CN117173416B - 基于图像处理的铁路货运车号图像清晰化处理方法 - Google Patents

Abstract

本发明涉及铁路车辆领域，更具体地，本发明涉及基于图像处理的铁路货运车号图像清晰化处理方法，方法包括：获取历史的车号图像，建立判断铁路货运车号的高斯混合模型，获取新的车号图像，判断所述车号区域，对所述车号区域进行去除噪声，将去除噪声后的车号区域进行聚类，获得车号图像的0/1图，计算车号区域和模板车号的特征向量之间的距离，确定目标模板车号，同时进行对比度增强，获得清晰车号区域图像。通过铁路货运车号图像增强处理，可以提高车号识别的准确性和效率，有助于优化铁路货运管理和运输过程，提高车辆管理效率、达到自动化识别与跟踪的目的，提升货运车号图像准确性和可靠性、优化运输安全与监控。

Description

基于图像处理的铁路货运车号图像清晰化处理方法

技术领域

本发明一般地涉及铁路车辆领域。更具体地，本发明涉及基于图像处理的铁路货运车号图像清晰化处理方法。

背景技术

近年来，随着人工智能技术的快速发展，越来越多的领域应用图像处理。图像处理是指对数字图像进行各种算法和技术处理的过程。它涉及到对图像的获取、表示、压缩、增强、恢复、分析和识别等方面的操作，图像处理在计算机视觉、医学影像、遥感、安全监控等领域具有广泛的应用，为我们理解和处理图像提供了强大的工具和方法。

在铁路货运中，每辆货运列车都有一个唯一的车号，用于标识和管理。车号可以包含字母、数字和特殊字符，一般位于车头、车尾或车厢侧面等位置。

然而，对于货运列车进行管理时，需要对铁路货运列车进行拍摄货运车号，但是由于一些因素，如拍摄角度、光照条件、周围环境以及摄像质量等问题，导致车号图像可能存在模糊、变形、遮挡的问题，导致识别困难，无法对该货运列车进行分类和管理。因此，需要基于图像处理的铁路货运车号图像清晰化处理方法。

发明内容

为了通过图像处理的方法提升铁路货运车号图像的清晰度，本申请提供基于图像处理的铁路货运车号图像清晰化处理方法。

基于图像处理的铁路货运车号图像清晰化处理方法，包括：获取历史铁路货运列车的车号图像；根据所述车号图像中车号区域像素点的值，建立判断铁路货运车号的高斯混合模型；获取新的车号图像，使用所述高斯混合模型判断所述车号图像中每个点是否属于所述车号区域；对所述车号区域进行腐蚀膨胀以去除噪声区域，根据基于密度的聚类算法对去除噪声的所述车号区域进行聚类，获得车号图像的0/1图，每个所述车号区域的图像由n行n列像素点的像素值排列组合；对所述车号图像的0/1图进行距离变换，获取所述车号区域图像中每行像素值的极大值，以获得每个所述车号区域的特征向量；计算每个所述车号区域的特征向量和模板车号的特征向量之间的距离，确定每个所述车号区域的目标模板车号；根据所述目标模板车号对所述车号区域进行对比度增强，获得清晰的车号区域图像。

在一个实施例中，根据所述车号图像中车号区域像素点的值，建立判断铁路货运车号的高斯混合模型，包括步骤：

提取所述车号图像中车号区域的像素点，使用车号区域的像素点的颜色特征建立高斯混合模型；

将所述颜色特征值转换为亮度特征值，使用车号区域像素点的亮度特征值建立高斯混合模型。

通过采用上述技术方案，通过色彩模式和三维颜色模型的阈值分别建立高斯混合模型，基于概率密度函数的聚类方法，从而通过最大化似然函数来估计模型参数，有效的将不是明显分离的数据点进行分离。

在一个实施例中，获取新的车号图像，使用所述高斯混合模型判断所述车号图像中每个点是否属于所述车号区域，包括步骤：

获取新的车号图像，并进行预处理，得到待清晰化的车号图像，每个车号图像中每个像素点具有颜色特征值和亮度特征值；

计算每个像素点的颜色特征值和亮度特征值中，至少一个属于所述高斯混合模型的概率值，响应于概率值大于预设的概率阈值，判定待清晰化处理图像中的像素点属于车号区域。

在一个实施例中，所述根据基于密度的聚类算法对去除噪声的所述车号区域进行聚类，获得车号图像的0/1图，包括步骤：

使用基于密度的聚类算法，使用欧式距离计算像素点之间的距离，对去除噪声的所述车号区域进行聚类，聚类完成后，根据从大到小依次合并聚类簇，响应于最后的聚类簇数量等于货运列车的车号个数；

根据不同的车号区域聚成不同的聚类簇，将聚类簇内像素点的像素值设为1，其余区域设为0，得到车号图像的0/1图。

通过采用上述技术方案，通过使用密度聚类算法，根据聚类簇的数量从大到小依次合并聚类簇，以使聚类簇之间的合并准则是对聚类簇边界上的像素点进行聚类，满足聚类簇个数等于货运列车的车号个数时聚类结束，从而确定像素点属于车号区域，从而有利于识别车号。

在一个实施例中，对所述车号图像的0/1图进行距离变换，获取所述车号区域图像中每行像素值的极大值，以获得每个所述车号区域的特征向量，包括：

将车号区域中，每个像素点与车号区域边缘的最近欧式距离，作为像素点的像素值，从而进行距离变换；

对所述车号区域按行取像素值的极大值，每一行至少有一个极值点，将每一行极值点按顺序排列，得到所述车号区域的特征向量。

在一实施例中，所述确定每个所述车号区域的目标模板车号中，计算每个区域的特征向量和模板车号的特征向量的相似度，根据相似度确定所述目标模板车号，相似度满足下述关系式：

其中，表示第/>个待清晰化处理的车号区域和第/>个模板车号字符的相似度，表示第/>个待清晰化处理的车号区域和第/>个模板车号字符距离，变换后得到的特征向量的动态规整距离，/>表示第/>个待清晰化处理的车号区域对应特征向量的长度。

通过采用上述技术方案，根据相似度越大，说明车号区域的字符值更有可能是该模板车号字符，其中，相似度最大的模板车号字符认为是该车号区域最可能的字符，从而提高车号图像识别的程度，尽可能的识别最准确的数据。

在一实施例中，根据所述目标模板车号对所述车号区域进行对比度增强中，使用大津法对外接矩形区域进行阈值分割，分割出来的结果为模板车号区域和背景区域，大津法检验对比度增强结果满足下述关系式：

其中，表示外接矩形中的模板车号区域，/>表示外接矩形中的背景区域，表示大津法得到的外接矩形中车号区域，/>表示大津法得到的外接矩形中背景区域，T表示对比度的值。

本申请具有以下效果：

1、通过铁路货运车号图像增强处理，使用大津法检验对比度的增强效果，可以提高车号识别的准确性和效率，有助于优化铁路货运管理和运输过程，提高车辆管理效率、达到自动化识别与跟踪的目的，提升货运车号图像准确性和可靠性，优化运输安全与监控。

2、本申请通过使用车号区域的颜色特征和亮度特征建立高斯混合模型，通过高斯模型判断待增强图像中像素点的像素值位置为车号区域，根据车号数量对车号区域的像素进行聚类，聚类完成后，计算每个聚类簇和模板车号的相似度判断出每个聚类簇对应的模板车号，确定模板车号后对图像进行对比度增强，根据大津法设定的对比度增强效果判断图像清晰化处理，增强对比度，得到清晰车号区域图像。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是本申请的实施例基于图像处理的铁路货运车号图像清晰化处理方法中步骤S1-S7的方法流程图。

图2是本申请的实施例基于图像处理的铁路货运车号图像清晰化处理方法中步骤S20-S21的方法流程图。

图3是本申请的实施例基于图像处理的铁路货运车号图像清晰化处理方法中步骤S30-S31的方法流程图。

图4是本申请的实施例基于图像处理的铁路货运车号图像清晰化处理方法中步骤S40-S41的方法流程图。

图5是本申请实施例基于图像处理的铁路货运车号图像清晰化处理方法中DBSCAN算法聚类过程示意图。

图6是本申请的实施例基于图像处理的铁路货运车号图像清晰化处理方法中步骤S50-S51的方法流程图。

图7是本申请实施例基于图像处理的铁路货运车号图像清晰化处理方法中特征向量获取过程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图来详细描述本发明的具体实施方式。

参照图1，基于图像处理的铁路货运车号图像清晰化处理方法包括步骤S1-S7，具体如下：

S1：获取历史铁路货运列车的车号图像。

S2：根据车号图像中车号区域像素点的值，建立判断铁路货运车号的高斯混合模型，参照图2，包括步骤S20-S21：

S20：提取车号图像中车号区域的像素点，使用车号区域的像素点的颜色特征建立高斯混合模型；

S21：将颜色特征值转换为亮度特征值，使用车号区域像素点的亮度特征值建立高斯混合模型。

示例性的，将货运车号图像中车号区域的像素进行提取，建立R、G、B（Red、Green、Blue，红，绿，蓝）高斯混合模型，即为上述的颜色特征，将车号区域像素的RGB值转换为HSV值（Hue, Saturation, Value，色相、饱和度、亮度），即为上述的亮度特征，HSV是根据颜色的直观特性创建的一种颜色空间，也称六角锥体模型，HSV颜色模型是指H、S、V三维颜色空间中的一个可见光子集，它包含某个颜色域的所有颜色，使用车号区域像素的HSV特征建立高斯混合模型。

S3：获取新的车号图像，使用高斯混合模型判断车号图像中每个点是否属于车号区域，参照图3，包括步骤S30-S31：

S30：获取新的车号图像，并进行预处理，得到待清晰化的车号图像，每个车号图像中每个像素点具有颜色特征值和亮度特征值；

S31：计算每个像素点的颜色特征值和亮度特征值中，至少一个属于高斯混合模型的概率值，响应于概率值大于预设的概率阈值，判定待清晰化处理图像中的像素点属于车号区域；

示例性的，在对待清晰化处理的铁路货运列车的车号图像，进行图像增强时，需要判断待清晰化处理的图像中，每个像素点的RGB特征和HSV特征，是否属于车号区域建立的RGB高斯混合模型和HSV高斯混合模型，在本专利中当待清晰化处理的图像中像素点的RGB特征和HSV特征至少一个特征属于高斯混合模型的概率值大于预设阈值，即本实施例中预设阈值为0.5，则认为待清晰化处理图像中的该像素点属于车号区域。

S4：对车号区域进行腐蚀膨胀以去除噪声区域，根据基于密度的聚类算法对去除噪声的车号区域进行聚类，获得车号图像的0/1图，每个车号区域的图像由n行n列像素点的像素值排列组合，参照图4，包括步骤S40-S41：

S40：使用基于密度的聚类算法，使用欧式距离计算像素点之间的距离，对去除噪声的车号区域进行聚类，聚类完成后，根据从大到小依次合并聚类簇，响应于最后的聚类簇数量等于货运列车的车号个数；

S41：根据不同的车号区域聚成不同的聚类簇，将聚类簇内像素点的像素值设为1，其余区域设为0，得到车号图像的0/1图。

示例性的，本实施例中使用DBSCAN算法，DBSCAN算法是一个比较有代表性的基于密度的聚类算法，它将聚类簇定义为密度相连的点的最大集合，把具有足够高密度的区域划分成聚类簇，并可在具有噪声的空间数据库中发现任意形状的聚类簇。

使用欧式距离计算像素点之间的距离，圆的半径设置为1，邻域内点的数量大于2则认为这些点属于一个聚类簇，聚类完成后根据聚类簇的数量判断是否聚类结束，当聚类簇的数量大于货运列车的车号个数时，需要对这些簇再进行合并，将圆的半径设置为2，统计每个聚类簇边界像素点半径为2的邻域内属于其他聚类簇的像素点的数量，按照邻域内像素点数量的多少，从大到小依次合并聚类簇，直到最后的聚类簇数量等于货运列车的车号个数。

参照图5，聚类半径为1时，聚类结果为三个聚类簇，聚类簇之间的合并准则是对聚类簇边界上的像素点进行聚类，聚类的半径设置为2，图中聚类簇1的边界点A邻域内有聚类簇2中的像素点的个数是2，聚类簇1的边界点B邻域内有聚类簇3中的像素点的个数是3，在合并时先合并聚类簇1和聚类簇3，如果合并之后聚类簇的个数仍然不满足要求，再按照上述方法对剩余的聚类簇进行合并，当聚类簇的个数等于货运列车的车号个数时聚类结束。

S5：对车号图像的0/1图进行距离变换，获取车号区域图像中每行像素值的极大值，以获得每个车号区域的特征向量，参照图6，包括步骤S50-S51：

S50：将车号区域中，每个像素点与车号区域边缘的最近欧式距离，作为像素点的像素值，从而进行距离变换；

S51：对车号区域按行取像素值的极大值，每一行至少有一个极值点，将每一行极值点按顺序排列，得到车号区域的特征向量。

示例性的，参照图7：车号数字0经过距离变换后的图像，在图中所画的虚线（行基准线），按行取像素值的极大值时会出现两个极值点的情况，在计算0区域的特征向量时，第一极值点在第二极值点之前出现，在其特征向量中，第一极值点的像素值出现在第二极值点像素值之前，实例性的给出特征向量的表示（10，15，...，第一极值点，第二极值点，...，8，1），当某一行出现多个极值点的时候，其特征向量的表示与上述一致，则得到车号区域的特征向量。

S6：计算每个车号区域的特征向量和模板车号的特征向量之间的距离，确定每个车号区域的目标模板车号。

计算每个区域的特征向量和模板车号的特征向量的相似度，根据相似度确定目标模板车号，相似度满足下述关系式：

其中，表示第/>个待清晰化处理的车号区域和第/>个模板车号字符的相似度，表示第/>个待清晰化处理的车号区域和第/>个模板车号字符距离，变换后得到的特征向量的动态规整距离，/>表示第/>个待清晰化处理的车号区域对应特征向量的长度。

示例性的，计算每个车号区域和目标模板车号的字符的相似度，相似度越大说明该车号区域的字符更有可能是目标模板车号的字符，相似度最大的目标模板车号的字符则是车号区域最可能的字符。

S7：根据目标模板车号对车号区域进行对比度增强，获得清晰的车号区域图像。

使用大津法对外接矩形区域进行阈值分割，分割出来的结果为模板车号区域和背景区域，大津法检验对比度增强结果的公式为：

其中，表示外接矩形中的模板车号区域，/>表示外接矩形中的背景区域，表示大津法得到的外接矩形中车号区域，/>表示大津法得到的外接矩形中背景区域，T表示对比度的值。

示例性的，当T值越接近1说明对比度的增强结果越好，在本专利中当T大于0.9小于1.1时认为对比度增强结果较好，不需要再进行对比度增强。

通过每个车号区域的外接矩形，将外接矩形看成两部分，一部分是目标模板车号区域，一部分是背景区域，对车号区域进行清晰化处理，需要将外接矩形中的目标模板车号区域像素值拉升，背景区域的像素值降低，为了使车号区域整体的清晰度更高，还应该保证外接矩形中的模板车号区域像素值变化稳定，背景区域的像素值变化同时稳定，即保证两部分像素值的方差较小且两部分像素值的平均值相差较大，按照这个准则对车号区域进行对比度增强，增强完成之后，使用大津法检验对比度增强的效果。

使用大津法对外接矩形区域进行阈值分割，分割出来的结果为目标模板车号区域和背景区域，则认为货运车号图像清晰化处理的结果较好，因为大津法进行阈值分割的准则是最小化类内方差或最大化类间方差。响应于对比度增强检验结果不好，则增加外接矩形中，两部分像素值平均值的差值，同时减少每一部分的像素值方差。

对车号外接矩形区域进行对比度增强，将外接矩形中车号区域的像素值拉升1.5倍，外接矩形中车号区域的像素值缩小一半，并且降低车号区域和背景区域的像素值极差，使两区域的像素值变化较小。然后计算对比度检验公式计算出对比度增强的效果，如果T小于0.9大于1.1，则继续对该区域进行对比度增强，如果T大于0.9小于1.1，则对比度增强完成，从而获得清晰车号区域图像。

在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。

虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。

Claims (6)

1.基于图像处理的铁路货运车号图像清晰化处理方法，其特征在于，包括步骤：

获取历史铁路货运列车的车号图像；

根据所述车号图像中车号区域像素点的值，建立判断铁路货运车号的高斯混合模型；

获取新的车号图像，使用所述高斯混合模型判断所述车号图像中每个点是否属于所述车号区域；

对所述车号区域进行腐蚀膨胀以去除噪声区域，根据基于密度的聚类算法对去除噪声的所述车号区域进行聚类，获得车号图像的0/1图，每个所述车号区域的图像由n行n列像素点的像素值排列组合；

对所述车号图像的0/1图进行距离变换，获取所述车号区域图像中每行像素值的极大值，以获得每个所述车号区域的特征向量；

计算每个所述车号区域的特征向量和模板车号的特征向量之间的距离，确定每个所述车号区域的目标模板车号；

根据所述目标模板车号对所述车号区域进行对比度增强，获得清晰的车号区域图像；

根据所述目标模板车号对所述车号区域进行对比度增强中，使用大津法对外接矩形区域进行阈值分割，分割出来的结果为模板车号区域和背景区域，大津法检验对比度增强结果满足下述关系式：

其中，表示外接矩形中的模板车号区域，/>表示外接矩形中的背景区域，表示大津法得到的外接矩形中车号区域，/>表示大津法得到的外接矩形中背景区域，T表示对比度的值；

如果T小于0.9大于1.1，则继续对该区域进行对比度增强，如果T大于0.9小于1.1，则对比度增强完成，从而获得清晰车号区域图像。

2.根据权利要求1所述基于图像处理的铁路货运车号图像清晰化处理方法，其特征在于，根据所述车号图像中车号区域像素点的值，建立判断铁路货运车号的高斯混合模型，包括步骤：

提取所述车号图像中车号区域的像素点，使用车号区域的像素点的颜色特征值建立高斯混合模型；

将所述颜色特征值转换为亮度特征值，使用车号区域像素点的亮度特征值建立高斯混合模型。

3.根据权利要求1所述基于图像处理的铁路货运车号图像清晰化处理方法，其特征在于，获取新的车号图像，使用所述高斯混合模型判断所述车号图像中每个点是否属于所述车号区域，包括步骤：

获取新的车号图像，并进行预处理，得到待清晰化的车号图像，每个车号图像中每个像素点具有颜色特征值和亮度特征值；

计算每个像素点的颜色特征值和亮度特征值中，至少一个属于所述高斯混合模型的概率值，响应于概率值大于预设的概率阈值，判定待清晰化处理图像中的像素点属于车号区域。

4.根据权利要求1所述基于图像处理的铁路货运车号图像清晰化处理方法，其特征在于，所述根据基于密度的聚类算法对去除噪声的所述车号区域进行聚类，获得车号图像的0/1图，包括步骤：

使用基于密度的聚类算法，使用欧式距离计算像素点之间的距离，对去除噪声的所述车号区域进行聚类，聚类完成后，根据从大到小依次合并聚类簇，响应于最后的聚类簇数量等于货运列车的车号个数；

根据不同的车号区域聚成不同的聚类簇，将聚类簇内像素点的像素值设为1，其余区域设为0，得到车号图像的0/1图。

5.根据权利要求1所述基于图像处理的铁路货运车号图像清晰化处理方法，其特征在于，对所述车号图像的0/1图进行距离变换，获取所述车号区域图像中每行像素值的极大值，以获得每个所述车号区域的特征向量，包括：

将车号区域中，每个像素点与车号区域边缘的最近欧式距离，作为像素点的像素值，从而进行距离变换；

对所述车号区域按行取像素值的极大值，每一行至少有一个极值点，将每一行极值点按顺序排列，得到所述车号区域的特征向量。

6.根据权利要求1所述基于图像处理的铁路货运车号图像清晰化处理方法，其特征在于，所述确定每个所述车号区域的目标模板车号中，计算每个区域的特征向量和模板车号的特征向量的相似度，根据相似度确定所述目标模板车号，相似度满足下述关系式：

其中，表示第/>个待清晰化处理的车号区域和第/>个模板车号字符的相似度，/>表示第/>个待清晰化处理的车号区域和第/>个模板车号字符距离，变换后得到的特征向量的动态规整距离，/>表示第/>个待清晰化处理的车号区域对应特征向量的长度。