小波变换算法在车牌识别系统中的应用

PAGE1分类号：本科生毕业论文题目：小波变换算法在车牌识别系统中的应用作者姓名：学号：系(院)、专业：信息工程学院计算机科学与技术专业指导教师姓名：指导教师职称：年月日宿州学院本科毕业论文摘要随着我国公路运输的发展，车辆的数量的迅速增加，同时为提供舒适的旅游中所存在的车辆的管理问题也较为突出，人工控制模式已不符合人们的需要。计算机技术在交通领域的应用极大地提高了交通管理效率。图像的自动识别技术作为主要的信息来源是越来越受到人们的关注。近年来的快速发展,计算机对传统交通管理带来了巨大转变,先进的计算机处理技术不仅可以将人们从繁琐的手工的观察和监控中解放,并能大大提高精度,汽车车牌自动识别系统是兴起在这样的背景和目的下。现在，车牌识别是一个重要的研究课题，在现代化的智能交通系统中，计算机视觉和模式识别技术是智能交通管理的重要组成部分。。本文仅进行了在Matlab软件中的模拟，将小波变换算法运用到图像的降噪处理中去，给出了图像小波分解的实例，并使用小波的多尺度算法对图像进行边缘的提取。关键词：小波变换，车牌识别，降噪

ABSTRACTWiththedevelopmentofhighwaytransportationinourcountry,rapidincreaseinthenumberofvehicles,andprovidesmanagementproblemsofcomfortabletravelinvehiclesisalsomoreprominent,manualcontrolmodehasnotmeettheneedsofthepeople.Theapplicationofcomputertechnologyinthefieldoftrafficgreatlyimprovestheefficiencyoftrafficmanagement.Auto-detectionimagetechnology,asthemainsourceofinformationisbeingmoreandmoreattention.Therapiddevelopmentinrecentyears,thecomputerfortrafficmanagementbringsagreatchange,computeradvancedprocessingtechniquescannotonlyfreedpeoplefrommanualobservationandmonitoringthecumbersome,butalsocangreatlyimprovetheaccuracy,thevehiclelicenseplateautomaticrecognitionsystemisdevelopedinthebackgroundandpurposeofsuch.Now,thelicenseplaterecognitionisanimportantresearchtopic,inthemodernintelligenttransportationsystems,computervisionandpatternrecognitiontechnologyisanimportantpartofintelligenttrafficmanagement.Inordertomakethevehiclelicenseplaterecognitionaccuracyashighaspossible,imagepreprocessingisveryimportant,forimagedenoisingisaveryimportantstep,intheimagepreprocessing.WaveletanalysisisanewbranchofamathematicsinlatetwentiethCenturybegantorise,bothinthefieldofsignalprocessing,geologicalexploration,imageprocessinghasbeenappliedtomanyaspectsof.ThisarticleonlyissimulatedinMatlabsoftware,thewavelettransformisappliedtoimagenoisereductionprocessingto,givesanexampleofimagewaveletdecomposition,extractionalgorithmusingwaveletandmultiserialedgeofimage.Keywords:Wavelettransform;Noisereduction;Licenseplate

目录摘要 2ABSTRACT 3绪论 11.车牌识别的背景 21.1车牌识别背景综述 21.2车牌识别的难点 21.3国内外车牌识别技术情况 31.4车牌识别的发展方向及趋势 31.5车牌识别的应用领域 41.6车牌识别系统工作原理 51.7车辆牌照识别系统组成 62.小波变换的基本理论 82.1小波变换概述 82.2小波变换在信号消噪中的应用 82.3图像消噪中的小波变换 93.图像消噪处理 103.1二维小波的特性 103.2用小波变换算法对图像消噪 103.3在MATLAB中进行仿真 114.图像的边缘检测 134.1边缘检测的基本原理 134.2边缘检测的定义 144.3图像边缘检测的应用领域 154.4图像边缘检测算法的研究 174.5边缘检测算子 184.6基于Matlab的实验结果与分析 215.基于小波变换的图像边缘提取 245.1多尺度算法的基本思想 245.2小波多尺度算法 245.3Matlab仿真结果 25结论 27参考文献 28致谢 29宿州学院2013届本科毕业论文绪论PAGE33绪论机动车闯红灯这种交通违章现象在日常的交通管理中是很常见的，这种现象不仅扰乱了正常的交通秩序，而且是导致交通事故的重要原因之一。电子监控就是针对闯红灯这种容易造成交通事故的交通违章行为管理的，可以做到自动监监控，可以做到了无人值班，自动的连续的检测，并收集到准确的车辆违章证据。车牌识别技术(VehicleLicensePlateRecognition，VLPR)是现代智能交通系统中的一项重要的研究课题，也是实现交通智能管理的重要环节。它是基于数字图像处理，模式识别，计算机视觉技术等的智能识别技术，在做到不影响汽车正常行驶的情况下，使计算机可以自动完成车牌的识别，从而降低车辆管理的工作复杂度。车牌识别技术在车辆进过高速路口收费站时做到自动收费，控制来往车辆的流量，做到车辆事故报告自动送达，车辆车牌的定位，做到控制交通的拥堵，在维护公共安全、缓解交通拥堵情况等方面都会起到非常有效的作用。就目前而言，可以应用于车库管理系统、高速收费站管理系统、小区安全监控系统等各个领域，不论是在交通管理还是在治安管理方面都有着非常重要的地位。由于我国的车牌种类繁多，车牌样式不统一，再加上在不同的天气情况下，所获得的图像清晰程度也有所不同，晴天获得的图像与阴雨天气获得的图像之间有很大差异，这样一来就会造成车牌的识别率下降。正因为如此，把得到的图像进行包括降噪处理在内的预处理是非常重要的。小波变换的思想来源于伸缩与平移的方法，在1910年由Haar提出。之后经过很多科学家的修改变化，从而形成了现在的小波理论。小波理论在20世纪就受到了许许多多的科研工作者的高度重视。小波分析理论作为数学和工程应用等许多学科共同研究所得出的成果，在图像处理、信号处理、地质勘探学等诸多领域得到了广泛应用。同时，本文使用了基于小波变换的多尺度边缘检测算法，其优点在于计算量的减少和定位更准确，并且可以提供边缘平滑程度的估计，对图像边缘做到有效提取。宿州学院2013届本科毕业论文车牌识别背景1.车牌识别的背景1.1车牌识别背景综述与车牌识别技术相关的研究，就目前在我们国家就已经有十几年的历史了，但是却还没有能完全投入使用的大型的系统，车牌识别系统作为交通管理的有效的工具，其技术水平仍有待改善。虽然国内外的许多专家学者对此已经进行了很多工作，但实际效果并不理想，尤其是对高速车牌定位方法还有待进一步研究。此外，辅助光源的要求，这是难以有效地解决的技术上的问题，复杂的情况下，在条件复杂的情况下高速移动的车辆的识别车牌号的问题很难解决，例如：不同的天气条件下，光的亮度程度，车牌表面污染或磨损光干扰会影响车牌的准确性。传统的车牌识别只支持一个单一的车辆，背景是简单的。在许多应用场合中，如在繁忙的交通路口的欠税、报废等得稽查，监测区域则更加复杂，现有的识别方法不能直接应用；在大多数情况下，也出现了很多车，背景有广告牌，建筑，线条和各种背景文本等，现有的识别方法也不能很好得适应适应变化的环境，所以对车牌识别技术的研究仍然是一个在科学领域的热门话题。车牌识别系统的设计和应用，其发展具有巨大的社会、经济和学术意义。1.2车牌识别的难点（1）大多数车牌图像采集于室外，由于光线、天气条件的作用，会有图像模糊，对比度低的现象产生，会出现色彩失真，同时也有背景图像的复杂性，这些因素都将是对确切的车牌定位和车牌识别造成难度的原因（2）图像采集时，目标位置是不同的，所以从图像采集的不同角度来看，会有巨大的变化，同时由于倾斜的车牌，车牌图案也会有扭曲。（3）（4）我国的汽车车牌悬挂的位置不统一。（5）车牌在道路环境、天气或人为的因素下造成了严重的污染或磨损，遇到这样的情况在发达国家的道路上是不允许出行的，而在中国的道路上，他们可以继续上路行驶。（6）目前，国内存在着多种多样格式的牌照，再加上有上述的各种难题，这些都使得中国的车牌识别难度远远大于国外的车牌识别。1.3国内外车牌识别技术情况眼下，在一些发达国家，车牌识别技术已成功地在实际生活中被应用，但是中国在实际应用中的进步速度却很慢，这种技术尚处于实验阶段的应用与开发。这是因为我国与国外的实际情况是有所不同的。车牌在国外是很统一的，但在我们国家，在规范的车牌这方面还做得不够，车牌趋向于多样化。虽然到目前为车牌识别的研究已经有了很多深入的探讨，但是，就车牌的识别及图像处理等关键问题上还是有一些难以解决的问题存在着的。首先，车牌的图像的对比度小，当它遇到非均匀的照明时，有效定位的速度就会下降。功能和纹理不同的车牌，较低的对比度，倾斜度，黏连字符和拍摄效果不理想的位置和拍摄效果不清晰。都使得车牌的字符识别准确性降低，而车牌的准确识别很大程度上依赖于字符的位置的成功定位。许多报刊已经报道了许多在国内和国外的车牌识别。国外的研究活动，在此之前，已经展开很长时间。在我国，许多高校的科研小组也在进行车牌识别方向的研究，比如西安交大的图像处理和识别研究室、清华大学人工智能国家重点实验室、浙江大学的自动化系等等，都在车牌识别方面有各自独立的研究，并在这方面取得了一定的研究成果。从整体上说，目前所现有的车辆识别系统，基本上都是对车辆的数量、大小、外观、速度、种类等的大概特点能做到自动识别。但是，相比之下，对于车辆的牌照等等较为细致的信息的识别就没能做到那么准确的识别了，这是由于在客观与主观的各种复杂条件下，对于车牌的识别多少有所受限。1.4车牌识别的发展方向及趋势车牌识别技术在智能交通系统中处于关键位置，在各国的专家学者的不懈努力下，已经取得了突飞猛进的发展，并且在实际生活中已经得到了各种各样的应用，但即使如此这项技术仍然存在着各种不足之处。对于未来车牌识别产品的技术的发展趋势，有以下几点：视频图像处理由工控机向DSP(digitalsingnalprocessor数字信号处理器)再向智能相机，机内集成了高速DSP处理芯片方向发展；视频图像传输后端主机开发的图像采集，识别处理，数据存储等所有的摄像头，即将到来的高清摄像头图像采集，处理，存储，通信范围内的远距离传输的图像数据集成;车牌识别软件不断更新，准确率提高到98%，识别车牌类型不断增加，可以识别农用车牌、民航车票、境外车牌等特殊车牌；监控范围从机动车车牌扩展到车身特征、司机和乘客的特征；以车身颜色识别为代表的视频检测技术进一步应用；补光方式由恒定照明箱闪光灯再向LED灯发展；车辆检测方式由环形线圈检测发展为视频检测；车牌识别由单次抓拍发展为视频流多次识别；注意环保节能，降低对驾驶员的影响；（9）车牌识别更专业、设备维护更便捷，网络覆盖面更广。1.5车牌识别的应用领域（1）停车场及小区出入口举个容易理解的例子：智能小区中的车辆可以自动确定内部车辆和非内部车辆的自动每小时收费。在某些设备上，这款应用还可以是相应的单位车辆调度系统，对单位车辆的使用得出结合自动和客观的报告。管理停车场和住宅单从手动输入车辆登记号码和停车时间是非常困难的，要记住，不只是容易出现错误，而且还必须投入大量的人力。就算号牌掉漆甚至断裂，模糊不清，也具有很强的识别分析能力，为您节省了很多麻烦。（2）高速公路收费站就现在而言，中国的公路建设和发展是跨越式的，高速公路四通八达，每个入口都安排了收费站，一方面，是以方便的收取相应的管理费用，另一方面，可以同时在交警的支持下，规范在高速公路上的交通管理。安装车牌识别系统的收费岗亭和用系统来识别车辆牌照，并指定中心识别车牌的交通何时会被发送到管理服务器，通过在比较和抢劫犯罪嫌疑人的车辆牌照板信息数据库来确定公路收费站的是否是是抢劫犯罪嫌疑人的车辆，可以防止犯罪事件的发生和帮助事件解决，为警方提供了参考信息。收费亭通常在露天的环境中，为了满足识别一些非常快的行驶车辆的车牌识别的要求，对更高的车牌识别技术的需求很大。要使车牌识别可识别320P像素的图像，防止车牌信息的泄漏，高收费站卡口的识别系统仍不能满足实际的需求。而目前的车牌识别技术的高清处理为公安，交警的执法提供了更多可靠的依据。（3）在公路卡口中的应用伴随着我国公路里程建设的增加，人民生活水平的整体提高，现在买车的人越来越多，给公路造成各种各样的违法问题。车牌识别技术作为车辆违法处罚的必要依据，可以对视频中车辆号牌进行自动的检测识别，其中最为典型的就是治安卡口系统，这个系统最重要的部分就是实现车牌的自动识别。一个完善的治安卡口管理系统应该具备车牌自动识别、卡口应用系统和中心管理平台三个主要功能。车牌识别是其中最为重要的一部分，车牌识别的优劣直接影响了卡口系统的整体性能，而识别速度是其最为重要的一个技术指标。只要识别的效率可以得到提高，这个系统就可以占用相对较少的系统资源，这样一来，也可以防止黑客入侵，也可以用较少的人力得到更大的回报。识别车牌速度快、准确，车牌识别系统才能有效地实现自动比对报警，避免出现大量的误报。可以为防盗抢车辆，非法抢劫车辆等犯罪破案提供有力可靠的破案信息。（4）在城市交通的应用最近几年，随着社會和經濟的快速发展，机动车数量的快速增长，公路運輸已变得越来越繁忙。进一步提高交通管理的现状和需求，与交通有关的刑事治安案件逐年增加。在这种情况下，如何使用科技手段加强安全的公共管理部门，机动车和驾驶行为的调查和控制工作在城市，提供各种手段打击刑事科学技术，公安交通管理部门急需解决的问题。为了有效减少车辆闯红灯违规，在全市范围内的所有道路都安装上红灯违规检测系统，这个系统最重要的部分是车牌识别模块，车牌识别系统可以得到决定性信息，捕捉所有车辆的牌照信息和公众安全的网络数据库分析哪些车辆是可疑车辆，减少违规行为也可以被控制，以减少道路交通事故，道路监控设备的应用与现代信息网络结合城市科技进步形成了道路监控智能化网络系统，以更好地提高道路的动态管理/控制和满足新形势下治安，刑侦，交通管理和其他业务需求。1.6车牌识别系统工作原理车牌识别是利用车辆的动态视频或静态图像，车牌号码，车牌颜色图案识别技术，可做到自动识别。该技术的核心是包含了图像预处理算法，车牌定位算法，车牌边缘检测算法和字符识别算法。一个车牌识别系统应该包括几个部分图像采集，图像预处理，车牌定位，字符识别。当识别系统检测到汽车经过时，他们开始图像采集，截取当前的动态图像。对图像进行前期的图像处理，车牌定位，车牌字符分割，车牌字符识别，最后输出车牌号码。车辆检测通常使用线圈或雷达，牌照识别系统还具有视频图像判断功能，以确定是否有车，称为视频的车辆检测。在公路上，每天几乎24个小时都是有车辆来回行驶的，所以，车牌识别系统就有必要每天24小时不间断工作，不仅如此，为了夜间的识别的准确率尽可能的高，还需要配有闪频灯或闪光灯来对经过车辆的车牌进行补光。机动车检测：采用地下线圈检测、红外线感应检测、地面雷达感应检测技术以及视频图像检测等多种方式感应到机动车的经过，以此来触发照相机拍摄牌照。获取图像：由安装在路边的照相机拍照，对经过的机动车进行全天候的不间断的获取照片，并记录。预处理：过滤噪声、去除噪点、调整对比度以及色彩调整、色阶调整、清晰度调整等。车牌定位：图像已经经过了预先的降噪处理后，得到了灰度图像对其进行分析，得出车牌的所在位置。车牌分割，字符处理：在上一步已经得到车牌的大致位置，再通过各种的处理，对已得到的图像进行分割，得到字符区域，再对其进行字符的分割。字符识别：字符分割后再进行尺寸改变、根据字符特征对其进行提取，在与已有的字符数据库中的字符进行比对，得出字符文本。结果输出：将车牌识别的结果以文本格式输出。1.7车辆牌照识别系统组成车牌识别系统的基本结构图如图1.1所示：图1.1（1）图像的读取：从摄像机中读取拍摄到的汽车图像。（2）图像预处理：对汽车图像进行图像转换、图像消噪和边缘检测等。（3）车牌定位：对预处理后的汽车的图像进行分割，得到汽车车牌的图像。即在一幅汽车图像中准确找到车牌所在的位置。（4）字符分割：从车牌图像中分离出组成车牌号码的单个字符图像（5）字符识别：对分割出来的字符进行分析提取，对分割出的字符图像进行识别，然后给出文本形式的车牌号码。（6）输出结果：把得到的车牌号码输出。宿州学院2013届本科毕业论文小波变换的基本理论2.小波变换的基本理论2.1小波变换概述传统的信号理论，是由Fourier分析为基础的，但由于Fourier变换有一定的局限性。在实际应用中人们开始对Fourier变换进行各种改进，小波分析便是由此产生的。小波分析是一种新兴的数学分支，它是泛函数、Fourier分析、调和分析、数值分析的最完美的结晶；在应用领域，特别是在信号处理、图像处理、语音处理以及众多非线性科学领域，它被认为是继Fourier分析之后的又一有效的时频分析方法。小波变换与Fourier变换相比，是一个时间和频域的局域变换因而能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，解决了Fourier变换不能解决的许多困难问题。小波变换的思想来源于伸缩与平移的方法，于1910年由Haar提出。后来经过许多科学家的改进形成现在的小波理论。小波理论在20世纪90年代受到众多科研工作者的高度重视。小波理论作为数学和工程应用等学科共同研究的成果，在图像处理、量子物理、地震勘探以及非线性科学等诸多领域得到了广泛应用。小波变换是一种信号的时间——尺度分析方法，他具有多分辨率分析的特点，而且在时频两域都具有表征信号局部特征的能力，是一种窗口大小固定不变但其形状可变，时间窗和频率窗都可变的时频局部化分析方法。很适合探测正常信号中夹带的瞬态反常现象并展示其成分[1]。2.2小波变换在信号消噪中的应用小波变换是基于多层次函数分解的，信号经过小波变换后就可以用小波系数来描述，小波系数可以体现出信号的特征。因此，小波变换在图像处理领域引起了越来越多的关注和重视。小波消噪的基本思路：小波变换中大多采用二进制，利用小波变换把含有噪声的信号分解到多尺度中，然后，在每一个尺度下把属于噪声的小波系数去除，保留并增强信号的小波系数，最后再重构出经过小波消噪之后的信号。一个含噪的一维信号模型可用以下形式来表示：S(x)=f(x)+k*e(x)(x=0,1,……,m-1)上述公式中，f(x)代表真实信号，s(x)代表含噪信号，e(x)代表噪声。以一个简最单噪的声型模举说例明，e(i)高是斯白声噪n(0,1)，在实工际作中，有的用号信常表通现为低信频号，而声噪信号常通表为现高信频号消噪，所以，过程可以按照可以以下方法的行进理处：先首，信对号行进波小解分，声噪分部常通包被在含cb1、cb2、cb3等频部高分解级的分数由中，此们，我可门以用限等形阈小波值进式对系处数行理，后然再对信进重行构，以一个最简单的噪声模型举例说明，e(x)即是高斯白噪声，在实际工作中，有用的信号通常表现为低频信号，而噪声信号通常表现为高频信号，所以，消噪过程可以可以按照以下的方法进行处理：首先，对信号进行小波分解，噪声部分通常被包含在cD1、cD2、cD3等高频部分的分解级数中，由此，我们可以用门限阈值等形式对小波系数进行处理，然后再对信号进行重构，这样就可以达到消噪的目的。2.3图像消噪中的小波变换只要是在对一维信号进行消噪的过程中可以使用的方法，就也是可以运用到对二维的图像的消噪处理中。含有噪声的二维信号模型可以用以下公式来表达：S(x,y)=f(x,y)+δ·e(x,y)x,y=0,1,2…,n-1;其中，e(x,y)代表的是标准偏差不变的高斯白噪声。对二维图像信号进行图像消噪的步骤与对一维信号进行信号消噪的步骤是一样的，不同的是，在对二维图像信号的处理中，把对一维信号进行处理的分析工具替换成了对二维信号进行处理的分析工具。或者，采用的是保持阀值不变的处理形式的，所选用阀值就是用n2代替了一维信号中的m。对二维图像信号进行降噪处理的步骤：第一步，对二维信号进行小波分解。首先，要选择一个小波，再选择一个进行小波分解的层次n,然后，计算出信号s到第n层的分解。第二步，进行对二维信号中的高频系数进行阀值的量化。给第1层到第n层中的每一层都选择一个阀值，然后，对每一层上的高频系数都进行阀值的量化处理。第三步，对二维图像信号进行小波重构。根据小波分解在第n层上的低频系数加上上一步中的从第1层到第n层的每一层的高频系数，最后计算出二维信号的小波重构。在上述的三个步骤中，我们需要特别注意的是阀值的选择和如何对阀值进行量化处理[2]。基于小波变换的消噪方法是利用了小波变换中的“变尺度特性”，噪声信号通常与正常信号的小波系数有很大不同，所以，只要能选出合适的阀值，然后减去所有绝对值小于这个阀值的小波系数，就可以去掉噪声信号，以此来实现对二维图像信号的进行消噪[4]。宿州学院2013届本科毕业论文图像消噪处理3.图像消噪处理3.1二维小波的特性小波变换是一种信号的时间——尺度分析方法，它具有多分辨率分析的特点，而且在时频两域都具有表征信号局部特征的能力，是一种时间窗口和频率窗口都可变，窗口大小固定不变但其形状可变的时频局部化分析方法，即在低频部分具有高频率分辨率和高时间分辨率，在高频部分则具有高时间分辨率和低频率分辨率，很适合探测正常信号中夹带的瞬态反常现象并展示其成分。小波分析是把信号分解成低频a1和高频d1两部分，在分解中低频a1中失去的信息由高频d1捕获,在下一层的分解中，又将a1分解成低频a2和高频d2两部分，低频a2中失去的信息由高频d2捕获，以此类推，可以得到更深层的分解[1]。二维小波分析是从一维小波分析演变而来的，二维小波分析把尺度I的低频部分分解成了由由尺度i+1的低频部分和三个方向的高频部分组成的四个部分，这样一来，不仅有效得减少了计算量，同时也能满足了实时很关键处理的要求，并且，也为累进编码的实现提供了条件。3.2用小波变换算法对图像消噪我们所知道的，含噪图像f(x,y)是由原图像S(x,y)和噪声图像e(x,y)组成的，数学公式表达为：f(x,y)=S(x,y)+e(x,y)。所以，尽最大可能来消去e(x,y)就是对图像进行消噪处理，在此同时，我们也要尽力防止消去了有用的信息，即减少S(x,y)的损失。比起很多传统的对图像进行消噪处理的算法，小波变换算法可以避免过度消噪，减少源图像S（x,y)的是损失，用小波变换算法消噪有以下三种方法：强制消噪[1]这种方法比起另外两种方式要较为简单。在消噪过程中，先将图像信号中所有的高频信号的系数都置零。在对余下的所有低频信号进行小波重构。在对同一个二维图像信号进行消噪处理的过程中，这一方法是可以多次使用的。默认阈值消噪[1]这是一个非常典型的消噪处理方法；先要得到一个在消噪过程中的默认阈值，接着，用WDENCMP()来对二维图像信号进行消噪。独立阈值消噪[1]在1层到n层的每一层都选取一个独立的阈值，然后用WDENCMP()对图像进行消噪处理，在这种方法中需要自行选择阈值，而阈值的选取直接影响到了消噪的效果。所以阈值的选取是这个方法中最关键的一点也是难点。在实际应用中，阈值要靠公式计算获得。综上所述，这三种方法都有其不同的优缺点。其中，强制消噪法相对容易实现，实际使用起来也更方便，如果二维信号的噪声相对来说多处于高频信号中，用这种方法来进行消噪会比较好，但是，如果大多数噪声在低频信号中，那用这种方法消噪就不太合适了。而默认阈值消噪法中，由于阈值是固定的，在实际使用中，默认阈值消噪可能造成可用信息消失，造成消噪结果有误差。而独立阈值消噪法在每一层都进行阈值消噪，使得得到的消噪结果更为准确，所以，大多数情况下我们使用第三种方法来进行消噪。3.3在MATLAB中进行仿真在MATLAB中并不能处理所有类型的图像，他的图像处理工具箱只能处理索引图像、灰度图像及二进制图像，而MATLAB小波工具箱大多数情况下只能处理索引图像[4]。所以当我们需要对RGB图像进行小波处理时，就必须转换为灰度图像（如图3.1所示）图3.1RGB图像转变为灰度图像编写二维小波变换程序，对图像进行去噪：I=imread(‘C:\MATLAB7\work\DSC0134.jpg’);I1=rgb2gray(I);%转化为灰度图像subplot(1,2,2),imshow(I1)subplot(221);%新建窗口image(I);%显示图像title(‘原图‘);axissquare;%画出原图象[c,s]=wavedec2(I1,2,’sym4’a1=wrcoef2(‘a’,c,s,’sym4’subplot(222);image(a1);title(‘第一次消噪后图象’);axissquare;a2=wrcoef2(‘a’,c,s,’sym4’subplot(223);image(a2);title(‘第二次消噪后图象‘);axissquare;%画出第二次低通滤波消噪后图象运行结果如下图所示：图3.2图像消噪运行结果对上图中的几种消噪结果图像进行对比，第一次对图像进行消噪时，滤除了很大一部分的高频噪声，但是，对于原始图像来比较，还是存在很多高频噪声，而接下来的第二次对图像消噪建立在了第一次消噪处理的基础上，第二次去除了图像中的高频噪声，这样一来，图像的去噪效果就要要好一些。但是可以从结果图中看出，第二次去噪也造成了图像的边缘模糊，所以在实际应用中需要酌情考虑对图像的多次消噪。宿州学院2013届本科毕业论文图像的边缘检测4.图像的边缘检测4.1边缘检测的基本原理经过图像去噪的预处理之后，图像的清晰程度得到提高，同时，图像的边缘提取也是智能交通系统中的一个重要环节。图像的边缘是一个基本图象的特性，往往携带大量的图像的信息。图像存在着非固定的现象，即在一个给定的位置中的图像的内外边缘有并不平整的结构，有些边缘的信号改变特别突兀，而这些往往是非常重要的信息，在此条件下，我们需要对图像进行边缘检测，以此来提取图像的边缘。边缘检测算法是图像边缘检测问题的经典技术问题之一，其解决方案的特点，如高层次的描述的认识和理解有一个显着的影响;边缘检测可以使用的方式方法有很多，有非常重要的使用价值，因此，这个就成为了科研人员、专家学者们一直致力于研究和解决的一个重要问题，如何能得到一个良好的边缘检测算子，能得到良好的效果。图像边缘检测是最基础的形象的描述，最显着的特征，边缘检测是最经典的计算机视觉和图像处理领域的研究主题之一，边缘检测是衡量一个灰度变化检测的位置。对图像进行边缘检测的边缘检测器的高频信号从图像中分离，但也可以区分边缘和噪声的边缘位置的精确校准。被称为“数学显微镜”的小波变换在时域和频域具有良好的局部特性，小波变换的图像作为对应于小波变换的小波系数的边缘的图像的一阶导数的函数的平滑函数模极大值。其中，最为经典的边缘检测方法有：一阶导数极大值点算法(例如Robert算子、索贝尔算了、Canny算子)，二阶导数零交叉点算法(例如LoG算子)等等,目前最新的检测方法有数学形态学的方法、模糊算子法、神经网络法、小波分析法、遗传算法、动态规划法、分形理论法等等。[6]基本原理的数学表达：设是二维平滑函数。让它沿x1，x2两个方向上的一阶导数作为两个基本小波：（1）（2）再令：（3）（4）其中，对任意二维函数f（x1，x2）L2（R2），其小波变换有两个分量：沿x1方向：（5）沿x2方向：（6）其中**代表而为卷积，他的具体含义是：，i=1或2。（7）小波分量可简记成矢量形式：（8）其中是被平滑后的图像。（8）式表明WT1和WT2分别反映此图像灰度沿x1和x2方向的梯度。通常取a为2j(jZ)，而f（x1，x2）的二进小波变换为矢量：（9）其模值是：（10）其幅角（与x1方向的夹角）是：（11）边缘定义为Mod[WTf]取极值之处，其方向则沿与Arg[WTf]垂直的方向。但是噪声也是灰度突变点，也是极大值点[6][7]。由于小波的能量集中的特性，如果噪声的能量集中，这将会使少数的小波系数的边缘上的小波系数的振幅较大，如果噪声能量分散，振幅越小的小波系数，因此，一阶导数的平滑函数对图像进行小波变换模极大值的小波系数大于一定的阈值所对应的点就是图像的边缘，这是小波变换进行边缘检测的原理。4.2边缘检测的定义图像边缘是图像的最基本特征，在图像的分析中图像边缘检测起着非常重要的作用。这里所说的边缘（edge）指的是图像局部特征的间断性。图像色界的突变就被称为边缘，例如：灰度的突变、色彩的突变、纹理结构的突变。边缘代表着一个区域的结束与另一个区域的开始，我们可以利用这种特征来分割图形。图4.1灰度级跳跃变化的边缘模型如上图所示，我们所希望看到的理想的边缘应该具有如图4.1(a)所示的图像模型的特性。切面上的每个点都处在灰度级跃变的一个垂直的界面上。而在现实生活中，因为受到摄像摄影工具的特性、天气干扰和车牌照表面是否清洁条件等因素的影响，得到的边缘一般都是不清楚的，边缘被模拟成具有“斜坡面”的剖面，在图4.1(b)中，这个模型中图像的边缘并不是一条单一的线条，相对的，边缘是块状的。由此可以看到：图像边缘模糊不清导致边缘的宽度变大，而相对清晰的边缘可以使得边缘的宽度变小。图像的边缘有方向和幅度两个属性，沿边缘方向像素变化平缓，垂直于边缘方向像素变化剧烈。边缘上的这种变化可以用微分算子检测出来，通常用一阶导数或二阶导数来检测边缘，不同的是一阶导数认为最大值对应边缘位置，而二阶导数以过零点对应边缘位置。实际上，对于图像中的任意方向上的边缘都可以进行类似的分析。图像边缘检测中对任意点的一阶导数可以利用该点梯度的幅度来获得，二阶导数可以用拉普拉斯算子得到。4.3图像边缘检测的应用领域图像是人类获取和交换信息的主要来源，必然涉及到人类生活和工作的各个方面，所以边缘的图像处理应用。随着人类活动的范围，图像边缘检测与提取加工的应用范围不断扩大，也将随之扩大。数字图像的边缘检测，也称为计算机图像的边缘检测，它是指图像信号被转换成数字信号，和计算机处理的程序。数字图像边缘检测最早出现在20世纪50年代，当计算机已经发展到一定水平，人们开始用计算机图形和图像信息。数字图像的边缘检测，输入时是低质量的图像，输出时是质量得到改善的图，图像增强，锐化，复原，编码，压缩，提取和其他常见的图像处理方法都是进行边缘检测的方法。图像边缘检测的主要应用范围有：（1）在医学方面的应用，数字图像边缘检测，可广泛应用于生物医学工程，事实证明，它是非常有效的。除了在CT技术中，还有一类是对微小的图像处理和分析，如红血细胞，白血细胞的检测，染色体分析的边缘，癌细胞的识别和判别中使用到边缘检测。此外，在X射线心电图分析，立体定向放射治疗的医疗诊断超声图像中，图像增强，边缘检测，图像分析和处理技术都被广泛应用。（2）航天、航空技术，数字图像的边缘检测提取技术在航空、航天技术方面的应用，还有在飞机遥感和卫星遥感技术方面的应用。20世纪60年代后期以来，一些国际组织开发了资源遥感卫星和宇宙实验室，但由于飞机位置、状态、环境条件和其他成像条件的影响，图像质量并不总是很高。装备了国家的最先进的计算机图像边缘检测系统，分析首先提取图像的边缘，节省人力，也加快了速度，并作了大量人工也没能找到的很多有用的信息。（3）公共安全及军事方面的应用，公众安全的企业形象演绎，指纹识别，面部识别，恢复全貌，和交通监控，事故分析。已投入运行的高速公路不停车自动收费系统的车辆自动识别和车牌自动识别，这些都是图像边缘检测技术的成功应用的例子。特别是军事方面的图像边缘检测和识别精度导弹，侦察照片判读，识别未知来电武器，军事指挥自动化系统的图像传输，存储和显示，飞机，坦克和军舰的类型使用类似教育系统。（4）交通管理系统的应用，随着中国的经济建设的快速发展，城市的人口和车辆的数量也快速增长，日益恶化的沉重的交通拥堵，交通事故时有发生。在城市管理中，交通问题已成为一个重大的社会问题，阻碍和制约国家经济建设的发展。城市交通为了解决这个问题，有必要准确地掌握交通信息。常见的通信流的检测方法是人工监测，埋地感应线圈，超声波探测器，视频监控。其中，视频监控比其他方法是有更多的优点的方法。需要车牌识别系统和车辆识别系统的图像边缘检测技术，交通目标捕获和交通的目标行为使用的计算机处理系统，使实时检测，自动统计繁忙的道路和机动车辆，车辆的行驶速度和车辆识别号码分门别类计算，做如实反馈的流量参数和监控路况。图像边缘检测应用在车辆识别系统概述：（1）车辆识别系统是一个集图像边缘检测系统和信息管理系统为一体的综合系统。要更新计算机图像的边缘检测图像输入装置，图像的存储和显示，这些组件的组合物总输出的图像和计算机接口的一些最重要的部分，该程序的各个部分的性能直接的质量该处理系统。（2）摄像头捕捉图像，将图像传递到到计算机中，然后对捕获的图像序列的进行图像边缘检测，图像分析和图像理解，输出交通流量数据和交通条件信息。（3）应用举例车牌识别技术，车牌自动识别计算机视觉，图像边缘检测与模式识别，智能交通应用领域最重要的研究课题之一是智能交通管理的重要组成部分，包括车牌定位，字符分割和登记的车牌字符识别三个主要组成部分。车牌识别系统在实际交通系统在发达国家已成功应用，而我国的开发和应用基本停留在实验室阶段而且进展缓慢。4.4图像边缘检测算法的研究图像边缘检测的目的是为了提高所获得的信息的质量，以提取有用的信息。变换图像的输入/输出模式属于边缘的图像，图像处理边缘检测的特定应用程序在个别问题上的所有新技术和新方法的图像处理边缘检测的发展是来说话，可以肯定会发现另一个完全不同的应用领域。图像边缘检测的主要研究内容包括：（1）图像和人眼的视觉领域采样捕捉图像最常用的图像采集设备-电视（TV）相机的问题，独立采样和数字化的信号可以表示以数字形式sceneall的的颜色内容;充电-电荷耦合器件作为图像传感器，该图像传感器，每个扫描行上的场景，或由平行扫描图像;选择正确的分辨率或采样密度，图像本质上是一个二维空间中的信号，规则同样适用于信号处理在放射图像边缘检测往往需要至少为2048像素×2048像素的灰度量化高分辨率图像，还必须进行数字化影像的强度，一般情况下在256（按1个字节编码）覆盖了整个灰色一般的灰度缩放8比特分辨率，分辨率为512px×512px，需要0.25兆字节的存储容量。（2）切割图像分割图像使其成为它的组成成分，以每一层为测量目标。图像分割是一个非常困难的过程。测量结果的质量在很大程度上决定了对图像进行分割的质量。有两种不同类型的图像分割方法。一种方法是，假设为每个组件的图像强度值是均匀的和均匀性，另一种方法找到的图像分量之间的边界，因此，使用图像不均匀。主要有：直方图分割，区域生长，梯度法等等。（3）边界搜索检测图像的线性部分结构通常作为图像分割的预处理步骤。一个梯度算子的水平方向上的梯度算子的形式对图像进行边缘检测技术，可以应用，垂直或对角线方向的边界可以在任何方向上检测用复合材料的顺序。（4）图像增强和恢复，用于改善图像质量。不同的增强技术可用于不同的目的，这取决于应用程序的类型。如果您打算直接观察的图像，你可以增加对比度。如果是为了进一步的图像数字处理，你可以选择分区（运营商之间的一个突出的边界和线性结构的每一图像分量）。该技术可以是整体的或局部的，也可以进行在频域或空间域。图像增强不考虑图像退化的原因，突出部在图像中的兴趣。（5）特征提取图像分割图案匹配的区域，内容，其中一些要进行预先的处理，根据一些已知的方法来对图像进行分割，然后进行特征提取，在最近几年，怎样更准确地进行图像的边缘提取与检测以及字符识别也成为了一个大家致力于解决的研究课题。（6）图像变换通常情况下，一些比较大的图像，需要直接在一个特定的空间域中进行计算，这样的图像一般的计算量会比较大。因此，经常使用的各种图像变换的方法，如傅立叶变换，沃尔什变换，离散余弦变换的间接技术，处理空间域变换域转换处理，导致计算量的减少，而较高的加工效率。新的研究小波变换的时间和频域具有良好的定位性能，它具有广泛而有效的应用在图像边缘检测。4.5边缘检测算子图像的边缘检测算子主要有：索贝尔算子，方向算子，拉普拉斯算子，Canny边缘检测算子，沈俊边缘检测方法和曲面拟合法。（1）索贝尔算子索贝尔算子一种用于图像处理的算子，它的主要作用就是用于图像边缘的提取。从数学方面来说，这是一种离散性差分算子，主要就是用于图像的梯度的计算。在二维图像信号的处理中，它可被用于计算每个像素点的梯度矢量。索贝尔算子由两个3*3矩阵所构成，两个矩阵保存了其纵向以及横向数据，经过计算就可以获得横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像其公式如下:然后，用图像的每个像素点的横向和纵向梯度的近似值和下面这个公式进行结合，计算出梯度再计算梯度的方向在上述的公式中，当计算出的θ的值是0时，就说明这个图像在这一点有纵向边缘。索贝尔算子有两种，这两种算子分别用来检测横向边缘和纵向边缘。同时，索贝尔算子还有另外一种形式，这就是各向同性索贝尔算子，相同的，这种算子也有两个，分别是用来检测横向边缘和纵向边缘的。各向同性索贝尔算子比普通索贝尔算子的位置加权系数更加准确，在检测不同方向的边沿时梯度的幅度一致。由于索贝尔算子是滤波算子的形式，在边缘的检测中使用时，可以利用快速卷积函数，十分便捷，因此得到广泛的应用。但是，索贝尔算子也有不好的一面，索贝尔算子并没有将图像的主体与背景严格地区分开来，换言之就是索贝尔算子没有基于灰度对图像进行处理，由于索贝尔算子并没有严格的模拟人的视觉生理特性，所以有时候提取出来的图像轮廓并不能完全令人满意。在对图像进行检测的时候，我们通常首先注意到图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们给出了下面阈值化轮廓提取算法，该算法已在数学上证明当像素点满足正态分布时所求解是最优的。索贝尔边缘算子的卷积和图5.2所示，在图像中的每个像素都用这两个核做卷积。这两个核分别对垂直边缘和水平边缘响应最大，两个卷积的最大值作为该点的输出位。运算结果是一幅边缘幅度图像。-1-1-2-1000121-101-202-101图4.2索贝尔边缘算子索贝尔算子认为邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越大，产生的影响越小。（2）canny算子Canny边缘检测基本原理：过滤掉噪声和保持边缘特性最优边缘检测滤波器，它采用一阶差分滤波器。使用一阶方向导数在任意方向上的一个二维高斯函数作为一个噪声滤波器，与图像的卷积过滤，找到滤波后的图像梯度的局部最大值和图像，以确定该图像的边缘。据的信号对噪声比的测量和定位的产品的最优化逼近算子。这就是Canny边缘检测算子。Canny边缘检测算法：第一步:利用用高斯滤波函数来处理图象；第二步:计算梯度的幅值和方向时使用一阶偏导；第三步:对梯度幅值进行非极大值抑制；第四步:双阈值算法的利用与边缘链接。用数学表达出来如下所示：第一步：二维高斯函数为：=在n方向上是的一阶导数为：==n▽n==式中：n是方向矢量，▽是梯度矢量。将图像与作卷积，同时改变n的方向，*取得最大值时的n就是正交于检测边缘的方向。第二步：=，=*=反映了图像(x,y)点处的边缘强度，是图像(x,y)点处的法向矢量。第三步：抑制非极大值利用梯度方向：图4.3抑制非极大值将扇区以0到3编号，对应3*3邻域的四种可能的组合。然后，在每个扇区中，邻域的中心像素M与沿着梯度线的两个像素相比。如果M的梯度值不比沿梯度线的两个相邻像素梯度值大，则令M=0。第四步：选取阈值①边缘判别：所有的边缘的强度必须大于高阈值的边缘点。任何边缘的强度只要比低阈值小的，就绝对不会是边缘点。而边缘的强度在低阈值和高阈值之间的情况下，像素的边缘点相邻的像素是否高于高阈值，如果存在，它是边缘点，如果没有，它不是边缘点。②连接边缘：双阈值算法的图像效果两个阈值T1和T2，非极大值抑制和2T1≈T2，从而获得两个阈值边缘图像G1（X，Y）和G2（X，Y）。值得使用高阈值G2（X，Y），并含有少量的伪边缘，而且是间歇性地（不闭合）。双阈值的方法，在G2（X，Y）的边缘连接成的轮廓达到终点时，在G1上的8邻点的位置，可以被连接到轮廓的边缘，这样，算法连续地收集在G1（X，Y）的边缘，直到G1（X，Y）连接上。Canny算子检测方法的优点：（1）相对来说有误差的可能性小，边缘点很少被误认为是一个非边缘点；（2）定位精度高，准确的定位在最大的像素灰度变化的边缘点上；（3）抑制虚假边缘。Roberts算子在几种算法中使用了的图像的模板，模板运算处理装置的图像-邻域处理，有许多的运算符可用于图像增强的模板来实现，如平滑效果，中值滤波，图像凹凸效果。首先定义一个模板，在模板中的运算符，3*3的模板的大小的比较常用的，也有2*5*5或更大的大小。操作中，中心的模板对应的图像的各像素位置，然后根据与模板对应的公式，计算的结果作为值的对应像素的中心像素和其周围像素进行数学运算输出图像。这些经典的边缘提取算子，虽然各有不同，具有不同的优势，但他们也有一个共同的特点：每个算子对应到预定义的边缘，是在他们最适合的情况下，这意味着他们具有针对性。这一点在他们的目标应用中具有优越性，可以帮助我们来完成一个特定的任务。4.6基于Matlab的实验结果与分析在Matlab中输入程序代码：I=imread('C:\MATLAB7\work\DSC0134.tif');%读取图像figure(1)imshow(I);title('原图像');[m,n]=size(I);%用索贝尔微分算子进行边缘检测I1=edge(I,'索贝尔');figure(2)imshow(I1);title('索贝尔边缘检测得到的图像');I2=edge(I,'canny');%用canny微分算子进行边缘检测figure(3)imshow(I2);title('canny边缘检测得到的图像');实验结果：原图索贝尔边缘检测canny边缘检测图4.4边缘检测算子运行结果分析比较：1.索贝尔算子，根据测算点的上下左右相邻的像素的灰度值加权值，以得到最大值，在最大值时即使边缘，以此来对图像进行检测来得到边缘。当对边缘精度要求不是很高时，这是一个较为常用的边缘检测方法。2.canny算子边缘检测的最有代表性的局部极值的边缘检测算子，无论是从视觉效果和客观的评价来看，这种算子提取的边缘是一种线性连接效果更好的边缘，提取出的是一种相对完整的，也更精细的边缘宿州学院本科毕业论文基于小波变换的图像边缘提取5.基于小波变换的图像边缘提取5.1多尺度算法的基本思想边缘检测是智能交通系统的研究中的一个重要而又困难的问题。之所以会造成这个问题的困难的原因总体来说有两个。一个原因是每个图像的边缘构造都有所不同，有些是非常复杂的。在实际生活中，一个实物的边缘往往都是他们本身的实际边缘以及在这些图像经过或多或少的模糊化后所形成的图像加以重叠所得到的结果。还有每个人的观察角度不同以及在不同情境下的观察结果的细微的不同都有可能造成观察结果的误差。另一个是要在分辨出图像的边缘与图像本身所具有的噪声，这两个都是高频信号，很容易将它们弄混。边缘与噪点之间最明显的不同就是它们所释放的能量不同。边缘的能量及范围比较大，所以，在平滑滤波的作用下，它会被模糊化而不会像噪点那样消失。所以，在经过空间导数方法得到其边缘后，所得到的大多是较真实情况稍有移位。多尺度方法的基本思想是在大尺度下抑制噪声，有效地提取边缘，再在小尺度下精确定位，以得到精确的边缘位置。传统的边缘检测算法有很多缺点，比如耗费的人力较大，需要大量数学计算或者是对图像的定位不够准确。而基于小波变换的多尺度方法弥补了这些不足，同时可以估计边缘的尖锐与平滑程度。5.2小波多尺度算法多尺度边缘的融合不等于将不同尺度下的边缘的简单相加，因为不同尺度的边缘检测算子对同一边缘的响应并不相同，由此，在不同尺度下的边缘增强图像也不相同，如果边缘只是简单相加，那必然的不到正确的边缘位置。小波理论采用不同的尺度进行滤波，在小尺度上图像边缘细节要更为复杂，边缘的定位精度也很高，美中不足是较容易受到噪声的干扰，相对的，在大尺度上的图像边缘检测较为稳定，抗噪性较好，但是定位精度相对较低。多尺度边缘检测是将图像f(x),通过个函数的伸缩作卷积，然后使用canny算法实现图像的边缘检测计算上就是与两个小波函数的两个偏导数作用：（1）（2）应用小波的图像边缘检测在小同尺度上的变换结果都提供了一定的边缘信息。小波理论采用不同的尺度进行滤波，在小尺度上图像边缘细节要更为复杂，边缘的定位精度也很高，美中不足是较容易受到噪声的干扰，相对的，在大尺度上的图像边缘检测较为稳定，抗噪性较好，但是定位精度相对较低。5.3Matlab仿真结果在Matlab中输入代码：clearall;I=imread('C:\MATLAB7\work\DSC0134.tif');%IX=ind2gray(I,map);imshow(IX);I1=imadjust(I,stretchlim(I),[0,1]);%调节灰度图像的亮度figure;imshow(I1);[N,M]=size(I);h=[0.125,0.375,0.375,0.125];g=[0.5,-0.5];delta=[1,0,0];J=3;a(1:N,1:M,1,1:J+1)=0;dx(1:N,1:M,1,1:J+1)=0;dy(1:N,1:M,1,1:J+1)=0;d(1:N,1:M,1,1:J+1)=0;a(:,:,1,1)=conv2(h,h,I,'same');dx(:,:,1,1)=conv2(delta,g,I,'same');dy(:,:,1,1)=conv2(g,delta,I,'same');x=dx(:,:,1,1);y=dy(:,:,1,1);d(:,:,1,1)=sqrt(x.^2+y.^2);I1=imadjust(d(:,:,1,1),stretchlim(d(:,:,1,1)),[01]);figure