最相似。而該方法只是將模板的概念應用到了特征點局部的鄰域窗口，以特征點鄰域窗口的灰度信息值作為該特征點的描述符，直接進行比較來實現特征點的匹配</p><p><b>　　具體步驟：</b></p><p>　　首先對需要配準的兩幅圖像I1和I2分別提特征點，分別得到兩個特征點集合，記

100、作 p={p1,p2,p3......pn}和p′={p1′ ,p2′,p3′...... pn′}，以每一個特征點為中心，將其鄰域窗口（記作w）的像素值作為該特征點的描述符，對于圖像中的每一個特征點分別計算其與圖像I2中提取的各個特征點的鄰域像素值差的平方和：</p><p><b>　　SSD=</b></p><p>　　取其最小者作為圖像中與pi匹配的點。&l

101、t;/p><p>　　基于像素平方和（SSD）匹配的優(yōu)缺點</p><p>　　該方法是進行特征點匹配的一種簡單可行的方法，但是因為它直接利用圖像的灰度信息值，所以最大的缺點就是對光照的變化十分敏感，一旦需要配準的兩幅圖像在重疊區(qū)域的曝光不一致，那么該方法將不再準確。其次，是進行特征點匹配時采用的鄰域窗口為矩形，當需要配準的兩幅圖像存在較大角度的旋轉和較大尺度的縮放時，特征點鄰域窗口的特征將產

102、生較大的改變，因此對于圖像的旋轉和縮放就會比較敏感。匹配效果如表2.5.1</p><p><b>　　表2.5.1</b></p><p>　　2.5.2 基于互相關的匹配原理</p><p>　　該方法不直接利用特征點鄰域的灰度值，而是依據特征點鄰域像素灰度值的互相關系數（Cross Correlation）為匹配原則進行匹配?；舅悸啡缦?/p>

103、：分別在參考圖像和待配準圖像中以每一個特征點為中心取一個(2N+1)×(2N+1)大小的相關窗，然后以參考圖像中的每個特征點為參考點在待配準圖像中尋找對應匹配點，匹配的依據是計算特征點相關窗之間的相關系數：</p><p>　　CC= （2-5-2）</p><p>　　其中，W是相關窗的大小， 和 分別為兩幅待配準圖像中特征點相關窗內像素的灰度

104、值，CC是相關系數。特征點匹配時選取相關系數中最大的相關系數所對應的特征點作為該參考點的匹配點。 </p><p>　　2.5.3 歸一化互相關法匹配原理</p><p>　　歸一化的目的就是消除上述方法對于光照變化敏感的問題。該方法同上述方法類似，只是在計算互相關系數時進行了歸一化處理:</p><p><b>　　NCC=</b></

105、p><p><b>　?。?.5.3.1）</b></p><p>　　其中 和 分別表示圖像和特征點相關窗內像素灰度值的均值</p><p><b>　?。?.5.2）</b></p><p><b>　?。?.5.3）</b></p><p>　　

106、歸一化互相關法優(yōu)缺點：</p><p>　　1）該方法較好地解決了對于光照變化敏感的問題。</p><p>　　2）矩形窗口的選用仍然是該類法的缺憾。所以這種方法只適合于具有平移和小角度旋轉關系的圖像配準。匹配效果如表2.5.3.1</p><p><b>　　表2.5.3.1</b></p><p><b>

107、　　第三章 改進匹配算</b></p><p><b>　　3.1 模板修改</b></p><p>　　通過改變之前的模糊數字模板操作，將其統(tǒng)一轉化為只有一個像素點的數字模板也就是對所有的模糊數字模板進行細化操作得到只有一個像素點構成的細化模板。分別在水平方向5/12,1/2，7/12處劃橫線，分別得到數字圖像與三條橫線的交點個數，記下交點左邊；同理，在

108、垂直方向1/3,1/2，2/3處劃線，分別得到數字圖像與三橫線的交點，記下他們的坐標。列表記錄他們相交點個數以及相交點的坐標，為后續(xù)匹配識別做準備。如圖3.1.1：</p><p><b>　　圖3.1.1</b></p><p>　　3.2 匹配算法改進</p><p><b>　　3.2.1算法原理</b></p

109、><p>　　特征提取的目的是從原數字圖像文件中抽取出能用于區(qū)分其與其他字符不同類型的本質特征，對研究對象本質的，固有的重要特征和屬性進行量測并將結果數值化，形成特征矢量，對圖像的識別，學習過程都要非常重要。</p><p>　　能描述對象本質特征的元素有很多，但是為了節(jié)約資源，有時更是為了可行性，在保證分類識別正確率的前提下，盡量選擇識別作用較大的特征，使得用較少的特征就能完成分類識別任務，

110、有一種簡單的方法就是減少特征矢量的維數或符號字符數，本文中采用對待識別數字圖像進行行列掃描與數字起點結合的方法提取特征。</p><p>　　結構特征提取的算法如下：</p><p>　　對細化后的數字圖像取豎直的三條直線，分別取在5 ／ 12，1 ／ 2，7 ／ 12 處，記下這三條豎直直線與數字筆段的交點數。</p><p>　　2）再取水平三條直線，分別取在1

111、 ／ 3，1 ／ 2，2 ／ 3 處，分別記下這三條水平直線與數字筆段的交點數。</p><p><b>　　如圖表4-1所示</b></p><p>　　經細化后的數字圖像其特征較為穩(wěn)定，且筆劃簡單，因此對其抽取的基本結構組件能反映數字的本質特征， 從而可快速有效地識別數字符號，并達到較好的分類效果。</p><p>　　提取筆劃特征的算法如

112、下：</p><p>　　1）按從上到下，從左到右的順序掃描預處理后圖像并選擇黑像素點P；</p><p>　　2）計算像素 P 的 8———領域之和 N；</p><p>　　3）若N＝1，則像素P 為端點，端點計數器加1；</p><p>　　4）重復步驟（1）－（3），直到遍歷整個圖像。</p><p>　　依據