CN106815587B - 图像处理方法及装置 - Google Patents

Abstract

本发明是关于图像处理方法及装置，所述方法包括：获取待处理的图像；根据所述图像中像素点的颜色分量的差异区分所述图像的阴影区域和非阴影区域；分别对所述图像的阴影区域和非阴影区域进行二值化，获得二值化后的图像；根据所述二值化图像进行前景识别。本发明采用图像本身的颜色信息对阴影区域和非阴影区域进行有效区分，可以适用大多数的阴影规则，不受时间和不同地区的光照角度而影响，也能适用于不规则阴阳分界线的图像。本发明简单有效，性能开销很小，鲁棒性较高。

Description

图像处理方法及装置

技术领域

本申请涉及图像技术领域，尤其涉及图像处理方法及装置。

背景技术

随着图像处理技术的飞速发展，图像识别技术越来越成熟，图像识别的需求越来越多，例如视频监控系统中通常需要对图像进行前景识别，确定车牌字符。车牌图像识别的难点在于光影干扰多，成像环境复杂。传统技术中的车牌图像识别能够做到在光照良好、成像良好的情况下，达到较高的识别率。但若光照条件较差或遮挡物较多等因素干扰的情况下，不同车牌识别技术的识别率和鲁棒性区别较大。

在实际应用中，光照条件对车牌图像识别率的影响最大。由于光照和车辆构造原因，电警相机拍摄的车牌有部分处于阴影中，导致整体光照不均匀，这种情况拍摄的车牌图像通常称为阴阳车牌图像。电警相机的光照阴影造成的阴阳车牌问题比较普遍，而且这种干扰会随着不同的地理经纬度、一天不同的时间段而造成不同的影响效果，从而直接影响车牌识别算法的鲁棒性。

在进行阴阳车牌图像的识别时，需确定阴阳分隔线，也即是需获得已区分阴影区域和非阴影区域的二值车牌图像。而获得二值车牌图像的难度在于无法对图像进行统一的二值化，而且由于光照的多变，也无法按照固定的区域进行独立二值化。因此对于多种不规则的阴影区域，需要有自适应的算法。

相关技术中有一种图像处理的方法，其首先对图像进行灰度化处理，得到灰度图像，再对灰度图像进行矩形分割，接着对矩形区域的边缘统计信息计算各个矩形区域的亮度阈值和二值图像，最后基于投票策略计算灰度图像的二值图像。该方法需要对所有矩形进行边缘统计和二值图像计算，其计算量较大。另外，投票策略产生的是一种折中阈值，如果一个矩形之内，大部分都是阴影，只有小部分高亮，而恰好这小部分是某个字符的一部分，那就可能造成这小部分的二值化效果被周边大部分阴影的投票湮没掉，阴阳分界的识别效果较差。而且实际中光照不同、阴影深浅不同，只用同一个投票策略难以保证算法的鲁棒性。

综上，相关技术在进行图像识别时，阴阳分界的识别效果较差，且计算量较大，鲁棒性较低。

发明内容

为克服相关技术中存在的问题，本申请提供了图像处理方法及装置。

根据本申请实施例的第一方面，提供一种图像处理方法，所述方法包括：

获取待处理的图像；

根据所述图像中像素点的颜色分量的差异区分所述图像的阴影区域和非阴影区域；

分别对所述图像的阴影区域和非阴影区域进行二值化，获得二值化图像；

根据所述二值化图像进行前景识别。

所述像素点的颜色分量的差异为第一颜色分量的加权值与第二颜色分量的加权值的差值，所述第一颜色分量和第二颜色分量为根据所述图像的底色选取的两个颜色分量。

所述根据所述图像中像素点的颜色分量的差异区分所述图像的阴影区域和非阴影区域，包括：

获取目标图像，所述目标图像中每一像素点的像素值根据下式计算得到：

Pix＝max(0，Y)

其中，Pix为目标图像中像素点的像素值，Y为所述图像中像素点的颜色分量的差异，max(0，Y)表示取0或Y中的较大值；

对所述目标图像中像素点的像素值进行二值化；

对二值化后的目标图像进行膨胀处理；

根据膨胀处理后的目标图像中前景区域的位置，确定所述图像的阴影区域和非阴影区域。

当所述图像为车牌图像时，所述膨胀处理中膨胀方向为与所述车牌图像中字符排列方向平行的方向。

所述根据膨胀处理后目标图像中前景区域的位置，确定所述图像的阴影区域和非阴影区域，包括：

在膨胀处理后的目标图像中查找包含像素点最多的最大联通区域作为所述前景区域；

将所述前景区域在所述目标图像中的坐标映射至所述图像，确定所述图像的阴影区域和非阴影区域。

所述分别对所述图像的阴影区域和非阴影区域进行二值化，包括：

将所述图像转换为灰度图像；

分割所述灰度图像的阴影区域和非阴影区域；

分别对所述灰度图像的阴影区域和非阴影区域进行灰度均衡化；

分别对灰度均衡化后的阴影区域和非阴影区域进行二值化；

合并二值化后的阴影区域和非阴影区域。

根据本申请实施例的第二方面，提供一种图像处理装置，所述装置包括：

图像获取模块，用于获取待处理的图像；

区分模块，用于根据所述图像中像素点的颜色分量的差异区分所述图像的阴影区域和非阴影区域；

图像二值化处理模块，用于分别对所述图像的阴影区域和非阴影区域进行二值化，获得二值化图像；

识别模块，用于根据所述二值化图像进行前景识别。

所述像素点的颜色分量的差异为第一颜色分量的加权值与第二颜色分量的加权值的差值，所述第一颜色分量和第二颜色分量为根据图像的底色选取的两个颜色分量。

所述区分模块，包括：

目标图像获取子模块，用于获取目标图像，所述目标图像中每一像素点的像素值根据下式计算得到：

Pix＝max(0，Y)

其中，Pix为目标图像中像素点的像素值，Y为所述图像中像素点的颜色分量的差异，max(0，Y)表示取0或Y中的较大值；

目标图像二值化处理子模块，用于对所述目标图像中像素点的像素值进行二值化；

膨胀子模块，用于对二值化后的目标图像进行膨胀处理；

确定子模块，用于根据膨胀处理后的目标图像中前景区域的位置，确定所述图像的阴影区域和非阴影区域。

当所述图像为车牌图像时，所述膨胀处理中膨胀方向为与所述车牌图像中字符排列方向平行的方向。

所述确定子模块，包括：

最大联通区域查找子模块，用于在膨胀处理后的目标图像中查找包含像素点最多的最大联通区域作为所述前景区域；

映射子模块，用于将所述前景区域在所述目标图像中的坐标映射至所述图像，确定所述图像的阴影区域和非阴影区域。

所述图像二值化处理模块，包括：

灰度转换子模块，用于将所述图像转换为灰度图像；

分割子模块，用于分割所述灰度图像的阴影区域和非阴影区域；

灰度均衡化子模块，用于分别对所述灰度图像的阴影区域和非阴影区域进行灰度均衡化；

二值化子模块，用于分别对灰度均衡化后的阴影区域和非阴影区域进行二值化；

合并子模块，用于合并二值化后的阴影区域和非阴影区域。

基于上述技术方案，本发明实施例中，对于底色具有明显的颜色特征的图像，可以采用图像中像素点的颜色分量的差异对阴影区域和非阴影区域进行有效区分，可以适用大多数的阴影规则，不受时间和不同地区的光照角度而影响，也能适用于不规则阴阳分界线的图像；由于图像区分了阴影区域和非阴影区域，则可分别对阴影区域和非阴影区域进行二值化，其计算量较小。本发明简单有效，性能开销很小，鲁棒性较高。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本发明根据一示例性实施例示出的一种图像处理方法的流程图。

图2是本发明根据一示例性实施例示出的一种带有阴影区域的蓝色车牌图像的示意图。

图3是本发明中图1所示实施例中步骤102的流程图。

图4是本发明中图1所示实施例中步骤103的流程图。

图5是本发明根据一示例性实施例示出的一种用于图像处理装置的硬件结构图。

图6是本发明根据一示例性实施例示出的一种图像处理装置的结构图。

图7是本发明根据一示例性实施例示出的另一种图像处理装置的结构图。

图8是本发明根据一示例性实施例示出的另一种图像处理装置的结构图。

图9是本发明根据一示例性实施例示出的另一种图像处理装置的结构图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请中可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本发明实施例中提出一种图像处理方法，可以应用于包括前端设备和管理平台的智能监控系统中，前端设备可以用于对车辆进行图像采集。其中，前端设备具体可以为电子警察系统中用于采集车辆图像的摄像机等，前端设备用于对监控路面经过的车辆进行连续图像抓拍，并通过网络将车辆图像(包括车辆上车头或车尾的车牌号码)传输到管理平台进行后续处理。

在上述应用场景下，该图像处理方法具体可以应用于智能监控系统中对车牌图像进行字符识别。后续内容将以车牌图像处理为例进行说明，可以理解的是，本发明提供的方法还可以用于其他需进行图像识别的应用场景，该图像也可以是除车牌图像外的其他类型的图像。

如图1所示，图1是本申请根据一示例性实施例示出的一种图像处理方法的流程图，可以包括以下步骤101-104：

在步骤101中，获取待处理的图像。

在步骤102中，根据所述图像中像素点的颜色分量的差异区分所述图像的阴影区域和非阴影区域。

在步骤103中，分别对所述图像的阴影区域和非阴影区域进行二值化，获得二值化后的图像。

在步骤104中，根据所述二值化图像进行前景识别。

本发明实施例中，对于底色具有明显的颜色特征的图像，可以采用图像中像素点的颜色分量的差异对阴影区域和非阴影区域进行有效区分，可以适用大多数的阴影规则，不受时间和不同地区的光照角度而影响，也能适用于不规则阴阳分界线的图像；由于图像区分了阴影区域和非阴影区域，则可分别对阴影区域和非阴影区域进行二值化，其计算量较小。本发明简单有效，性能开销很小，鲁棒性较高。

对于步骤101，该图像可以是底色具有明显的颜色特征的图像，例如可以是车牌图像。以车牌图像为例，车牌本身是彩色的，其底色通常包括有：黑色、红色、蓝色或黄色等，而车牌号码颜色通常为白色或黑色，因此车牌区域具有明显的颜色特征。以车牌图像为例进行说明，电警相机拍摄的图像中通常包括车辆本身的其他位置，本发明实施例的待处理图像可以是车牌已正确定位，轮廓较准确的车牌图像。例如，可以采用相关技术中的车牌定位算法对图像进行车牌定位，获得轮廓清楚的车牌图像，接着采用本实施例的处理方法对该车牌图像进行前景识别，例如识别车牌图像中的车牌号码。

对于步骤102，摄像机拍摄的图像通常为彩色图像，彩色图像可以采用多种不同的颜色空间来描述其颜色信息，常用有RGB(Red，Green，Blue，红绿蓝)颜色空间、YUV(亮度、色度)颜色空间或HSV(色调、饱和度、明度)颜色空间等。对应上述不同的颜色空间，本发明实施例的颜色分量，可以是RGB(Red，Green，Blue，红绿蓝)颜色分量、YUV颜色分量或HSV颜色分量等，在根据像素点的颜色分量的差异区分阴影区域和非阴影区域时，可以根据所采用的颜色空间将图像转换为相应的格式。

接下来以RGB格式的图像为例进行说明，图像中任何一个像素点的颜色都由R、G、B三种颜色组成，也即是像素值分为R、G、B三个颜色分量，每个颜色分量表示一种颜色，R代表红色、G代表绿色、B代表蓝色。每个颜色分量可以有0-255共256种取值，通过三原色的不同比例可以组合成任何颜色，因此图像中的每一个像素点都有1600多万种的颜色变化。

由于图像中每个像素点的像素值由R颜色分量、G颜色分量和B颜色分量构成，代表该像素点的颜色特征。因此读取像素点的像素值，可以获得该像素点的颜色信息。而车牌图像通常具有固定的底色和字符颜色，当车牌图像中存在阴影区域和非阴影区域，则阴影区域和非阴影区域的像素点的颜色信息不同，因此通过车牌图像中像素点的RGB颜色分量的差异可以区分车牌图像的阴影区域和非阴影区域。

例如，常见的蓝色车牌通常是蓝色底和白色字符，则蓝色车牌图像中，非阴影区域图像像素点的像素值中，蓝色分量较大，红色分量和绿色分量较小，各颜色分量之间存在一定的差异；而阴影区域图像是在蓝色底图的基础上形成的较灰的颜色，相对于非阴影区域，像素点各颜色分量之间的差异变小，三者更为均等。

同理，若有红色底的车牌图像，则该图像中非阴影区域图像像素点的像素值中，红色分量较大，蓝色分量和绿色分量则较小；而阴影区域图像是在红色底图的基础上形成的较灰的颜色，相对于非阴影区域，各颜色分量之间的差异变小，三者更为均等。

因此，可以根据不同底色的车牌图像，分析像素点中RGB颜色分量的差异，从而区分出阴影区域和非阴影区域。在分析像素点中RGB颜色分量的差异时，可以根据不同底色的车牌图像确定相应的处理方式。

在一个实施例中，所述像素点的颜色分量的差异为第一颜色分量的加权值与第二颜色分量的加权值的差值，所述第一颜色分量和第二颜色分量为根据车牌底色确定的两个颜色分量。

例如，对于蓝色车牌图像，分析图像像素点的像素值可知，蓝色底图决定了车牌非阴影区域各像素点B-R(蓝色分量与红色分量的差值)的差异大于G-R(绿色分量与红色分量的差值)。而阴影区域是在蓝色底图的基础上形成的较灰的颜色，相对于非阴影区域，各颜色分量之间的差异变小，，因此可知，阴影区域中像素点的B-R的值则相对非阴影区域较小，从而根据每个像素点的B-R的值可区分出阴影区域和非阴影区域。

如图2所示，是本发明一实施例提供的一种带有阴影区域的蓝色车牌图像的示意图。图中选取了两个像素点Q1和Q2进行说明，Q1为阴影区域的像素点，Q2为非阴影区域的像素点。从Q1的像素值(10，34，72)和Q2的像素值(20，87，185)可知，阴影区域中像素点的B-R与非阴影区域中像素点的B-R的差异较大。

因此，对于蓝色车牌图像，可以采用第一颜色分量的加权值与第二颜色分量的加权值的差值作为像素点的RGB颜色分量的差异，该差异可以按下式计算：

Y＝pixB*1.1-pixR

在上述计算公式中，为了突出蓝色分量相对于红色分量的溢出，蓝色分量的权重采用1.1，对红色分量采用权重1，以使得蓝色分量相对于红色分量的溢出值更大，更方便后续对阴影区域和非阴影区域的区分。根据计算结果，Y值较大的像素点可以确定为是非阴影区域的像素点，Y值较小的像素点或者为负值的像素点可以确定为是阴影区域的像素点。

在实际应用中，蓝色分量与红色分量的权重可以根据需要而灵活设置，例如蓝色分量的权重值还可以设置为1.2等数值，红色分量的权重可以设置0.9或0.8等数值。

再举例说明，对于黄色车牌图像，分析图像像素点的像素值可知，黄色是由红色和绿色构成，蓝色分量非常小。黄色底图决定了车牌非阴影区域各像素点R-B(红色分量与蓝色分量的差值)和G-B都较大(绿色分量与蓝色分量的差值)，其G-R的值较小(绿色分量与红色分量的差值)。而阴影区域是在黄色底图的基础上形成的较灰的颜色，相对于非阴影区域，各颜色分量之间的差异变小，因此可知，阴影区域中像素点的R-B或G-B的值相对非阴影区域中像素点的R-B或G-B较小，从而根据每个像素点的R-B或G-B的值可区分出阴影区域和非阴影区域。

因此，对于黄色车牌图像，可以采用第一颜色分量的加权值与第二颜色分量的加权值的差值作为像素点的RGB颜色分量的差异，该差异可以按下式表示：

Y＝pixC1*t1-pixC2*t2

其中，C1和C2是颜色分量中的任两种颜色分量，t1为C1颜色分量的权重，t2为C2颜色分量的权重。对于黄色车牌，若采用RGB颜色空间进行计算，C1和C2可以选取R分量和B分量，或者也可以是G分量和B分量。

可以理解的是，上述蓝色车牌中选择B分量与R分量，黄色车牌中选择R分量与B分量仅仅是为了举例说明，在实际应用中，可以根据车牌图像的底色，选择合适的颜色分量和相应的权重计算像素点颜色分量的差异，从而区分车牌图像的阴影区域和非阴影区域。

同时，上述实施例仅以RGB颜色空间为例进行说明，可以理解的是，对于如YUV或HSV等其他颜色系统也同样适用，因为各个颜色系统之间的颜色分量值可以相互转换，可以将采用其他颜色空间的像素值转换为上述RGB颜色分量，或者也可以根据其采用的颜色空间的各颜色分量进行相应处理。例如，对于HSV颜色空间，在对上述蓝色车牌进行处理时，就可以用H＝240°的蓝色分量与H＝0°的红色分量，结合S和V的值进行加权差值的计算。

本公开实施例中，在确定像素点的颜色分量的差异后可以区分图像的阴影区域和非阴影区域；为了获得更为精确的区分结果，在一个可选的实现方式中，如图3所示，上述步骤102可以包括如下步骤201-205：

在步骤201中，获取目标图像，所述目标图像中每一像素点的像素值根据下式计算得到：

Pix＝max(0，Y)

其中，Pix为目标图像中像素点的像素值，Y为所述图像中像素点的颜色分量的差异，max(0，Y)表示取0或Y中的较大值。

在步骤202中，对所述目标图像中像素点的像素值进行二值化。

在步骤203中，对二值化后的目标图像进行膨胀处理。

在步骤204中，根据膨胀处理后的目标图像中前景区域的位置，确定所述图像的阴影区域和非阴影区域。

具体的，仍以车牌图像处理为例进行说明。将车牌图像记为Img3；对Img3，计算Pix＝max(0，Y)，得到目标图像，记为Img4；其中，Pix为Img4像素点的像素值，Y为Img3中像素点的颜色分量的差异，max(0，Y)表示取0或Y中的较大值。通过步骤201的处理，此时目标图像Img4中，像素点的像素值为0或Y，通过前述说明可知，对于阴影区域的像素点，Y值较小，可能为负值，而对于非阴影区域像素点，Y值较大。因此通过计算Pix，可以从Img4各像素点的值区分出阴影区域和非阴影区域；Y值较大的像素点属于非阴影区域，0或较小的Y值的像素点属于阴影区域。

对Img4进行二值化操作，得到Img5。在实际应用中可以采用最大类间方差法进行二值化。最大类间方差法是一种自适应的阈值确定的方法，又叫大津法，简称OTSU。该算法按图像的灰度特性，可将图像分成背景和目标两部分。背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大。采用最大类间方差法进行二值化可以保证区分阴影区域和非阴影区域的精确度。至此，经过步骤202的处理，可知Img5中阴影区域即为背景区域，非阴影区域即为前景区域。

对Img5进行膨胀处理，获得Img6；由于车牌图像中非阴影区域可能存在污损，则在阴阳分界线下的非阴影区域中也可能包含一些小面积的阴影块，或者是图像中在字符区域产生的噪点或断片，因此对图像采用膨胀处理，从而消除噪点，获得更为精确的非阴影区域。

其中，在一个可选的实现方式中，当所述图像为车牌图像时，所述膨胀处理中膨胀方向为与所述车牌图像中字符排列方向平行的方向，设定膨胀方向的目的是为了实现定向膨胀处理。以图2所示的车牌图像为例，车牌水平放置，拍摄到的车牌图像中阴影方向是从上往下，则可按照与所述车牌图像中字符排列方向平行的方向的方向进行膨胀，也即是膨胀时向左和向右膨胀，而不进行向上和向下的膨胀，从而实现在非阴影区域中消除噪点，并且不会影响阴影区域和非阴影区域分界线的精确度。在实际应用中，膨胀窗口的宽度可设置为W/15，高度为1；其中，W是指车牌图像的宽度，即是按照W/15的宽度沿与所述车牌图像中字符排列方向平行的方向进行定向膨胀。

经过步骤203，可知此时Img6中的前景区域代表了图像的非阴影区域，从而可根据前景区域的位置确定图像的阴影区域和非阴影区域。

在一个可选的实现方式中，所述根据膨胀处理后目标图像中前景区域的位置，确定所述图像的阴影区域和非阴影区域，可以包括：

在膨胀处理后的目标图像中查找包含像素点最多的最大联通区域。

将所述最大联通区域在所述目标车牌图像中的坐标映射至所述车牌图像，确定所述车牌图像的阴影区域和非阴影区域。

例如，以上述Img6为例，由于Img6中仍可能存在某些较小的噪点，在Img6查找包含像素点最多的最大联通分量，可进一步消除噪点，并可以自动检测出前景区域的具体坐标。查找最大连通区域，也即是根据Img6中各个联通区域的像素数量，找到最大联通分量，将其余的联通分量都取消标记，从而消除其他联通分量，最大联通分量在Img6的位置代表了图像中非阴影区域的位置。最后，将最大联通区域在Img6中的坐标映射至车牌图像Img3，从而可以区分车牌图像的阴影区域和非阴影区域。通过上述查找最大连通分量的方式，可以快速地找出阴影区域和非阴影区域在目标图像中的具体位置，根据该位置，即可在车牌图像中找出阴影区域和非阴影区域。

对于步骤103，在区分了图像中的阴影区域和非阴影区域之后，可以分别对所述图像的阴影区域和非阴影区域进行二值化，获得二值化的图像。

本公开提供的实施例，由于图像中已区分了阴影区域和非阴影区域，因此在二值化时，分别对阴影区域和非阴影区域进行二值化，可减少二值化时阴影区域和非阴影区域之间由于像素值的差异而带来的相互干扰。其中，在二值化时，可以在图像中根据阴影区域和非阴影区域的具体位置分别进行二值化，也可以是将根据阴影区域和非阴影区域的具体位置将图像分割成相应的两张图像，在对两张图像分别二值化后再进行合并。

在一个可选的实现方式中，如图4所示，上述步骤103可以包括如下步骤301-305：

在步骤301中，将所述图像转换为灰度图像。

在步骤302中，分割所述灰度图像的阴影区域和非阴影区域。

在步骤303中，分别对所述灰度图像的阴影区域和非阴影区域进行灰度均衡化。

在步骤304中，分别对灰度均衡化后的阴影区域和非阴影区域进行二值化。

在步骤305中，合并二值化后的阴影区域和非阴影区域。

具体的，本发明实施例中，为了获得已区分阴影区域和非阴影区域的二值车牌图像，可以先将图像转换为灰度图像。灰度图像的转换可以采用相关技术中的图像灰度转换方法。例如，若是RGB格式的图像，在进行灰度转换时，可以按照下式计算灰度值，得到合理的灰度图像：

Gray＝R*0.299+G*0.587+B*0.114。

由于图像中已区分出阴影区域和非阴影区域，则相应的灰度图像中也可区分出阴影区域和非阴影区域。灰度图像中各个像素点的像素值以灰度值表示，从0-255不等。阴影区域的灰度值和非阴影区域的灰度值差异可能较大，可以在灰度图像中分割出阴影区域和非阴影区域，以提高后续对阴影区域和非阴影区域分别进行二值化的处理速度。

接着分别对灰度图像的阴影区域和非阴影区域进行均衡化，防止在均衡化时阴影区域和非阴影区域的相互干扰。

分别对灰度均衡化后的阴影区域和非阴影区域进行二值化，在具体实施时可以采用上述的最大类间方差法进行二值化。

最后合并二值化后的阴影区域和非阴影区域，得到二值化后的图像。在合并后，可以进一步根据相关技术进行噪点消除等处理。例如对于车牌图像，可以连接合并后图像中阴影区域和非阴影区域的分界线间的字符，连接时可以根据相关技术先进行腐蚀，消除小的噪点，再进行膨胀，从而将断开的字符重新连接，以利于后续在前景识别中进行字符识别处理。

最后，在步骤104中，可以根据所述二值化图像进行前景识别。从步骤103中获得的二值化后的图像可知，此时获得了精确的前景区域和背景区域，在本步骤中可根据实际需要进行前景识别，例如进行字符识别等。

基于与上述图1所示的图像处理方法同样的发明构思，本发明实施例中还提供了一种图像处理装置，该图像处理装置可应用在智能监控系统等需要进行图像识别的处理装置中。其中，该装置可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在的智能监控系统的处理器，将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本发明提出的一种用于智能监控系统的硬件结构图，除了图5所示的处理器、网络接口、内存以及非易失性存储器外，智能监控系统还可以包括其他硬件，如负责处理报文的转发芯片等；从硬件结构上来讲，该智能监控系统还可能是分布式设备，可能包括多个接口卡，以便在硬件层面进行报文处理的扩展。

如图6所示，为本发明根据一示例性实施例示出的图像处理装置的结构图，所述图像处理装置包括：

图像获取模块61，用于获取待处理的图像。

区分模块62，用于根据所述图像中像素点的颜色分量的差异区分所述图像的阴影区域和非阴影区域。

图像二值化处理模块63，用于分别对所述图像的阴影区域和非阴影区域进行二值化，获得二值化后的图像。

识别模块64，用于根据所述二值化图像进行前景识别。

在一个实施例中，所述像素点的颜色分量的差异为第一颜色分量的加权值与第二颜色分量的加权值的差值，所述第一颜色分量和第二颜色分量为根据图像的底色选取的两个颜色分量。

参照图7所示的图像处理装置实施例的结构图，在图6所示实施例的基础上，所述区分模块62，包括：

目标图像获取子模块621，用于获取目标图像，所述目标图像中每一像素点的像素值根据下式计算得到：

Pix＝max(0，Y)

其中，Pix为目标图像中像素点的像素值，Y为所述图像中像素点的RGB颜色分量的差异，max(0，Y)表示取0或Y中的较大值。

目标图像二值化处理子模块622，用于对所述目标图像中像素点的像素值进行二值化。

膨胀子模块623，用于对二值化后的目标图像进行膨胀处理。

确定子模块624，用于根据膨胀处理后的目标图像中前景区域的位置，确定所述图像的阴影区域和非阴影区域。

在一个实施例中，当所述图像为车牌图像时，所述膨胀处理中膨胀方向为与所述车牌图像中字符排列方向平行的方向。

参照图8所示的图像处理装置实施例的结构图，在图7所示实施例的基础上，所述确定子模块624，包括：

最大联通区域查找子模块6241，用于在膨胀处理后的目标图像中查找包含像素点最多的最大联通区域作为所述前景区域。

映射子模块6242，用于将所述前景区域在所述目标图像中的坐标映射至所述图像，确定所述图像的阴影区域和非阴影区域。

参照图9所示的图像处理装置实施例的结构图，在图6所示实施例的基础上，所述图像二值化处理模块63，包括：

灰度转换子模块631，用于将所述图像转换为灰度图像。

分割子模块632，用于分割所述灰度图像的阴影区域和非阴影区域。

灰度均衡化子模块633，用于分别对所述灰度图像的阴影区域和非阴影区域进行灰度均衡化。

二值化子模块634，用于分别对灰度均衡化后的阴影区域和非阴影区域进行二值化。

合并子模块635，用于合并二值化后的阴影图像和非阴影图像。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。本领域技术人员可以理解附图只是一个优选实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可进一步拆分成多个子模块。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (12)

1.一种图像处理方法，其特征在于，所述方法包括：

获取待处理的图像；

根据所述图像中像素点的颜色分量的差异区分所述图像的阴影区域和非阴影区域，包括：根据所述图像中像素点的颜色分量的差异得到目标图像，对目标图像中像素点的像素值进行二值化；对二值化后的目标图像进行膨胀处理；根据膨胀处理后的目标图像中前景区域的位置，确定所述图像的阴影区域和非阴影区域；

分别对所述图像的阴影区域和非阴影区域进行二值化，获得二值化图像；

根据所述二值化图像进行前景识别。

2.根据权利要求1所述的方法，其特征在于，所述像素点的颜色分量的差异为第一颜色分量的加权值与第二颜色分量的加权值的差值，所述第一颜色分量和第二颜色分量为根据所述图像的底色选取的两个颜色分量。

3.根据权利要求2所述的方法，其特征在于，所述目标图像中每一像素点的像素值根据下式计算得到：

Pix＝max(0，Y)

其中，Pix为目标图像中像素点的像素值，Y为所述图像中像素点的颜色分量的差异，max(0，Y)表示取0或Y中的较大值。

4.根据权利要求3所述的方法，其特征在于，当所述图像为车牌图像时，所述膨胀处理中膨胀方向为与所述车牌图像中字符排列方向平行的方向。

5.根据权利要求3所述的方法，其特征在于，所述根据膨胀处理后目标图像中前景区域的位置，确定所述图像的阴影区域和非阴影区域，包括：

在膨胀处理后的目标图像中查找包含像素点最多的最大联通区域作为所述前景区域；

将所述前景区域在所述目标图像中的坐标映射至所述图像，确定所述图像的阴影区域和非阴影区域。

6.根据权利要求1所述的方法，其特征在于，所述分别对所述图像的阴影区域和非阴影区域进行二值化，包括：

将所述图像转换为灰度图像；

分割所述灰度图像的阴影区域和非阴影区域；

分别对所述灰度图像的阴影区域和非阴影区域进行灰度均衡化；

分别对灰度均衡化后的阴影区域和非阴影区域进行二值化；

合并二值化后的阴影区域和非阴影区域。

7.一种图像处理装置，其特征在于，所述装置包括：

图像获取模块，用于获取待处理的图像；

区分模块，用于根据所述图像中像素点的颜色分量的差异区分所述图像的阴影区域和非阴影区域，包括：目标图像二值化处理子模块，用于根据所述图像中像素点的颜色分量的差异得到目标图像，对目标图像中像素点的像素值进行二值化；膨胀子模块，用于对二值化后的目标图像进行膨胀处理；确定子模块，用于根据膨胀处理后的目标图像中前景区域的位置，确定所述图像的阴影区域和非阴影区域；

图像二值化处理模块，用于分别对所述图像的阴影区域和非阴影区域进行二值化，获得二值化图像；

识别模块，用于根据所述二值化图像进行前景识别。

8.根据权利要求7所述的装置，其特征在于，所述像素点的颜色分量的差异为第一颜色分量的加权值与第二颜色分量的加权值的差值，所述第一颜色分量和第二颜色分量为根据图像的底色选取的两个颜色分量。

9.根据权利要求8所述的装置，其特征在于，所述区分模块，包括：

目标图像获取子模块，用于获取目标图像，所述目标图像中每一像素点的像素值根据下式计算得到：

Pix＝max(0，Y)

其中，Pix为目标图像中像素点的像素值，Y为所述图像中像素点的颜色分量的差异，max(0，Y)表示取0或Y中的较大值。

10.根据权利要求7所述的装置，其特征在于，当所述图像为车牌图像时，所述膨胀处理中膨胀方向为与所述车牌图像中字符排列方向平行的方向。

11.根据权利要求7所述的装置，其特征在于，所述确定子模块，包括：

最大联通区域查找子模块，用于在膨胀处理后的目标图像中查找包含像素点最多的最大联通区域作为所述前景区域；

映射子模块，用于将所述前景区域在所述目标图像中的坐标映射至所述图像，确定所述图像的阴影区域和非阴影区域。

12.根据权利要求7所述的装置，其特征在于，所述图像二值化处理模块，包括：

灰度转换子模块，用于将所述图像转换为灰度图像；

分割子模块，用于分割所述灰度图像的阴影区域和非阴影区域；

灰度均衡化子模块，用于分别对所述灰度图像的阴影区域和非阴影区域进行灰度均衡化；

二值化子模块，用于分别对灰度均衡化后的阴影区域和非阴影区域进行二值化；

合并子模块，用于合并二值化后的阴影区域和非阴影区域。