CN107909075A - 一种基于Laplacian扩展算子的车牌图像二值化方法 - Google Patents
一种基于Laplacian扩展算子的车牌图像二值化方法 Download PDFInfo
- Publication number
- CN107909075A CN107909075A CN201711219941.4A CN201711219941A CN107909075A CN 107909075 A CN107909075 A CN 107909075A CN 201711219941 A CN201711219941 A CN 201711219941A CN 107909075 A CN107909075 A CN 107909075A
- Authority
- CN
- China
- Prior art keywords
- mrow
- value
- license plate
- threshold value
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于Laplacian扩展算子的车牌图像二值化方法,其特征在于,包括以下步骤:利用Laplacian扩展算子对车牌灰度图像进行卷积运算,获取正、负边缘分布特征;利用最大类间方差法获取阈值正边缘分布特征的阈值T1及负边缘分布特征的阈值T2,生成三值图像;通过三值图像各点的像素值区分出车牌的字符和背景,从而获得二值化图像。本发明解决传统基于灰度二值化方法在特殊场景中应用的缺陷,对存在阴影覆盖和局部过曝等现象的车牌图像,能够充分保留笔画的完整性,提高车牌图像的二值化效果。
Description
技术领域
本发明涉及一种对车牌图像进行二值化处理的方法,用于车牌的自动识别。
背景技术
在车牌识别***中,通常车牌字符分割算法主要是利用二值图像进行分割处理。现有的分割方法很多,譬如投影法、连通域提取法和聚类法等,但前提条件是待处理的二值图质量清晰,否则容易出现分割出错或笔画断裂等结果。
目前基于灰度阈值分割的二值化方法基本分为以下三类:局部阈值、全局阈值和动态阈值,它们各有优缺点。采用基于灰度阈值分割的二值化算法,在处理复杂光照条件下获取的车牌图像时,往往会遗失图像的边缘特征,有可能出现字符断裂、伪影现象等,直接导致了分割和识别失败。
发明内容
本发明要解决的技术问题是:传统基于灰度二值化方法在处理复杂光照条件下获取的车牌图像时,会出现字符断裂、伪影现象等,导致分割和识别失败。
为了解决上述技术问题,本发明的技术方案是提供了一种基于Laplacian扩展算子的车牌图像二值化方法,其特征在于,包括以下步骤:
步骤1、利用Laplacian扩展算子对车牌灰度图像进行卷积运算,获取正、负边缘分布特征;
步骤2、利用最大类间方差法获取阈值正边缘分布特征的阈值T1及负边缘分布特征的阈值T2,通过判断车牌灰度图像各点像素值与阈值T1及阈值T2的关系可获得黑、白、灰三值图像的各点像素值g(i,j),从而生成三值图像:
式中,dst(i,j)为车牌灰度图像中点(i,j)的像素值,其中,阈值T1及阈值T2的获取方法相同,包括如下步骤:
步骤2.1、统计出正边缘分布特征或负边缘分布特征的直方图分布;
步骤2.2、对于正边缘分布特征或负边缘分布特征,存在阈值T,将数据分为了两类,这两类数据之间的方差为整组数据的总体方差为σ2,每一类数据的平均值和全体数据的总体平均值的方差为
式中,nLen表示最大灰度级,p(i)表示灰度值为i的概率;
步骤2.3、根据OTSU推导公式,能使的值获得最小值的阈值T的值即为阈值T1或阈值T2;
步骤3、通过三值图像各点的像素值区分出车牌的字符和背景,从而获得二值化图像。
优选地,在所述步骤1中,对彩色车牌图像进行灰度化预处理后获得所述车牌灰度图像。
优选地,在所述步骤1中,所述Laplacian扩展算子采用基于5×5领域Laplacian扩展算子。
优选地,在所述步骤3中,当车牌为蓝色或黑色时,所述三值图像中白色为字符区域、黑色为字符边界区域,其余区域为灰色;
当车牌为黄色或白色时,所述三值图像中黑色为字符区域、白色为字符边界区域,其余区域为灰色。
本发明解决传统基于灰度二值化方法在特殊场景中应用的缺陷,对存在阴影覆盖和局部过曝等现象的车牌图像,能够充分保留笔画的完整性,提高车牌图像的二值化效果。
附图说明
图1为黄牌、蓝牌的二值化过程图;
图2为光线不均图像的二值化对比图。
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下。
本发明提供了一种基于Laplacian扩展算子的车牌图像二值化方法,包括以下步骤:
步骤1、基于5×5领域Laplacian扩展算子对车牌灰度图像进行卷积运算,获取正、负边缘分布特征。本实施例中,Laplacian扩展算子为Templt[25]:
Templt[25]={1,1,1,1,1,
1,1,-4,1,1,
1,-4,-4,-4,1,
1,1,-4,1,1,
1,1,1,1,1};
步骤2、利用最大类间方差法获取阈值正边缘分布特征的阈值T1及负边缘分布特征的阈值T2,通过判断车牌灰度图像各点像素值与阈值T1及阈值T2的关系可获得黑、白、灰三值图像的各点像素值g(i,j),从而生成三值图像:
式中,dst(i,j)为车牌灰度图像中点(i,j)的像素值,其中,阈值T1及阈值T2的获取方法相同,包括如下步骤:
步骤2.1、统计出正边缘分布特征或负边缘分布特征的直方图分布;
步骤2.2、对于正边缘分布特征或负边缘分布特征,存在阈值T,将数据分为了两类,这两类数据之间的方差为整组数据的总体方差为σ2,每一类数据的平均值和全体数据的总体平均值的方差为
式中,nLen表示最大灰度级,p(i)表示灰度值为i的概率;
步骤2.3、根据OTSU推导公式,能使的值获得最小值的阈值T的值即为阈值T1或阈值T2;
步骤3、通过三值图像各点的像素值区分出车牌的字符和背景,从而获得二值化图像。我国机动车牌照常见颜色有蓝色、黄色、白色和黑色等。其中,蓝色和黑色车牌经过三值化处理后字符笔画区域为白色,字符边界区域为黑色,其余为灰色。而黄色和白色车牌经过三值化处理后字符笔画区域为黑色,边界为白色,其余部分为灰色,即可得到黑、白色二值化图像。
当车牌为蓝色或黑色时,其二值化过程利用下面公式变换得出:
当车牌为黄色或白色时,其二值化过程利用下面公式变化得出:
Claims (4)
1.一种基于Laplacian扩展算子的车牌图像二值化方法,其特征在于,包括以下步骤:
步骤1、利用Laplacian扩展算子对车牌灰度图像进行卷积运算,获取正、负边缘分布特征;
步骤2、利用最大类间方差法获取阈值正边缘分布特征的阈值T1及负边缘分布特征的阈值T2,通过判断车牌灰度图像各点像素值与阈值T1及阈值T2的关系可获得黑、白、灰三值图像的各点像素值g(i,j),从而生成三值图像:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mi>d</mi>
<mi>s</mi>
<mi>t</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>></mo>
<mi>T</mi>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>255</mn>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mi>d</mi>
<mi>s</mi>
<mi>t</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo><</mo>
<mi>T</mi>
<mn>2</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>128</mn>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mo>...</mo>
<mi>T</mi>
<mn>2</mn>
<mo>&le;</mo>
<mi>d</mi>
<mi>s</mi>
<mi>t</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&le;</mo>
<mi>T</mi>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中,dst(i,j)为车牌灰度图像中点(i,j)的像素值,其中,阈值T1及阈值T2的获取方法相同,包括如下步骤:
步骤2.1、统计出正边缘分布特征或负边缘分布特征的直方图分布;
步骤2.2、对于正边缘分布特征或负边缘分布特征,存在阈值T,将数据分为了两类,这两类数据之间的方差为整组数据的总体方差为σ2,每一类数据的平均值和全体数据的总体平均值的方差为
<mrow>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>T</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mi>L</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</munderover>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<mi>i</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
式中,nLen表示最大灰度级,p(i)表示灰度值为i的概率;
步骤2.3、根据OTSU推导公式,能使的值获得最小值的阈值T的值即为阈值T1或阈值T2;
步骤3、通过三值图像各点的像素值区分出车牌的字符和背景,从而获得二值化图像。
2.如权利要求1所述的一种基于Laplacian扩展算子的车牌图像二值化方法,其特征在于,在所述步骤1中,对彩色车牌图像进行灰度化预处理后获得所述车牌灰度图像。
3.如权利要求1所述的一种基于Laplacian扩展算子的车牌图像二值化方法,其特征在于,在所述步骤1中,所述Laplacian扩展算子采用5×5领域Laplacian扩展算子。
4.如权利要求1所述的一种基于Laplacian扩展算子的车牌图像二值化方法,其特征在于,在所述步骤3中,当车牌为蓝色或黑色时,所述三值图像中白色为字符区域、黑色为字符边界区域,其余区域为灰色;
当车牌为黄色或白色时,所述三值图像中黑色为字符区域、白色为字符边界区域,其余区域为灰色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711219941.4A CN107909075A (zh) | 2017-11-28 | 2017-11-28 | 一种基于Laplacian扩展算子的车牌图像二值化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711219941.4A CN107909075A (zh) | 2017-11-28 | 2017-11-28 | 一种基于Laplacian扩展算子的车牌图像二值化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107909075A true CN107909075A (zh) | 2018-04-13 |
Family
ID=61849032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711219941.4A Withdrawn CN107909075A (zh) | 2017-11-28 | 2017-11-28 | 一种基于Laplacian扩展算子的车牌图像二值化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909075A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993046A (zh) * | 2018-06-29 | 2019-07-09 | 长城汽车股份有限公司 | 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆 |
CN110414528A (zh) * | 2019-06-18 | 2019-11-05 | 北京计算机技术及应用研究所 | 一种计算图像感知哈希的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789080A (zh) * | 2010-01-21 | 2010-07-28 | 上海交通大学 | 车辆车牌实时定位字符分割的检测方法 |
CN101957919A (zh) * | 2010-09-22 | 2011-01-26 | 上海交通大学 | 基于图像局部特征检索的文字识别方法 |
CN103198315A (zh) * | 2013-04-17 | 2013-07-10 | 南京理工大学 | 基于字符轮廓和模板匹配的车牌字符分割算法 |
CN104616274A (zh) * | 2015-02-09 | 2015-05-13 | 内蒙古科技大学 | 一种基于显著性区域提取的多聚焦图像融合算法 |
-
2017
- 2017-11-28 CN CN201711219941.4A patent/CN107909075A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789080A (zh) * | 2010-01-21 | 2010-07-28 | 上海交通大学 | 车辆车牌实时定位字符分割的检测方法 |
CN101957919A (zh) * | 2010-09-22 | 2011-01-26 | 上海交通大学 | 基于图像局部特征检索的文字识别方法 |
CN103198315A (zh) * | 2013-04-17 | 2013-07-10 | 南京理工大学 | 基于字符轮廓和模板匹配的车牌字符分割算法 |
CN104616274A (zh) * | 2015-02-09 | 2015-05-13 | 内蒙古科技大学 | 一种基于显著性区域提取的多聚焦图像融合算法 |
Non-Patent Citations (1)
Title |
---|
张东海等: "基于Laplacian扩展算子的车牌字符分割方法研究", 《应用激光》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993046A (zh) * | 2018-06-29 | 2019-07-09 | 长城汽车股份有限公司 | 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆 |
CN109993046B (zh) * | 2018-06-29 | 2021-04-09 | 长城汽车股份有限公司 | 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆 |
CN110414528A (zh) * | 2019-06-18 | 2019-11-05 | 北京计算机技术及应用研究所 | 一种计算图像感知哈希的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
US10565479B1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
CN103971126B (zh) | 一种交通标志识别方法和装置 | |
CN114820627B (zh) | 一种基于光学手段的纺织品质量检测方法 | |
CN103366167B (zh) | 用于处理图像以识别一连串字母数字字符的***和方法 | |
CN104392205B (zh) | 一种非正常车牌的识别方法和*** | |
CN106096601B (zh) | 一种自动检测票据中字符类型的方法和*** | |
CN103310211B (zh) | 一种基于图像处理的填注标记识别方法 | |
CN104769652B (zh) | 用于检测交通灯的方法和*** | |
CN107247950A (zh) | 一种基于机器学习的身份证图像文本识别方法 | |
CN108109133B (zh) | 一种基于数字图像处理技术的蚕卵自动计数方法 | |
CN101599125A (zh) | 复杂背景下图像处理的二值化方法 | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN106022205B (zh) | 图像处理装置以及图像处理方法 | |
KR101549495B1 (ko) | 문자 추출 장치 및 그 방법 | |
CN104036521A (zh) | 一种新的视网膜眼底图像分割方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN104102907B (zh) | 一种消除光照不均匀的lbp人脸识别方法 | |
CN107909075A (zh) | 一种基于Laplacian扩展算子的车牌图像二值化方法 | |
CN107392115A (zh) | 一种基于分层特征提取的交通标志识别方法 | |
CN104573743B (zh) | 一种人脸图像检测过滤方法 | |
CN105975955A (zh) | 一种图像中文本区域的检测方法 | |
CN103870827B (zh) | 一种结合颜色与纹理的车牌检测方法 | |
CN108171705A (zh) | 一种透明玻璃瓶内液体的异物检测算法 | |
CN104102911A (zh) | 一种基于aoi的子弹表观缺陷检测***的图像处理算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180413 |