基于模板匹配的模糊数字识别研究(1).doc

诚信声明本人声明：我所呈交的本科毕业设计论文是本人在导师李学斌老师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人完全意识到本声明的法律结果由本人承担。 本学位论文诺与资料若有不实之处，本人承担一切相关责任。本人签名： 日期：2014年 5月 28日本科生毕业设计（论文）任务书设计（论文）题目：基于模板匹配的模糊数字识别研究 学院： 信息学院 专业： 通信工程 班级： 通信1003 学生： 吴甲森 指导教师： 李学斌 副教授 专业负责人： 王学伟 1设计（论文）的主要任务及目标用于安全防范的视频监控目前已在人流密集区域得到普及，然而由于监控图像较为模糊而难以很好发挥作用，其中监控画面中的较远距离汽车车牌号码辨识困难就是一个急待解决的问题。本论文旨在运用模式识别理论，通过对监控图像进行适当处理和建立模糊数字字符模板，研究基于模板匹配的模糊数字识别方法，以期提高视频监控效果，更好地维护社会治安和人民生命财产安全。2设计（论文）的基本要求和内容在查阅文献了解有关视频监控及图像处理技术的基础上，分析不同模糊程度图像中的数字特点，建立模糊数字模板，探索模糊数字的自动识别方法。在严重模糊情况下不要求识别绝对准确，只要求通过技术分析为人眼辨识提供借鉴。参考文献不低于15篇（其中至少5篇为英文），图像只考虑灰度图，字符只考虑车牌上的数字，模糊等级至少考虑5种情况。3主要参考文献1 章毓晋.图像工程（上册）图像处理（第2版）.清华大学出版社，北京，20062 4进度安排设计（论文）各阶段名称起 止 日 期1查阅资料，了解有关图像处理及视频监控技术，撰写文献综述、开题报告并翻译5000字英文资料11.12 - 2.282收集制作各种模糊数字图像，分析字符特点3.1 - 3.243建立不同模糊程度下的模板，进行匹配识别3.25- 4.214修改模板和算法，提高识别的准确率4.22 - 5.205撰写及修改论文5.21 - 6.2注：一式4份：学院、指导教师各1份，学生2份（毕业论文及答辩评分手册各1份）摘要随着经济的迅速发展，公路建设项目与日俱增，公路交通的安全运营问题显得越来越突出。如何使公路交通管理科学化、现代化、智能化已成为公路交通管理部门的首要问题。本文通过对车牌模糊数字图像的深入研究，提出了图像处理算法与实现方案；分析了数字模糊车牌识别的基本方法图像匹配是计算机视觉和图像处理领域中一项非常重要的工作。本文针对图像匹配方法进行了深入细致的研究。模糊数字是交通系统的重要组成部分，主要涉及模式识别、数字图像处理、计算机应用和人工智能等科学。模板匹配的数字识别过程主要由提取模糊车牌数字、数字图像预处理、数字识别组成。文中主要对车牌数字进行了研究，并在MATLAB环境下进行了相应的实验。文中在模糊车牌数字识别中，主要采用了基于模板匹配的车牌数字识别方法。首先，将不同模糊程度的车牌数字存储在电脑中备用，然后将待识别的模糊车牌数字进行灰度化、二值化，接着将归一化后的数字与电脑中的模糊数字进行匹配。文中选择的匹配方法是将待识别数字与电脑中存储的模板逐一进行差运算（或者平方差运算，互相关系数运算，归一化互相关系数运算）。进行运算后求出最小值，从而得出识别结果关键词：图像采集；模糊数字模板；模板匹配；数字识别；MATLAB。AbstractDigital Fuzzy Recognition for traffic safety, traffic management and control scheme selection has very important theoretical and practical value. Through video image detection and recognition, you can pay for the road Flow, traffic and other captured blurred video, image processing and analysis, extraction of traffic flow information (traffic lane representing any rate, speed, etc.). Analysis identifies blurred image by the video, but also the phenomenon of traffic violations can be detected in real time, identifying illegal vehicles license plate number, provide strong evidence for the enforcement of public security traffic management department. This paper studies a lot of traffic image processing technology, and propose effective, practical and fast recognition algorithm. Thesis research are: analysis of different digital image blur characteristics, fuzzy digital template, exploring automatic identification method based on fuzzy numbers. In severe cases are not required to identify the fuzzy absolutely accurate, only requires identification of the human eye through technical analysis to provide reference. Can be broken down into the following aspects:目录前言.1第一章 绪论1.1 模板匹配的模糊数字识别的概念. 1.1.1模板匹配概念及现状. 1.1.2 模糊数字图像概念及内容1.2 模板匹配的模糊数字识别现状及发展前景. 1.2.1模板匹配分类. 1.2.2模糊数字图像分类.1.3 模板匹配的模糊数字识别主要应用领域. .1.4 本文主要内容与安排.第二章 基于模板匹配的模糊数字别. 2.1 模糊图像收集.2.2 模糊图像特点分析. 2.3建立不同模糊程度的数字模板. 2.3.1二值化. 2.3.2去噪. 2.3.3建立模板. 2.4匹配识别预处理. 2.4.1 灰度化. 2.4.2清晰化. 2.4.2.1运动模糊处理. 2.4.2.2模糊数字图像增强. 2.4.2.3直方图均衡化. 2.4.3倾斜调整. 2.4.4大小调整. 小结. 2.5 匹配识别. 2.5.1基于像素平方和的匹配原理. 2.5.2基于互相关的匹配原理. 2.5.32.归一化互相关匹配原理.第三章 改进的匹配算法.3.1 模板修改. 3.2 匹配算法改进. 3.2.1 算法原理. 3.22仿真实现.结论.参考文献. 前言科技和经济的飞速发展，使得人们的生活节奏不断加快。因此，汽车已经成为人们生活中不可或缺的重要组成部分。而现实生活中，存在着多种多样的可被我们感知的信号，其中，人的80以上的信息来源是通过视觉系统获得的。人类通过眼睛和大脑来获取、处理与理解视觉信息的。周围环境中的物体在光线刺激作用下，在人眼的视网膜上形成图像，由感光细胞转换成神经脉冲信号，经神经纤维传入大脑皮层进行处理、理解。视觉，不仅指对光信号的感受，还包括了对视觉信息的获取、传输、处理、存储与理解全过程。人和高等动物都有着发达的视觉系统，使得客观环境中存在的事物或目标可以被识别，从而引发进一步处理。对于人类来说，这种功能是与身俱来的，十分轻松的事情。信号处理理论与计算机出现以后，人们试图用相机获取环境图像并将其转换成数字信号，用计算机实现对视觉信息处理全过程，这样，就形成了一门新兴的学科-计算机视觉。一般的机器视觉系统都是在某一领域内作用，故待识别目标是特定领域内的，而且类型有限，于是可以作一个样本库容纳可能出现的目标类型模板。在判断输入的图像是什么时，就可以将输入的图像与存储的样本库进行匹配比较，进行判断识别。在一些场合，需要对目标进行空间上定位。多数应用场合下，给出了一个样本图像，它包含着一个特定的目标对象，如实际物体， 符号或字符等等，需要从另一幅包含目标实际背景图像中寻找这个目标对象的位置，进行定位，也就是判断这幅背景图像或它的一部分是不是我们所要寻我的目标，这时就需要用到图像匹配技术。而有些时候，所相机所摄取的图像模糊或者过于模糊以至于人眼无法识别，这时就得通过清晰化处理或者特征提取，为人眼辨别提供辨别依据。随着科学技术的发展，图像匹配技术已经成为现代信息处理领域中的一项极为重要的技术，在许多领域内有着广泛而实际的应用。因此，做好对图像匹配技术的深入研究，对推动现代信息处理领域的发展，是密切联系的。我们生活环境中所有自然景物都是立体图像，它们都是由可见光形成，都是人类视觉可以观察到的图像，因此称为可见图像。由X射线、红外线、微波和超声波等形成的某种物理量平面或空间分布图是人类视觉不能直接接受的，因此称为不可见物理图像。 图像处理技术基本可以分为两类：模拟图像处理、数字图像处理。模拟图像处理（Analog Image Processing）主要包括光学处理、电子处理。照相、遥感图像处理等就是模拟图像处理。模拟图像处理的特点就是速度快，理论上可以达到光速，并可以同时进行并行处理。但是，模拟图像处理的缺点是精度较差、灵活性较差、容量大，很难拥有判断能力和非线性处理能力。数字图像的概念:一幅图像可以定义为一个二维函数 f (x, y)，其中x和y是空间坐标，而在任何一对空间坐标(x, y)上的幅值 f 称为该点图像的强度或者灰度。当 x ， y 和幅值 f 为有限的、离散的数值时，称该图像为数字图像。图像其实是一种二维连续函数，即它的亮度是其位置的连续函数。为了得数字图像， 从而使其可以通过计算机进行数字处理，首先要对图像在空间上和亮度上进行数字化。空间位置上的数字化使用一个有限的数列或数阵来表示一副连续图像，称为取样，这些数就称为样本。而亮度上的数字化即是将亮度取离散值，称为量化。 同样，可以将取样和量化理解为：一幅连续图像 ，要把它转换为数字形式。 该幅图像的和坐标及幅度可能都是连续的。为了把它转换为数字形式，必须在坐标和幅度上都做取样操作。数字化坐标值称为取样，数字化幅度值称为量化。yxf( x ,y )产生一幅数字图像的取样和量化过程。第一章 绪论1.1基于模板匹配的模糊数字识别的概念1.1.1模板匹配概念及现状 模板匹配:把不同传感器或同一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准,或根据已知模式到另一幅图中寻找相应模式的处理方法就叫做模板匹配。 简单而言，模板就是一幅已知的小图像。模板匹配就是在一幅大图像中搜寻目标。已知该图中有要找的目标，且该目标同模板有相同的尺寸、方向和图像，通过一定的算法可以在图中找到目标，确定其坐标位置,得出匹配结果。早期图像匹配技术主要用于几何校正后多波段遥感图像的套准，借助于求互相关函数极值来实现。如在遥感图像处理中把不同波段的传感器对同一景物的多光谱图像按像点的性质进行对应套准，然后根据像点的性质进行地物分类，如果利用在不同时间对同一地面拍摄的两幅照片，经套准后找出其中特征有了变化的点，就可以用来分析图中哪些部分发生了变化。匹配研究及到许多相关的知识领域，如图像预处理、图像采样、特征提取等，并且将计算机视觉、数值计算等紧密结合在一起。图像匹配技术与图像融合、图像匹配等研究方向密切相关，是图像理解和图像复原等领域的研究基础。图像匹配技术在诸多领域内有着广泛应用，其中包括：地图匹配，飞机导航，武器投射系统的末制导，光学和雷达的图像模板跟踪，工业流水线的自动监控，气象预报，医疗诊断，文字识别以及景物分析中的变化检测等等。 模板匹配的工作方式跟直方图的反向投影基本一样，大致过程是这样的：通过在输入图像上滑动图像块对实际的图像块和输入图像进行匹配。假设我们有一张100x100的输入图像，有一张10x10的模板图像，查找的过程是这样的：（1）从输入图像的左上角(0,0)开始，切割一块(0,0)至(10,10)的临时图像；（2）用临时图像和模板图像进行对比，对比结果记为c；（3）对比结果c，就是结果图像(0,0)处的像素值； （4）切割输入图像从(0,1)至(10,11)的临时图像，对比，并记录到结果图像；（5）重复（1）（4）步直到输入图像的右下角。1.21模糊图像概念及内容 模糊数字图像处理：主要是对模糊车牌数字处理，通过获取车牌模糊数字并对其清晰化。数字图像恢复是数字图像处理的重要组成部分，在航空航天技术、交通、军事公安、机器人视觉等许多方面有广泛应用。在图像拍摄过程中，由于景物与成像系统的由于某种条件的改变会导致图像模糊，尤其是在车牌模糊数字成像得到了广泛的研究。在数字图像处理过程中，经常需要对数字的品质做出评价，图像的品质包括俩方面：一方面是该图像与标准图像相比的偏离情况，即是保真度。虽然定量贫家图像品质具有重要作用。但是由于其中包含了许多人工智能的概念并设计组多领域的只是。研究的难度很大。到目前为止，对于图像的保真度已有较多的研究，但是对于图像品质的模糊度还缺乏成熟的算法，需要进一步研究。模糊图像的内容：在成像系统中,成像面获得的图像可以认为是原始像场景与成像系统的点扩散函数的卷积。光学成像系统相当于一个低通滤波器，且其截止频率域系统的离散程度相关，即系统离焦量越大，则截止频率越低，图像越模糊。以上仅仅是对成像系统离焦模糊的原因进行了分析，在可能引起图像模糊的其他应用中，列如图像压缩图像平滑滤波等。图像的模糊也都是因为高频分量的丢失造成或者细节不清晰。综上所述，清晰图像比模糊图像有更丰富的细节信息，即高频分量，所以通过衡量图像包含高频信息的多少来评价图像的清晰度。模糊图像的评价标准：清晰的图像比模糊的图像含有更丰富的细节信息，即高频分量。故可以通过衡量图像包含高频信息的多少来评价图像清晰度。在当前的大多数自动调焦系统中，也都是通过计算图像高频分量的多少（列如梯度平方和和能量熵）来进行调焦判断。但是调焦函数的输出范围是无界的，不能评价图像清晰度。结合光学系统成像模型，如今提出了一种评价高频分量多少的方法NRSS。对原始图像进行低通滤波得到一度参考图像，计算参考图像与待评价图像的结构相似度。显然，清晰图像由于包含大量高频信息，故经过低通滤波之后损失成分多，得到的结构相似度就小。模糊图像刚好相反。这种方法很好地结合了成像系统的数学模型和SSM评价评价方法的优点。实验证明该方法评价结果符合人类主观评价结果。1.2基于模板匹配的模糊数字识别分类1.2.1 模板匹配分类1平方差匹配法：该方法采用平方差来进行匹配；最好的匹配值为0；匹配越差，匹配值越大。2相关匹配法：数值越大表明匹配程度越好。该方法不直接利用特征点邻域的灰度值，而是依据特征点邻域像素灰度值的互相关系数（Cross Correlation）为匹配原则进行匹配。基本思路如下：分别在参考图像和待配准图像中以每一个特征点为中心取一个(2N+1)(2N+1)大小的相关窗，然后以参考图像中的每个特征点为参考点在待配准图像中寻找对应匹配点，匹配的依据是计算特征点相关窗之间的相关系数，数值越大表明匹配程度越好。3相关系数匹配法：这类方法将模版对其均值的相对值与图像对其均值的相关值进行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示没有任何相关性。4归一化平方差匹配法：5归一化相关匹配法：归一化的目的就是消除上述方法对于光照变化敏感的 问题。归一化互相关法优缺点： 1）该方法较好地解决了对于光照变化敏感的问题。 2）矩形窗口的选用仍然是该类法的缺憾。所以这种方法只适合于具有平移和小角度旋转关系的图像配准。 6归一化相关系数匹配法：通常,随着从简单的测量(平方差)到更复杂的测量(相关系数),我们可获得越来越准确的匹配(同时也意味着越来越大的计算代价). 最好的办法是对所有这些设置多做一些测试实验,以便为自己的应用选择同时兼顾速度和精度的最佳方案。1.2.2 模糊数字图像分类动感模糊：由于摄像机与拍摄物体存在相对运动所产生的模糊，在监控录像中最为常见的一种模糊图像。高斯模糊：“高斯”是指将加权平均应用于像素时生成的钟形曲线。进一步模糊：“进一步模糊”生成的效果比“模糊”滤镜强三到四倍。径向模糊：旋转相机所产生的模糊效果。特殊模糊：产生一种清晰边界的模糊。能够找到图像边缘并只模糊图像边界线以内的区域。镜头模糊：图像中的一些对象在焦点内，使一些区域变模糊。表面模糊：所谓的表面模糊指的是当拍摄景物时由于天气条件的影响，使得拍摄到的物体感觉表面蒙了一成雾或者灰层，使得图像分辨不清 1.3基于模板匹配的模糊识别主要应用领域经济学：伴随着各门学科，尤其是人文、社会学科及其他“软科学”的不断发展，数学化、定量化的趋势也开始在这些领域中显现。模糊识别不再简单局限于自然科学的应用，同时也被应用到社会科学，特别是经济管理学科方面。如陈守煜(2001)提出了可持续发展系统评价的模糊识别的模型和方法，其中包括确定评价指标权向量的模糊安全决策原理与方法。该模型和方法可用于社会经济、生态环境、资源、能源等可持续发展系统的评价。陈守煜(2002)依据经济区划时“中心城市”概念的模糊性，提出确定中心城市的模糊识别模型。他还提出了确定多目标指标权重的模糊决策分析法，通过确定指标对模糊概念“重要性”的相对隶属度来确定目标权重，避免了权重的主观性。张守凤等(2003)以三角模糊数来表示模糊概念，提出一种新的多层多级模糊模式识别模型，并运用该模型对某企业竞争力进行模糊综合评判和模式识别。在传统的模糊识别基础上，王颖(2004)运用正态隶属云代替传统模糊识别方法中精确的隶属函数，构建了相关正态云模型，对云理论在经济管理领域中的应用做了初步探讨，并对企业市场竞争性定位进行识别，克服了由于隶属度确定的惟一性所导致的最终失去模糊性的理论缺陷，从而使获得的判识结论更加合理且贴近实际。王忠彬等(2004)运用系统与模糊分析相结合的方法，首先将金融机构面临的资产风险分解成若干个风险因素子系统；然后以金融理论为指导建立各子系统风险因素评荐的隶属度矩阵，并在此基础上采用模糊间接识别模型及贴近度的概念，构造了一个子系统因素模糊识别模型；最后通过各子系统模糊识别模型的合成，建立了整个金融机构系统模糊识别模型，达到了整个金融机构风险排序、化解金融隐患和保证国家经济安全的目的。公共财政：公共财政是国家(政府)为主体的经济活动(分配活动)，是一种着眼于满足社会公共需要的经济活动或分配活动。社会公共需要决定着公共财政的存在，决定着公共财政的活动范围和活动效果。公共财政应着眼于满足社会成员的公共需要，而不应该超越市场的力量去满足社会成员的私人需要。对公共财政情况的判断，从实际的意义上讲，需要综合考虑两方面的问题：一是对公共财政的状态作出综合判断，确定公共财政此时处于何种情况，以利于采取相应的措施；二是对公共财政管理中出现的多种情况进行优劣排序，判断状况好坏，以利于积累管理中的经验并补充调研资料。这两类问题同时又是相互联系的，后者为前者提供了更周密详尽的判断依据。鉴于公共财政优劣评价具有模糊性，因此可以将模糊识别理论用于优劣评价中，对评估指标体系进行设计，利用模糊识别理论的方法，对公共支出情况作综合评价并对10个省份的公共支出情况作出综合排序。(1)模型建立首先，需要确定用来作判断的指标体系，也就是确定进行模糊识别的论域X。本文将我国公共财政中的公共支出情况作为识别的对象，这里，我们将研究的口径确定在10个省份(北京、上海、浙江、广东、山西、湖北、湖南、陕西、云南、甘肃)，并且将财政支出系统模糊确定为基本建设支出、农林业支出、教育支出、医疗卫生支出、社会保障补助支出、行政管理支出、公检法司支出以及专项支出等几个子块组成，由它们构成论域X=基本建设支出、农林业支出、教育支出、医疗卫生支出、社会保障补助支出、行政管理支出、公检司支出、专项支出。根据模糊模式识别的基本原则，结合公共财政管理长期的经验积累和实际情况，可以建立论域X上的一系列模糊子集，这一系列的模糊子集分别表示公共财政管理的各种不同的模糊状态。根据上述假设，令j=10，那么，模糊子集A根据模糊识别矩阵规定阀值，依据阀值原则，可以得到入截矩阵R，从而可选择出最优的向量。去掉该向量，重复此方法可依次得出此优向量。(2)数据收集以我国10个省份(北京、上海、浙江、广东、山西、湖北、湖南、陕西、云南、甘肃)的公共财政支出(基本建设支出、农林业支出、教育支出、医疗卫生支出、社会保障补助支出、行政管理支出、公检法司支出、专项支出)为口径加以研。1.4本文主要内容与安排在查阅文献了解有关视频监控及图像处理技术的基础上，分析不同模糊程度图像中的数字特点，建立模糊数字模板，探索模糊数字的自动识别方法。在严重模糊情况下不要求识别绝对准确，只要求通过技术分析为人眼辨识提供借鉴。本论文旨在运用模式识别理论，通过对监控图像进行适当处理和建立模糊数字字符模板，研究基于模板匹配的模糊数字识别方法，以期提高视频监控效果，更好地维护社会治安和人民生命财产安全 第二章，2.1节主要讲述模糊数字识别模糊数字图像收集，2.2节模糊数字图像频谱分析特点分析和灰度直方图分析，了解不同模糊程度不同数字的特点;2.3阐述了通过收集的模糊图像制作不同模糊程度模糊模板的过程，2.4节讲述匹配识别前待识别模糊数字图像处理方法。第三章，3.1节修改模板库。3.2节主要讲改进匹配算法，算法流程，算法实现，算法仿真。 第二章 基于模板匹配的模糊数字识别2.1模糊图像收集图2.1.1、2.1.2是收集到的不同程度的模糊数字图像： 图2.1.1图2.1.2 收集的数字图像中有由于运动模糊的图像，如图2.1.1；有由于远距离拍摄产生的模糊图像，如图2.1.2，收集不同程度的车牌模糊数字图像，为后续模糊数字图像的制作，模糊数字模板库制作提供素材。2.2模糊数字图像特点分析 通过对场外车牌数字的拍摄，制作不同模糊程度数字。如下是我收集到的车牌数字模糊图像：图2.2.1为清晰化的车牌数字： 图2.2.1通过截图获取单个清晰化的数字模板，如图2.2.2：图2.2.2通过制作清晰化的车牌数字图像，为模糊数字图像分析提供借鉴，与模糊数字图像形成对比。也为后续改进模板匹配算法提供良好的素材将图2.2.2转化为灰度图像，可以利用MATLAB里的自带的灰度转换函数将其转化。效果如图：如图2.2.3：图2.2.3将图2.2.3的图像通过对其做傅里叶变换，得到不同数字图像频谱图，如图2.2.4：图2.2.4图2.2.的主要作用是为后续数字图像预处理即图像调整时提供借鉴。将标准清晰度2.3.3图像得到其灰度图，如图2.2.4：图2.2.4图2.2.4的清晰数字直方图与下面的模糊数字图像直方图形成对比，更好的看出模糊数字图像的特点，方便匹配预处理时模糊数字图像的清晰化由于户外模糊数字图像不好拍摄，下面用的是通过PHOTOSHOP模拟户外拍摄条件的改变制作了下列轻微模糊数字图像，如图2.2.5：图2.2.5将图2.4.5的模糊数字图像进行傅里叶变换得到表面轻微模糊的数字图像频谱图，如图2.2.6：图2.2.6图2.2.5的灰度直方图如图2.2.7：图2.2.7对图2.2.5的数字图像进一步模糊得到严重模糊的数字图像，如图2.2.8所示：图2.2.8对图2.2.8的数字图像进行傅里叶变换，如图：2.2.9：图2.2.8的数字模糊图像的灰度直方图如图2.2.10：图2.2.9图2.2.10小结通过上面各种模糊数字图像的频谱分析、灰度直方图分析发现，他们的频谱图、灰度直方图都是各不相同，各有各的特点。数字一：其傅里叶频谱是一个非常清晰的十字图；数字2除了清晰的十字架外还多了倾斜的一小模糊线和中心点的清晰小椭圆；数字三有清晰的十字架和中心圆的高清亮点；数字4十字架不是很清晰尤其是垂直方向，中心高清不成形圆和倾斜的小亮线；数字5清晰十字架，水平方向多了一条平衡亮线；数字6垂直亮线十分清晰，水平亮线则显得有点模糊；数字7垂直亮线虽然清晰但粗糙，以数字6细小的亮线形成对比；数字8水平亮线十分清晰而垂直亮线模糊；数字9的唯一特点就是俩条相互垂直的垂直亮线；数字0垂直、水平线都是模糊不清的。2.3建立不同模糊程度的数字模板通过读取图像，对读取的图像进行处理。2.3.1 二值化图像二值化（binary image），就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，首先，二值化的图像有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。所有灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。本文采用的是自适应阈值二值化方法，使用迭代法求出灰度阀值，高于该阀值灰度设为255，低于该阀值灰度设为0。方法1：迭代法是基于逼近的思想,其步骤如下:(1)求出图象的最大灰度值和最小灰度值,分别记为Rmax和Rmin,令阈值=(Rmax+Rmin)/2。(2)根据阈值将图象的平均灰度值分成两组R1和R2。(3)分别求出两组的平均灰度值1和2。(4)求出新阈值=(1+2)/2。是二值化后输出的图像，通过阀值（设为）来二值化图像的公式为 公式 2-1其效果如图2.3.1，图2.3.2:图 2.3.1（待识别字符图片） 图 2.3.2（二值化图片）但待识别数字不是很清晰情况下，此方法不在适用，如图3.2：图2.3.3 左图为待处理图像，右图为处理后图像方法2：利用MATALAB自带的函数中的最大类间方差法找到适合阀值。在使用im2bw函数将灰度图像转换为二值图像时， 需要设定一个阈值。 这个函数可以帮助我们获得一个合适的阈值， 利用这个阈值通常比人为设定的阈值能更好地把一张灰度图像转换为二值图像。调用格式为：level EM = graythresh(I)处理效果如图2.3.4：图2.3.4二值化后图像再对二值化的图像进行去噪，本文采用低通滤波来进行。 低通的数学表达式如下式所示: （ 2-2） 式中F（u,v）一含有噪声的原图像的傅立叶变换; H(u,v)一为传递函数，也称转移函数（即低通滤波器）;G(u,v)一为经低通滤波后输出图像的傅立叶变换。H滤波滤去高频成分，而低频信息基本无损失地通过。滤波后，经傅立叶变换反变换可得平滑图像。2.3.2 去噪图像在生成和传输过程中常常因受到各种噪声的干扰和影响而使图像降质，这对后续图像的处理(如分割、压缩和图像理解等)将产生不利影响。噪声种类很多，如：电噪声、机械噪声、信道噪声和其他噪声。在图像处理中，图像去噪是一个永恒的主题，为了抑制噪声，改善图像质量，便于更高层次的处理，必须对图像进行去噪预处理。本文是根据噪声能量一般集中于高频而图像频谱则分布于一个有限区间的这一特点，采用低通滤波方式来进行去噪。低通滤波是频率域滤波的一种，频率域滤波是将图像从空间或时间域转换到频率域，再利用变换系数反映某些图像特征的性质进行图像滤波的方法。傅立叶变换是一种常用的变换。在傅立叶变换域，频谱的直流分量正比于图像的平均亮度，噪声对应于频率较高的区域，图像实体位于频率较低的区域。图像在变换具有的这些内在特性可被用于图像滤波。可以构造一个低通滤波器，使低频分量顺利通过而有效地阻于高频分量，即可滤除图像的噪声，再经过反变换来取得平滑的图像。2.3.3 建立模板本文在在建立标准的字符模板库时需要手动将样本输入，建立临时标准的字符模板库，然后保存，这就需要在之前已经有模板样本，进行必要的样本训练。样本训练的过程也是提取样本图像字符的特征值的过程，方便之后匹配时使用。2.4匹配识别预处理在进行匹配识别之前要先对待识别图像进行预处理，其中包括：灰度化、清晰化、倾斜调整、二值化、大小调整（调整成与模板大小一致）2.4.1灰度化基于所研究的课题主要针对灰度图像，而摄像机拍摄到的图像都是彩色，需要将待识别的图像转化为灰度图像。在这可以利用MAYLAB里自带的函数rgb2gray将其进行转换，这不影响后面的图像识别。2.4.2清晰化要处理的图像是模糊图像，需要的匹配识别之前将模糊的数字图像进行清晰化处理。不同模糊数字图像处理的步骤都不一致，从下面几方面入手：运动模糊处理在空间域，图像特征不明显，不容易找出可用于识别运动模糊尺度的量。因此，需要将图像以某种形式转换到另外一些空间。对于不带噪声的匀速直线运动模糊图像，可以通过傅里叶变换将其转换到频率域再寻找图像特征。在频谱图中，呈现出亮暗相间的平行线条纹，这些条纹的方向与运动模糊方向垂直，而间距则与运动模糊尺度有关系。运动模糊角度识别：为了把任意方向的匀速直线运动的模糊情况转化为水平方向，就需要识别出运动模糊角度，这就可以利用Rodon变换实现。图像的Rodon表换即图像I(x,y)在角度为、与原点的距离为（=xcos()+ysin()）的直线上的投影。Radon变换的定义：R（,）= （2-3）对于数字图像，通过Radon变换可计算其在某一指定角度射线方向上的线积分。比如角度在变化时，则可通过Radon变换计算出这个角度范围内沿着每一个角度射线方向的投影值。由于匀速直线运动模糊图像的频谱图中沿条纹方向的线积分值最大，所以最大投影值对应的角度即为运动模糊角度。频率域特征提取：在匀速直线运动模糊图像的频谱图中平行暗条纹是等间距分布的，它们之间的距离与运动模糊尺度有关，所以，这个距离可以作为识别运动模糊尺度的特征，但间距不容易精确测定，这个问题可以利用频谱图中的幅度和来解决。以水平方向匀速直线运动模糊图像为例(以下相同)，在其频谱图中，平行暗条纹是竖直方向的，将频谱图中的幅度(这里的幅度指的是取对数之后的幅度，以下相同)逐列相加，得到一行值，这就得到了可以使用的一组图像特征。为了提高训练和辨识精度，只需要对频谱图中央区域计算幅度和。因为周围区域的频谱幅度接近零值，而这些区域会给网络训练和参数辨识带来一定误差，因此计算每列幅度和不需要考虑这些区域，同时还可以降低相应的网络训练和参数辨识的计算量，从而提高网络训练和参数辨识的速度。数据归一化竖直方向幅度求和后，得到一组图像特征，但各