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 PDF

Info

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Withdrawn
Application number
CN201711219941.4A
Other languages
English (en)
Inventor
施云龙
舒翔龙
王成龙
荀玲玉
何玉娇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Qianduan Science & Technology Co Ltd
Shanghai Seari Intelligent System Co Ltd
Original Assignee
Shanghai Qianduan Science & Technology Co Ltd
Shanghai Seari Intelligent System Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Qianduan Science & Technology Co Ltd, Shanghai Seari Intelligent System Co Ltd filed Critical Shanghai Qianduan Science & Technology Co Ltd
Priority to CN201711219941.4A priority Critical patent/CN107909075A/zh
Publication of CN107909075A publication Critical patent/CN107909075A/zh
Withdrawn legal-status Critical Current

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

一种基于Laplacian扩展算子的车牌图像二值化方法
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
在车牌识别系统中，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>&gt;</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>&lt;</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>&amp;le;</mo> <mi>d</mi> <mi>s</mi> <mi>t</mi> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> <mo>&amp;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>&amp;omega;</mi> <mn>0</mn> </msub> <mo>=</mo> <munderover> <mo>&amp;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>&amp;omega;</mi> <mn>1</mn> </msub> <mo>=</mo> <munderover> <mo>&amp;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>&amp;mu;</mi> <mn>0</mn> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;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>&amp;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。
CN201711219941.4A 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 Withdrawn CN107909075A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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
CN114820627B (zh) 一种基于光学手段的纺织品质量检测方法
CN104392205B (zh) 一种非正常车牌的识别方法和系统
CN106096601B (zh) 一种自动检测票据中字符类型的方法和系统
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系统
CN103971126A (zh) 一种交通标志识别方法和装置
CN101599125A (zh) 复杂背景下图像处理的二值化方法
JP6890427B2 (ja) 車番認識装置
CN108109133B (zh) 一种基于数字图像处理技术的蚕卵自动计数方法
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
CN104484652A (zh) 一种指纹识别方法
CN104102907B (zh) 一种消除光照不均匀的lbp人脸识别方法
CN105893960A (zh) 基于相位对称性的道路交通标志检测方法
KR100903816B1 (ko) 정지영상에서의 얼굴추출시스템과 그 방법
CN107909075A (zh) 一种基于Laplacian扩展算子的车牌图像二值化方法
CN105975955B (zh) 一种图像中文本区域的检测方法
CN104573743B (zh) 一种人脸图像检测过滤方法
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系统的图像处理算法
CN107392115A (zh) 一种基于分层特征提取的交通标志识别方法

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