计算机图像处理与识别技术应用

戴耀中

（江苏省淮安工业中等专业学校 江苏省淮安市 223200）

随着信息和互联网科学技术的不断进步，数字图像处理方法早已深入到方方面面，大大提高了人们的生活质量。图片辨识是生命辨识、电脑视觉艺术、机器学习等领域中最具挑战性和魅力的课题之中，它将为我们提供更多的可能性，从而改变我们的生活方式。目前，国内信息终端对数字图像处理技术的发展仍然存在着明显的不足，因此，为了推动数字图像处理技术的发展，相关研发技术人员应该加强对其在生活中的核心价值的深入研究，充分发掘其优势特征，并通过持续的实验探究，不断提升自身的专业水平，以期望未来数字图像处理技术的发展趋势更加明朗。通过不断改进信息终端的数字化图像处理技术，我们可以更好地满足大众对这种技术的需求。

1 计算机图像处理与识别技术概念分析

通过计算机技术图像信息处理与辨识技能，可以将数码图像信息处理与模型辨识技能有机结合，从而实现对物体的视野采集，并以图像数据为基本，模拟人体视野，自行进行信息处理，从而实现对物体的辨识，取代人们进行图像识别和信息处理的任务。通过图像传输技术，我们能够将图片分为虚拟和数码两类。数码图片是人们日常生活中最常见的图片，它们包含了各种各样的信息。然而，数码图片的参数设置需要大量的人力，如果采用传统的方法进行处理，很难保证工作效率和精确度，并且很可能会降低最终的效果。因此，信息终端图像处理及相关识别技术与人工智能图像识别具有非常显著的相似性。在进行图像识别时，首先需要对图像的颜色、尺寸等规格进行有效调整；其次，大脑神经系统的视觉复习可以有效接收信，并使人们能够对图像进行基础认知，从而在遇到相似信息时，能够自主地收集相关信息。通过将脑神经中枢转变为信息终端设施，可以有效地处理和鉴定图像，但是由于人脑缺乏深刻的感知能力，这种方式很可能会导致图像处理和鉴定结果缺乏主观性。

2 车牌定位方法简介

车牌识别技术的准确性和时间效率是至关重要的，因为它能够帮助我们快速准确地定位车牌的位置并将其截取出来。如果这种技术不能够正确地定位出车牌的位置，那么分割和字符识别的结果将会与实际情况存在较大差异。车牌定位算法在时间上占据着重要地位，因此，通过缩短定位时间，可以显著提升车牌识别的效率。

定位车牌是一项复杂的任务，需要从车牌图像中提取出车牌的位置信息。然而，由于多种因素的影响，车牌区域往往不够突出，图片模糊不清或者色彩过于鲜艳，这些都会给定位造成一定的困难。尽管车牌定位技术取得了长足的进步，但研究者们依然期望能够找到一个能够快速准确定位车牌的计算方式，以应对图像质量下降造成的挑战。目前，车牌定位的准确率和速度依然是学术界关注的重要课题。自从有了边缘特征定位算法以来，研究者们就一直在努力探索更加精准的车牌识别技术。目前，使用最广泛的车牌标识产品大都是采用边缘特性的，而颜色特征定位方法也在不断发展，但依然是一项有效的技术手段。采用颜色特征的车牌定位算法仍有待继续深化研究和探索，以提高其准确度。

2.1 基于边缘特征的定位方法

经过对图像边界的处理，可以有效地界定出相应范围，这种方式基于图像边界的灰度和，即对比度差较大的组成部分，它们构成了图像的边界，因此被称为图象边界。灰度差是图像中最重要的特征之一，它可以帮助我们更好地认识图像中的事物。经过选择图像边界范围，我们可以更准确地界定出事物的位置。这些范围的对比度差越大，表明事物的形状和颜色就越明显。选择和选择图像边界有助于认识和了解整体图像环境很重要，也是图像划分和不同影像匹配的基础。目前，采用边缘的车牌定位方法在工程项目和车牌识别行业中应用最为广泛，其位置安全性较高，但是，当背景复杂时，图片中的物品会变得更加复杂，容易导致漏检的情况出现。

边缘特征是一种重要的信息特征，它可以用来识别图片中的纹路，这些纹路可以体现为灰度或颜色分布的规律。各种类型的图案具有各种各样的特性，因此，定位算法也可以基于图像的边缘特征来实现，比如基于灰度值的位置方式和根据纹路特性的位置方式。

2.2 基于颜色特征的定位方法

利用车牌的颜色特征，可以有效地实现定位。但由于我国现行车牌法规中包含大量颜色信息，基于边缘特征的车牌定位方法难以对原始车牌图像进行处理，往往无法充分利用这些颜色特征，从而导致定位效果不佳。通过充分利用颜色特征，可以显著提升车牌识别的准确性，并大大缩短定位时间。

我国的车牌规则与国外有很大的不同，目前使用的车牌包含了大部分的颜色信息。我国车牌颜色分类包括：

（1）特大型民用机车，黄底黑字车牌，中小型农用车，蓝底白字车牌；背面黑色字符；

（2）使馆外籍车，车牌为黑底白字，红字“世”字样。其他外国机动车牌照为黑底白字，教学车牌照为黄底黑字，正面为“学习”字样；试验车辆牌照为白底红字，车头标志为“试验”字样；

（3）临时号牌为白底黑字，前面有“临时”字样；机动车副牌白底黑字。

经过对车牌规则的解析，我们可以发现以下几个颜色特征：

（1）车牌的底色可以是金黄、蓝蓝、洁白或漆黑；

（2）车牌上的字句可以是黑人、白人或红色；

（3）车牌的底色和字句方式略有不同；

（4）车牌形式以蓝底白字为主。

然而，在国内外的车牌定位方法中，极少有采用中国车牌色彩特点，大多数仍然是采用边缘的位置方法。我们指出的根据颜色特征的车牌定位方法，运用原有车牌图像的颜色信息，结合图像预处理技术，可以有效地减小车牌图像的畸变，从而大大提高定位准确率。通过将颜色特征、边缘特征和数学形态学等技术结合起来，可以显著提升车牌定位的准确性。

3 颜色分割

颜色分割是一种重要的车牌定位技术，它可以帮助我们区分车牌上的颜色和背景颜色，并将它们划分为不同的灰度等级。这样，我们就可以更准确地识别出车牌上的颜色信息。

经过格式转换后，HSV 图像能够清晰地显示出车牌色彩，其中H、S、V 三个分量能够确定出所有的色彩，并且能够准确地显示出亮度和饱和度。想要更好地管理这些色彩，我们应该通过特定的灰色值来进行有选择的管理，以便尽量减少对不感兴趣的背景色彩，进而大大减少数据分析量，缩减数据处理时限。通过色彩分割，能够将不同颜色划分为不同的灰色等级，并且在灰度图上显示出不同的灰色区间。此外，H 能够用来显示车牌相应的色彩，它能够根据已知的取值区域，通过分析和实验得出，进而更好地反映出车牌的特征。想要更好地区分车牌和背景颜色，我们将HSV 图中的色彩划分为五个等级。首先，我们用H、S、V 来代表黄色、蓝色、红色、白色和黑色，如图表1所示。这样，我们就能够更清楚地看到车牌的色彩，并且更容易分辨它们。

表1：HSV 三分量范围

受到光照强度、车牌上的泥土和车牌的新旧状况等诸多条件的干扰，汽车号牌的原图形的色彩划分显得非常复杂。所以，确定不同色彩的H、S、V 的取值是进行色彩划分的关键所在。通过对大量实验资料和模型的计算，人们可以定义出这五种颜色的三个主要成分h、s、v 取值的范围。为更好地表示这种数值，我们对图像进行了灰度化处理，使其只有六个灰度级别，并且对原始 HSV 图像进行了颜色分割。通过搜索 HSV 图像中每个元素 H.S、V 的取值范围，根据表一中的规定，可以设定六种不同的灰度值，这些灰度值被称为阶梯灰度值，它们可以有效地将图像中的颜色信息与其他附属颜色信息区分开来，具体的灰度化公式可以参考式（1）。

在公式中主要包括以下几点：

（1）由H、S、V 三个值之和，可以准确地确定图像中某个点的灰度值G(x,y)，这样图像image 中的每个点都可以用三个表示H、S、V 分量出来，只需要将图像交叉一次，就可以得到不同灰度级的灰度图像。

（2）为了提高车牌定位的效率，我们将车牌号图片的蓝蓝地区灰度值设置为255，即为黑白，这样可以有效地区部分民用车辆和城市中行驶的车辆，从而更加准确的定位车牌号信息。

在实验中，五种颜色的H、S、V值范围分别为：黄色：H(25,55)S(0.35,1)V(0.3,1)；蓝色：H(190,240)、S(0.35,1)V(0.3,1)；红色：H(0,20)；白色： S(0,0.1)V(0.91,1)；黑色：V(0,0.35)。如果要对蓝色进行颜色分割，则v(u,）将会成为一个重要的参数，以此来决定它的取值范围。if V(u,v)>0.35&V(u,v)<1&S(u,v)< 240，其中〉0.35&S(u,v)<1&H，v(u,v)<240

G(u,v)=255;

通过对图像进行颜色分割，可以将车牌颜色与其他辅助颜色区分开来。如果不是车牌颜色，则将所有的灰度值设置为0，即图片中的颜色显示为黑色，可以去除之前的其他背景信息，来验证信息。驾驶执照的颜色更准确。根据图1 和图2，颜色分割后的图像表现出以下特征：

图1：原始图像

图2：颜色分割后的图像

从图2 可以看出，原始车牌图像经过颜色分割后变得更加明显，蓝色车牌被完全消除，变成了白色图像，而其他的背景颜色也被弱化。

4 车牌定位

经过数学形态学处理，图像中的车牌区域变得清晰可见，而其余的背景则变成了一片漆黑。这样一来，图像就变得非常明显，只有车牌区域，而车牌底色则是一片纯白。通过对图像中的白色区域进行截取，可以实现车牌定位。在这种情况下，可以采用垂直投影和水平投影技术来实现车牌定位。

本文提出了一种快速定位车牌的办法，该办法经过逐行逐列遍历，找出车牌区域内最值的点，并计算出P1(x1,y1)和P2(y2,y2)的横纵坐标。这种方式可以有效地提取车牌角点，从而更加清晰地定位车牌。

（1）为了更有效地搜索车牌区域，我们首先要确定右下角和左上角点的横坐标值，并且考虑到车牌区域大多位于图像的中下部，因此采用从下往上的方式进行搜索。

Start 开始由下向上遍历

Valueline(x)= 每行所有1 点的叠加值

If valueline(x)>4

{

x2=x;

x1=x;

}

继续向上遍历，

While(valueline(x)> 4)%滑动搜索

{

x1=x;

继续向上遍历；

}

返回

从下往上遍历，可以获得右下角点的y2 和左上角点的y1，当valueline(x）小于四时，就可以返回，而不必全部遍历。

（2）为更好地找出图形的左上角和右下角的纵坐标位置，可以采取逐次由左至右遍历的方式。但是，对车牌而言，由数字所构成的车牌区域很容易就被划分为大小不一的垂直光谱区，而且在进行色彩划分和区域二值化工作时，因为只选取了车牌的背景色作为感兴趣的色彩，所以数字并不被视为背景色，这就可能造成数字在上下区域的连通度不良，进而降低了查找的精度。在遍历过程中可能需要提前确定y2，导致y1 和y2 的确定不准确。因此，为了避免出现这种情况，我们应该从左到右依次遍历。

Start 开始由左向上遍历

Valueline(y)> 4

{

y2=x;

y1=x;

}

继续向右遍历，

While （！遍历结束）%滑动搜索

{

If valueline(v)> 4

y2=x;

继续向右遍历；

}

经过一次遍历，我们可以获得左右角点的两个纵坐标y1 和y2，从而实现对它们的精确定位。

通过车牌定位技术，我们可以精确地获取图片中的车辆号牌范围，如图3所示。

图3：车牌原始图像与定位后图像

这种车牌定位的结果可以直接去掉车牌的边框，因为为了突出车牌，车牌的边框往往和车牌的底色相差很大，所以经过基于颜色特征的车牌定位方法，定位到的车牌区域不包括车牌框，也有利于字符分割的时间效率，如图4所示。

图4：定位后的车牌区域

5 结束语

总而言之，计算机图像处理和识别在很多领域都发挥着重要作用，需要采用合理的方法来提高图像质量。本文主要探讨计算机图像处理与识别技术在车牌识别中的应用，运用该方法不仅发现更加准确，而且有利于字符分割的时间效率，可以推广。