小波變換算法在車(chē)牌識(shí)別系統(tǒng)中的應(yīng)用

PAGE1分類(lèi)號(hào)：本科生畢業(yè)論文題目：小波變換算法在車(chē)牌識(shí)別系統(tǒng)中的應(yīng)用作者姓名：學(xué)號(hào)：系(院)、專(zhuān)業(yè)：信息工程學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)專(zhuān)業(yè)指導(dǎo)教師姓名：指導(dǎo)教師職稱(chēng)：年月日宿州學(xué)院本科畢業(yè)論文摘要隨著我國(guó)公路運(yùn)輸?shù)陌l(fā)展，車(chē)輛的數(shù)量的迅速增加，同時(shí)為提供舒適的旅游中所存在的車(chē)輛的管理問(wèn)題也較為突出，人工控制模式已不符合人們的需要。計(jì)算機(jī)技術(shù)在交通領(lǐng)域的應(yīng)用極大地提高了交通管理效率。圖像的自動(dòng)識(shí)別技術(shù)作為主要的信息來(lái)源是越來(lái)越受到人們的關(guān)注。近年來(lái)的快速發(fā)展,計(jì)算機(jī)對(duì)傳統(tǒng)交通管理帶來(lái)了巨大轉(zhuǎn)變,先進(jìn)的計(jì)算機(jī)處理技術(shù)不僅可以將人們從繁瑣的手工的觀察和監(jiān)控中解放,并能大大提高精度,汽車(chē)車(chē)牌自動(dòng)識(shí)別系統(tǒng)是興起在這樣的背景和目的下?，F(xiàn)在，車(chē)牌識(shí)別是一個(gè)重要的研究課題，在現(xiàn)代化的智能交通系統(tǒng)中，計(jì)算機(jī)視覺(jué)和模式識(shí)別技術(shù)是智能交通管理的重要組成部分。。本文僅進(jìn)行了在Matlab軟件中的模擬，將小波變換算法運(yùn)用到圖像的降噪處理中去，給出了圖像小波分解的實(shí)例，并使用小波的多尺度算法對(duì)圖像進(jìn)行邊緣的提取。關(guān)鍵詞：小波變換，車(chē)牌識(shí)別，降噪

ABSTRACTWiththedevelopmentofhighwaytransportationinourcountry,rapidincreaseinthenumberofvehicles,andprovidesmanagementproblemsofcomfortabletravelinvehiclesisalsomoreprominent,manualcontrolmodehasnotmeettheneedsofthepeople.Theapplicationofcomputertechnologyinthefieldoftrafficgreatlyimprovestheefficiencyoftrafficmanagement.Auto-detectionimagetechnology,asthemainsourceofinformationisbeingmoreandmoreattention.Therapiddevelopmentinrecentyears,thecomputerfortrafficmanagementbringsagreatchange,computeradvancedprocessingtechniquescannotonlyfreedpeoplefrommanualobservationandmonitoringthecumbersome,butalsocangreatlyimprovetheaccuracy,thevehiclelicenseplateautomaticrecognitionsystemisdevelopedinthebackgroundandpurposeofsuch.Now,thelicenseplaterecognitionisanimportantresearchtopic,inthemodernintelligenttransportationsystems,computervisionandpatternrecognitiontechnologyisanimportantpartofintelligenttrafficmanagement.Inordertomakethevehiclelicenseplaterecognitionaccuracyashighaspossible,imagepreprocessingisveryimportant,forimagedenoisingisaveryimportantstep,intheimagepreprocessing.WaveletanalysisisanewbranchofamathematicsinlatetwentiethCenturybegantorise,bothinthefieldofsignalprocessing,geologicalexploration,imageprocessinghasbeenappliedtomanyaspectsof.ThisarticleonlyissimulatedinMatlabsoftware,thewavelettransformisappliedtoimagenoisereductionprocessingto,givesanexampleofimagewaveletdecomposition,extractionalgorithmusingwaveletandmultiserialedgeofimage.Keywords:Wavelettransform;Noisereduction;Licenseplate

目錄摘要 2ABSTRACT 3緒論 11.車(chē)牌識(shí)別的背景 21.1車(chē)牌識(shí)別背景綜述 21.2車(chē)牌識(shí)別的難點(diǎn) 21.3國(guó)內(nèi)外車(chē)牌識(shí)別技術(shù)情況 31.4車(chē)牌識(shí)別的發(fā)展方向及趨勢(shì) 31.5車(chē)牌識(shí)別的應(yīng)用領(lǐng)域 41.6車(chē)牌識(shí)別系統(tǒng)工作原理 51.7車(chē)輛牌照識(shí)別系統(tǒng)組成 62.小波變換的基本理論 82.1小波變換概述 82.2小波變換在信號(hào)消噪中的應(yīng)用 82.3圖像消噪中的小波變換 93.圖像消噪處理 103.1二維小波的特性 103.2用小波變換算法對(duì)圖像消噪 103.3在MATLAB中進(jìn)行仿真 114.圖像的邊緣檢測(cè) 134.1邊緣檢測(cè)的基本原理 134.2邊緣檢測(cè)的定義 144.3圖像邊緣檢測(cè)的應(yīng)用領(lǐng)域 154.4圖像邊緣檢測(cè)算法的研究 174.5邊緣檢測(cè)算子 184.6基于Matlab的實(shí)驗(yàn)結(jié)果與分析 215.基于小波變換的圖像邊緣提取 245.1多尺度算法的基本思想 245.2小波多尺度算法 245.3Matlab仿真結(jié)果 25結(jié)論 27參考文獻(xiàn) 28致謝 29宿州學(xué)院2013屆本科畢業(yè)論文緒論P(yáng)AGE33緒論機(jī)動(dòng)車(chē)闖紅燈這種交通違章現(xiàn)象在日常的交通管理中是很常見(jiàn)的，這種現(xiàn)象不僅擾亂了正常的交通秩序，而且是導(dǎo)致交通事故的重要原因之一。電子監(jiān)控就是針對(duì)闖紅燈這種容易造成交通事故的交通違章行為管理的，可以做到自動(dòng)監(jiān)監(jiān)控，可以做到了無(wú)人值班，自動(dòng)的連續(xù)的檢測(cè)，并收集到準(zhǔn)確的車(chē)輛違章證據(jù)。車(chē)牌識(shí)別技術(shù)(VehicleLicensePlateRecognition，VLPR)是現(xiàn)代智能交通系統(tǒng)中的一項(xiàng)重要的研究課題，也是實(shí)現(xiàn)交通智能管理的重要環(huán)節(jié)。它是基于數(shù)字圖像處理，模式識(shí)別，計(jì)算機(jī)視覺(jué)技術(shù)等的智能識(shí)別技術(shù)，在做到不影響汽車(chē)正常行駛的情況下，使計(jì)算機(jī)可以自動(dòng)完成車(chē)牌的識(shí)別，從而降低車(chē)輛管理的工作復(fù)雜度。車(chē)牌識(shí)別技術(shù)在車(chē)輛進(jìn)過(guò)高速路口收費(fèi)站時(shí)做到自動(dòng)收費(fèi)，控制來(lái)往車(chē)輛的流量，做到車(chē)輛事故報(bào)告自動(dòng)送達(dá)，車(chē)輛車(chē)牌的定位，做到控制交通的擁堵，在維護(hù)公共安全、緩解交通擁堵情況等方面都會(huì)起到非常有效的作用。就目前而言，可以應(yīng)用于車(chē)庫(kù)管理系統(tǒng)、高速收費(fèi)站管理系統(tǒng)、小區(qū)安全監(jiān)控系統(tǒng)等各個(gè)領(lǐng)域，不論是在交通管理還是在治安管理方面都有著非常重要的地位。由于我國(guó)的車(chē)牌種類(lèi)繁多，車(chē)牌樣式不統(tǒng)一，再加上在不同的天氣情況下，所獲得的圖像清晰程度也有所不同，晴天獲得的圖像與陰雨天氣獲得的圖像之間有很大差異，這樣一來(lái)就會(huì)造成車(chē)牌的識(shí)別率下降。正因?yàn)槿绱耍训玫降膱D像進(jìn)行包括降噪處理在內(nèi)的預(yù)處理是非常重要的。小波變換的思想來(lái)源于伸縮與平移的方法，在1910年由Haar提出。之后經(jīng)過(guò)很多科學(xué)家的修改變化，從而形成了現(xiàn)在的小波理論。小波理論在20世紀(jì)就受到了許許多多的科研工作者的高度重視。小波分析理論作為數(shù)學(xué)和工程應(yīng)用等許多學(xué)科共同研究所得出的成果，在圖像處理、信號(hào)處理、地質(zhì)勘探學(xué)等諸多領(lǐng)域得到了廣泛應(yīng)用。同時(shí)，本文使用了基于小波變換的多尺度邊緣檢測(cè)算法，其優(yōu)點(diǎn)在于計(jì)算量的減少和定位更準(zhǔn)確，并且可以提供邊緣平滑程度的估計(jì)，對(duì)圖像邊緣做到有效提取。宿州學(xué)院2013屆本科畢業(yè)論文車(chē)牌識(shí)別背景1.車(chē)牌識(shí)別的背景1.1車(chē)牌識(shí)別背景綜述與車(chē)牌識(shí)別技術(shù)相關(guān)的研究，就目前在我們國(guó)家就已經(jīng)有十幾年的歷史了，但是卻還沒(méi)有能完全投入使用的大型的系統(tǒng)，車(chē)牌識(shí)別系統(tǒng)作為交通管理的有效的工具，其技術(shù)水平仍有待改善。雖然國(guó)內(nèi)外的許多專(zhuān)家學(xué)者對(duì)此已經(jīng)進(jìn)行了很多工作，但實(shí)際效果并不理想，尤其是對(duì)高速車(chē)牌定位方法還有待進(jìn)一步研究。此外，輔助光源的要求，這是難以有效地解決的技術(shù)上的問(wèn)題，復(fù)雜的情況下，在條件復(fù)雜的情況下高速移動(dòng)的車(chē)輛的識(shí)別車(chē)牌號(hào)的問(wèn)題很難解決，例如：不同的天氣條件下，光的亮度程度，車(chē)牌表面污染或磨損光干擾會(huì)影響車(chē)牌的準(zhǔn)確性。傳統(tǒng)的車(chē)牌識(shí)別只支持一個(gè)單一的車(chē)輛，背景是簡(jiǎn)單的。在許多應(yīng)用場(chǎng)合中，如在繁忙的交通路口的欠稅、報(bào)廢等得稽查，監(jiān)測(cè)區(qū)域則更加復(fù)雜，現(xiàn)有的識(shí)別方法不能直接應(yīng)用；在大多數(shù)情況下，也出現(xiàn)了很多車(chē)，背景有廣告牌，建筑，線條和各種背景文本等，現(xiàn)有的識(shí)別方法也不能很好得適應(yīng)適應(yīng)變化的環(huán)境，所以對(duì)車(chē)牌識(shí)別技術(shù)的研究仍然是一個(gè)在科學(xué)領(lǐng)域的熱門(mén)話(huà)題。車(chē)牌識(shí)別系統(tǒng)的設(shè)計(jì)和應(yīng)用，其發(fā)展具有巨大的社會(huì)、經(jīng)濟(jì)和學(xué)術(shù)意義。1.2車(chē)牌識(shí)別的難點(diǎn)（1）大多數(shù)車(chē)牌圖像采集于室外，由于光線、天氣條件的作用，會(huì)有圖像模糊，對(duì)比度低的現(xiàn)象產(chǎn)生，會(huì)出現(xiàn)色彩失真，同時(shí)也有背景圖像的復(fù)雜性，這些因素都將是對(duì)確切的車(chē)牌定位和車(chē)牌識(shí)別造成難度的原因（2）圖像采集時(shí)，目標(biāo)位置是不同的，所以從圖像采集的不同角度來(lái)看，會(huì)有巨大的變化，同時(shí)由于傾斜的車(chē)牌，車(chē)牌圖案也會(huì)有扭曲。（3）（4）我國(guó)的汽車(chē)車(chē)牌懸掛的位置不統(tǒng)一。（5）車(chē)牌在道路環(huán)境、天氣或人為的因素下造成了嚴(yán)重的污染或磨損，遇到這樣的情況在發(fā)達(dá)國(guó)家的道路上是不允許出行的，而在中國(guó)的道路上，他們可以繼續(xù)上路行駛。（6）目前，國(guó)內(nèi)存在著多種多樣格式的牌照，再加上有上述的各種難題，這些都使得中國(guó)的車(chē)牌識(shí)別難度遠(yuǎn)遠(yuǎn)大于國(guó)外的車(chē)牌識(shí)別。1.3國(guó)內(nèi)外車(chē)牌識(shí)別技術(shù)情況眼下，在一些發(fā)達(dá)國(guó)家，車(chē)牌識(shí)別技術(shù)已成功地在實(shí)際生活中被應(yīng)用，但是中國(guó)在實(shí)際應(yīng)用中的進(jìn)步速度卻很慢，這種技術(shù)尚處于實(shí)驗(yàn)階段的應(yīng)用與開(kāi)發(fā)。這是因?yàn)槲覈?guó)與國(guó)外的實(shí)際情況是有所不同的。車(chē)牌在國(guó)外是很統(tǒng)一的，但在我們國(guó)家，在規(guī)范的車(chē)牌這方面還做得不夠，車(chē)牌趨向于多樣化。雖然到目前為車(chē)牌識(shí)別的研究已經(jīng)有了很多深入的探討，但是，就車(chē)牌的識(shí)別及圖像處理等關(guān)鍵問(wèn)題上還是有一些難以解決的問(wèn)題存在著的。首先，車(chē)牌的圖像的對(duì)比度小，當(dāng)它遇到非均勻的照明時(shí)，有效定位的速度就會(huì)下降。功能和紋理不同的車(chē)牌，較低的對(duì)比度，傾斜度，黏連字符和拍攝效果不理想的位置和拍攝效果不清晰。都使得車(chē)牌的字符識(shí)別準(zhǔn)確性降低，而車(chē)牌的準(zhǔn)確識(shí)別很大程度上依賴(lài)于字符的位置的成功定位。許多報(bào)刊已經(jīng)報(bào)道了許多在國(guó)內(nèi)和國(guó)外的車(chē)牌識(shí)別。國(guó)外的研究活動(dòng)，在此之前，已經(jīng)展開(kāi)很長(zhǎng)時(shí)間。在我國(guó)，許多高校的科研小組也在進(jìn)行車(chē)牌識(shí)別方向的研究，比如西安交大的圖像處理和識(shí)別研究室、清華大學(xué)人工智能?chē)?guó)家重點(diǎn)實(shí)驗(yàn)室、浙江大學(xué)的自動(dòng)化系等等，都在車(chē)牌識(shí)別方面有各自獨(dú)立的研究，并在這方面取得了一定的研究成果。從整體上說(shuō)，目前所現(xiàn)有的車(chē)輛識(shí)別系統(tǒng)，基本上都是對(duì)車(chē)輛的數(shù)量、大小、外觀、速度、種類(lèi)等的大概特點(diǎn)能做到自動(dòng)識(shí)別。但是，相比之下，對(duì)于車(chē)輛的牌照等等較為細(xì)致的信息的識(shí)別就沒(méi)能做到那么準(zhǔn)確的識(shí)別了，這是由于在客觀與主觀的各種復(fù)雜條件下，對(duì)于車(chē)牌的識(shí)別多少有所受限。1.4車(chē)牌識(shí)別的發(fā)展方向及趨勢(shì)車(chē)牌識(shí)別技術(shù)在智能交通系統(tǒng)中處于關(guān)鍵位置，在各國(guó)的專(zhuān)家學(xué)者的不懈努力下，已經(jīng)取得了突飛猛進(jìn)的發(fā)展，并且在實(shí)際生活中已經(jīng)得到了各種各樣的應(yīng)用，但即使如此這項(xiàng)技術(shù)仍然存在著各種不足之處。對(duì)于未來(lái)車(chē)牌識(shí)別產(chǎn)品的技術(shù)的發(fā)展趨勢(shì)，有以下幾點(diǎn)：視頻圖像處理由工控機(jī)向DSP(digitalsingnalprocessor數(shù)字信號(hào)處理器)再向智能相機(jī)，機(jī)內(nèi)集成了高速DSP處理芯片方向發(fā)展；視頻圖像傳輸后端主機(jī)開(kāi)發(fā)的圖像采集，識(shí)別處理，數(shù)據(jù)存儲(chǔ)等所有的攝像頭，即將到來(lái)的高清攝像頭圖像采集，處理，存儲(chǔ)，通信范圍內(nèi)的遠(yuǎn)距離傳輸?shù)膱D像數(shù)據(jù)集成;車(chē)牌識(shí)別軟件不斷更新，準(zhǔn)確率提高到98%，識(shí)別車(chē)牌類(lèi)型不斷增加，可以識(shí)別農(nóng)用車(chē)牌、民航車(chē)票、境外車(chē)牌等特殊車(chē)牌；監(jiān)控范圍從機(jī)動(dòng)車(chē)車(chē)牌擴(kuò)展到車(chē)身特征、司機(jī)和乘客的特征；以車(chē)身顏色識(shí)別為代表的視頻檢測(cè)技術(shù)進(jìn)一步應(yīng)用；補(bǔ)光方式由恒定照明箱閃光燈再向LED燈發(fā)展；車(chē)輛檢測(cè)方式由環(huán)形線圈檢測(cè)發(fā)展為視頻檢測(cè)；車(chē)牌識(shí)別由單次抓拍發(fā)展為視頻流多次識(shí)別；注意環(huán)保節(jié)能，降低對(duì)駕駛員的影響；（9）車(chē)牌識(shí)別更專(zhuān)業(yè)、設(shè)備維護(hù)更便捷，網(wǎng)絡(luò)覆蓋面更廣。1.5車(chē)牌識(shí)別的應(yīng)用領(lǐng)域（1）停車(chē)場(chǎng)及小區(qū)出入口舉個(gè)容易理解的例子：智能小區(qū)中的車(chē)輛可以自動(dòng)確定內(nèi)部車(chē)輛和非內(nèi)部車(chē)輛的自動(dòng)每小時(shí)收費(fèi)。在某些設(shè)備上，這款應(yīng)用還可以是相應(yīng)的單位車(chē)輛調(diào)度系統(tǒng)，對(duì)單位車(chē)輛的使用得出結(jié)合自動(dòng)和客觀的報(bào)告。管理停車(chē)場(chǎng)和住宅單從手動(dòng)輸入車(chē)輛登記號(hào)碼和停車(chē)時(shí)間是非常困難的，要記住，不只是容易出現(xiàn)錯(cuò)誤，而且還必須投入大量的人力。就算號(hào)牌掉漆甚至斷裂，模糊不清，也具有很強(qiáng)的識(shí)別分析能力，為您節(jié)省了很多麻煩。（2）高速公路收費(fèi)站就現(xiàn)在而言，中國(guó)的公路建設(shè)和發(fā)展是跨越式的，高速公路四通八達(dá)，每個(gè)入口都安排了收費(fèi)站，一方面，是以方便的收取相應(yīng)的管理費(fèi)用，另一方面，可以同時(shí)在交警的支持下，規(guī)范在高速公路上的交通管理。安裝車(chē)牌識(shí)別系統(tǒng)的收費(fèi)崗?fù)ず陀孟到y(tǒng)來(lái)識(shí)別車(chē)輛牌照，并指定中心識(shí)別車(chē)牌的交通何時(shí)會(huì)被發(fā)送到管理服務(wù)器，通過(guò)在比較和搶劫犯罪嫌疑人的車(chē)輛牌照板信息數(shù)據(jù)庫(kù)來(lái)確定公路收費(fèi)站的是否是是搶劫犯罪嫌疑人的車(chē)輛，可以防止犯罪事件的發(fā)生和幫助事件解決，為警方提供了參考信息。收費(fèi)亭通常在露天的環(huán)境中，為了滿(mǎn)足識(shí)別一些非?？斓男旭傑?chē)輛的車(chē)牌識(shí)別的要求，對(duì)更高的車(chē)牌識(shí)別技術(shù)的需求很大。要使車(chē)牌識(shí)別可識(shí)別320P像素的圖像，防止車(chē)牌信息的泄漏，高收費(fèi)站卡口的識(shí)別系統(tǒng)仍不能滿(mǎn)足實(shí)際的需求。而目前的車(chē)牌識(shí)別技術(shù)的高清處理為公安，交警的執(zhí)法提供了更多可靠的依據(jù)。（3）在公路卡口中的應(yīng)用伴隨著我國(guó)公路里程建設(shè)的增加，人民生活水平的整體提高，現(xiàn)在買(mǎi)車(chē)的人越來(lái)越多，給公路造成各種各樣的違法問(wèn)題。車(chē)牌識(shí)別技術(shù)作為車(chē)輛違法處罰的必要依據(jù)，可以對(duì)視頻中車(chē)輛號(hào)牌進(jìn)行自動(dòng)的檢測(cè)識(shí)別，其中最為典型的就是治安卡口系統(tǒng)，這個(gè)系統(tǒng)最重要的部分就是實(shí)現(xiàn)車(chē)牌的自動(dòng)識(shí)別。一個(gè)完善的治安卡口管理系統(tǒng)應(yīng)該具備車(chē)牌自動(dòng)識(shí)別、卡口應(yīng)用系統(tǒng)和中心管理平臺(tái)三個(gè)主要功能。車(chē)牌識(shí)別是其中最為重要的一部分，車(chē)牌識(shí)別的優(yōu)劣直接影響了卡口系統(tǒng)的整體性能，而識(shí)別速度是其最為重要的一個(gè)技術(shù)指標(biāo)。只要識(shí)別的效率可以得到提高，這個(gè)系統(tǒng)就可以占用相對(duì)較少的系統(tǒng)資源，這樣一來(lái)，也可以防止黑客入侵，也可以用較少的人力得到更大的回報(bào)。識(shí)別車(chē)牌速度快、準(zhǔn)確，車(chē)牌識(shí)別系統(tǒng)才能有效地實(shí)現(xiàn)自動(dòng)比對(duì)報(bào)警，避免出現(xiàn)大量的誤報(bào)?？梢詾榉辣I搶車(chē)輛，非法搶劫車(chē)輛等犯罪破案提供有力可靠的破案信息。（4）在城市交通的應(yīng)用最近幾年，隨著社會(huì)和經(jīng)濟(jì)的快速發(fā)展，機(jī)動(dòng)車(chē)數(shù)量的快速增長(zhǎng)，公路運(yùn)輸已變得越來(lái)越繁忙。進(jìn)一步提高交通管理的現(xiàn)狀和需求，與交通有關(guān)的刑事治安案件逐年增加。在這種情況下，如何使用科技手段加強(qiáng)安全的公共管理部門(mén)，機(jī)動(dòng)車(chē)和駕駛行為的調(diào)查和控制工作在城市，提供各種手段打擊刑事科學(xué)技術(shù)，公安交通管理部門(mén)急需解決的問(wèn)題。為了有效減少車(chē)輛闖紅燈違規(guī)，在全市范圍內(nèi)的所有道路都安裝上紅燈違規(guī)檢測(cè)系統(tǒng)，這個(gè)系統(tǒng)最重要的部分是車(chē)牌識(shí)別模塊，車(chē)牌識(shí)別系統(tǒng)可以得到?jīng)Q定性信息，捕捉所有車(chē)輛的牌照信息和公眾安全的網(wǎng)絡(luò)數(shù)據(jù)庫(kù)分析哪些車(chē)輛是可疑車(chē)輛，減少違規(guī)行為也可以被控制，以減少道路交通事故，道路監(jiān)控設(shè)備的應(yīng)用與現(xiàn)代信息網(wǎng)絡(luò)結(jié)合城市科技進(jìn)步形成了道路監(jiān)控智能化網(wǎng)絡(luò)系統(tǒng)，以更好地提高道路的動(dòng)態(tài)管理/控制和滿(mǎn)足新形勢(shì)下治安，刑偵，交通管理和其他業(yè)務(wù)需求。1.6車(chē)牌識(shí)別系統(tǒng)工作原理車(chē)牌識(shí)別是利用車(chē)輛的動(dòng)態(tài)視頻或靜態(tài)圖像，車(chē)牌號(hào)碼，車(chē)牌顏色圖案識(shí)別技術(shù)，可做到自動(dòng)識(shí)別。該技術(shù)的核心是包含了圖像預(yù)處理算法，車(chē)牌定位算法，車(chē)牌邊緣檢測(cè)算法和字符識(shí)別算法。一個(gè)車(chē)牌識(shí)別系統(tǒng)應(yīng)該包括幾個(gè)部分圖像采集，圖像預(yù)處理，車(chē)牌定位，字符識(shí)別。當(dāng)識(shí)別系統(tǒng)檢測(cè)到汽車(chē)經(jīng)過(guò)時(shí)，他們開(kāi)始圖像采集，截取當(dāng)前的動(dòng)態(tài)圖像。對(duì)圖像進(jìn)行前期的圖像處理，車(chē)牌定位，車(chē)牌字符分割，車(chē)牌字符識(shí)別，最后輸出車(chē)牌號(hào)碼。車(chē)輛檢測(cè)通常使用線圈或雷達(dá)，牌照識(shí)別系統(tǒng)還具有視頻圖像判斷功能，以確定是否有車(chē)，稱(chēng)為視頻的車(chē)輛檢測(cè)。在公路上，每天幾乎24個(gè)小時(shí)都是有車(chē)輛來(lái)回行駛的，所以，車(chē)牌識(shí)別系統(tǒng)就有必要每天24小時(shí)不間斷工作，不僅如此，為了夜間的識(shí)別的準(zhǔn)確率盡可能的高，還需要配有閃頻燈或閃光燈來(lái)對(duì)經(jīng)過(guò)車(chē)輛的車(chē)牌進(jìn)行補(bǔ)光。機(jī)動(dòng)車(chē)檢測(cè)：采用地下線圈檢測(cè)、紅外線感應(yīng)檢測(cè)、地面雷達(dá)感應(yīng)檢測(cè)技術(shù)以及視頻圖像檢測(cè)等多種方式感應(yīng)到機(jī)動(dòng)車(chē)的經(jīng)過(guò)，以此來(lái)觸發(fā)照相機(jī)拍攝牌照。獲取圖像：由安裝在路邊的照相機(jī)拍照，對(duì)經(jīng)過(guò)的機(jī)動(dòng)車(chē)進(jìn)行全天候的不間斷的獲取照片，并記錄。預(yù)處理：過(guò)濾噪聲、去除噪點(diǎn)、調(diào)整對(duì)比度以及色彩調(diào)整、色階調(diào)整、清晰度調(diào)整等。車(chē)牌定位：圖像已經(jīng)經(jīng)過(guò)了預(yù)先的降噪處理后，得到了灰度圖像對(duì)其進(jìn)行分析，得出車(chē)牌的所在位置。車(chē)牌分割，字符處理：在上一步已經(jīng)得到車(chē)牌的大致位置，再通過(guò)各種的處理，對(duì)已得到的圖像進(jìn)行分割，得到字符區(qū)域，再對(duì)其進(jìn)行字符的分割。字符識(shí)別：字符分割后再進(jìn)行尺寸改變、根據(jù)字符特征對(duì)其進(jìn)行提取，在與已有的字符數(shù)據(jù)庫(kù)中的字符進(jìn)行比對(duì)，得出字符文本。結(jié)果輸出：將車(chē)牌識(shí)別的結(jié)果以文本格式輸出。1.7車(chē)輛牌照識(shí)別系統(tǒng)組成車(chē)牌識(shí)別系統(tǒng)的基本結(jié)構(gòu)圖如圖1.1所示：圖1.1（1）圖像的讀?。簭臄z像機(jī)中讀取拍攝到的汽車(chē)圖像。（2）圖像預(yù)處理：對(duì)汽車(chē)圖像進(jìn)行圖像轉(zhuǎn)換、圖像消噪和邊緣檢測(cè)等。（3）車(chē)牌定位：對(duì)預(yù)處理后的汽車(chē)的圖像進(jìn)行分割，得到汽車(chē)車(chē)牌的圖像。即在一幅汽車(chē)圖像中準(zhǔn)確找到車(chē)牌所在的位置。（4）字符分割：從車(chē)牌圖像中分離出組成車(chē)牌號(hào)碼的單個(gè)字符圖像（5）字符識(shí)別：對(duì)分割出來(lái)的字符進(jìn)行分析提取，對(duì)分割出的字符圖像進(jìn)行識(shí)別，然后給出文本形式的車(chē)牌號(hào)碼。（6）輸出結(jié)果：把得到的車(chē)牌號(hào)碼輸出。宿州學(xué)院2013屆本科畢業(yè)論文小波變換的基本理論2.小波變換的基本理論2.1小波變換概述傳統(tǒng)的信號(hào)理論，是由Fourier分析為基礎(chǔ)的，但由于Fourier變換有一定的局限性。在實(shí)際應(yīng)用中人們開(kāi)始對(duì)Fourier變換進(jìn)行各種改進(jìn)，小波分析便是由此產(chǎn)生的。小波分析是一種新興的數(shù)學(xué)分支，它是泛函數(shù)、Fourier分析、調(diào)和分析、數(shù)值分析的最完美的結(jié)晶；在應(yīng)用領(lǐng)域，特別是在信號(hào)處理、圖像處理、語(yǔ)音處理以及眾多非線性科學(xué)領(lǐng)域，它被認(rèn)為是繼Fourier分析之后的又一有效的時(shí)頻分析方法。小波變換與Fourier變換相比，是一個(gè)時(shí)間和頻域的局域變換因而能有效地從信號(hào)中提取信息，通過(guò)伸縮和平移等運(yùn)算功能對(duì)函數(shù)或信號(hào)進(jìn)行多尺度細(xì)化分析，解決了Fourier變換不能解決的許多困難問(wèn)題。小波變換的思想來(lái)源于伸縮與平移的方法，于1910年由Haar提出。后來(lái)經(jīng)過(guò)許多科學(xué)家的改進(jìn)形成現(xiàn)在的小波理論。小波理論在20世紀(jì)90年代受到眾多科研工作者的高度重視。小波理論作為數(shù)學(xué)和工程應(yīng)用等學(xué)科共同研究的成果，在圖像處理、量子物理、地震勘探以及非線性科學(xué)等諸多領(lǐng)域得到了廣泛應(yīng)用。小波變換是一種信號(hào)的時(shí)間——尺度分析方法，他具有多分辨率分析的特點(diǎn)，而且在時(shí)頻兩域都具有表征信號(hào)局部特征的能力，是一種窗口大小固定不變但其形狀可變，時(shí)間窗和頻率窗都可變的時(shí)頻局部化分析方法。很適合探測(cè)正常信號(hào)中夾帶的瞬態(tài)反?，F(xiàn)象并展示其成分[1]。2.2小波變換在信號(hào)消噪中的應(yīng)用小波變換是基于多層次函數(shù)分解的，信號(hào)經(jīng)過(guò)小波變換后就可以用小波系數(shù)來(lái)描述，小波系數(shù)可以體現(xiàn)出信號(hào)的特征。因此，小波變換在圖像處理領(lǐng)域引起了越來(lái)越多的關(guān)注和重視。小波消噪的基本思路：小波變換中大多采用二進(jìn)制，利用小波變換把含有噪聲的信號(hào)分解到多尺度中，然后，在每一個(gè)尺度下把屬于噪聲的小波系數(shù)去除，保留并增強(qiáng)信號(hào)的小波系數(shù)，最后再重構(gòu)出經(jīng)過(guò)小波消噪之后的信號(hào)。一個(gè)含噪的一維信號(hào)模型可用以下形式來(lái)表示：S(x)=f(x)+k*e(x)(x=0,1,……,m-1)上述公式中，f(x)代表真實(shí)信號(hào)，s(x)代表含噪信號(hào)，e(x)代表噪聲。以一個(gè)簡(jiǎn)最單噪的聲型模舉說(shuō)例明，e(i)高是斯白聲噪n(0,1)，在實(shí)工際作中，有的用號(hào)信常表通現(xiàn)為低信頻號(hào)，而聲噪信號(hào)常通表為現(xiàn)高信頻號(hào)消噪，所以，過(guò)程可以按照可以以下方法的行進(jìn)理處：先首，信對(duì)號(hào)行進(jìn)波小解分，聲噪分部常通包被在含cb1、cb2、cb3等頻部高分解級(jí)的分?jǐn)?shù)由中，此們，我可門(mén)以用限等形閾小波值進(jìn)式對(duì)系處數(shù)行理，后然再對(duì)信進(jìn)重行構(gòu)，以一個(gè)最簡(jiǎn)單的噪聲模型舉例說(shuō)明，e(x)即是高斯白噪聲，在實(shí)際工作中，有用的信號(hào)通常表現(xiàn)為低頻信號(hào)，而噪聲信號(hào)通常表現(xiàn)為高頻信號(hào)，所以，消噪過(guò)程可以可以按照以下的方法進(jìn)行處理：首先，對(duì)信號(hào)進(jìn)行小波分解，噪聲部分通常被包含在cD1、cD2、cD3等高頻部分的分解級(jí)數(shù)中，由此，我們可以用門(mén)限閾值等形式對(duì)小波系數(shù)進(jìn)行處理，然后再對(duì)信號(hào)進(jìn)行重構(gòu)，這樣就可以達(dá)到消噪的目的。2.3圖像消噪中的小波變換只要是在對(duì)一維信號(hào)進(jìn)行消噪的過(guò)程中可以使用的方法，就也是可以運(yùn)用到對(duì)二維的圖像的消噪處理中。含有噪聲的二維信號(hào)模型可以用以下公式來(lái)表達(dá)：S(x,y)=f(x,y)+δ·e(x,y)x,y=0,1,2…,n-1;其中，e(x,y)代表的是標(biāo)準(zhǔn)偏差不變的高斯白噪聲。對(duì)二維圖像信號(hào)進(jìn)行圖像消噪的步驟與對(duì)一維信號(hào)進(jìn)行信號(hào)消噪的步驟是一樣的，不同的是，在對(duì)二維圖像信號(hào)的處理中，把對(duì)一維信號(hào)進(jìn)行處理的分析工具替換成了對(duì)二維信號(hào)進(jìn)行處理的分析工具?；蛘撸捎玫氖潜３珠y值不變的處理形式的，所選用閥值就是用n2代替了一維信號(hào)中的m。對(duì)二維圖像信號(hào)進(jìn)行降噪處理的步驟：第一步，對(duì)二維信號(hào)進(jìn)行小波分解。首先，要選擇一個(gè)小波，再選擇一個(gè)進(jìn)行小波分解的層次n,然后，計(jì)算出信號(hào)s到第n層的分解。第二步，進(jìn)行對(duì)二維信號(hào)中的高頻系數(shù)進(jìn)行閥值的量化。給第1層到第n層中的每一層都選擇一個(gè)閥值，然后，對(duì)每一層上的高頻系數(shù)都進(jìn)行閥值的量化處理。第三步，對(duì)二維圖像信號(hào)進(jìn)行小波重構(gòu)。根據(jù)小波分解在第n層上的低頻系數(shù)加上上一步中的從第1層到第n層的每一層的高頻系數(shù)，最后計(jì)算出二維信號(hào)的小波重構(gòu)。在上述的三個(gè)步驟中，我們需要特別注意的是閥值的選擇和如何對(duì)閥值進(jìn)行量化處理[2]?；谛〔ㄗ儞Q的消噪方法是利用了小波變換中的“變尺度特性”，噪聲信號(hào)通常與正常信號(hào)的小波系數(shù)有很大不同，所以，只要能選出合適的閥值，然后減去所有絕對(duì)值小于這個(gè)閥值的小波系數(shù)，就可以去掉噪聲信號(hào)，以此來(lái)實(shí)現(xiàn)對(duì)二維圖像信號(hào)的進(jìn)行消噪[4]。宿州學(xué)院2013屆本科畢業(yè)論文圖像消噪處理3.圖像消噪處理3.1二維小波的特性小波變換是一種信號(hào)的時(shí)間——尺度分析方法，它具有多分辨率分析的特點(diǎn)，而且在時(shí)頻兩域都具有表征信號(hào)局部特征的能力，是一種時(shí)間窗口和頻率窗口都可變，窗口大小固定不變但其形狀可變的時(shí)頻局部化分析方法，即在低頻部分具有高頻率分辨率和高時(shí)間分辨率，在高頻部分則具有高時(shí)間分辨率和低頻率分辨率，很適合探測(cè)正常信號(hào)中夾帶的瞬態(tài)反常現(xiàn)象并展示其成分。小波分析是把信號(hào)分解成低頻a1和高頻d1兩部分，在分解中低頻a1中失去的信息由高頻d1捕獲,在下一層的分解中，又將a1分解成低頻a2和高頻d2兩部分，低頻a2中失去的信息由高頻d2捕獲，以此類(lèi)推，可以得到更深層的分解[1]。二維小波分析是從一維小波分析演變而來(lái)的，二維小波分析把尺度I的低頻部分分解成了由由尺度i+1的低頻部分和三個(gè)方向的高頻部分組成的四個(gè)部分，這樣一來(lái)，不僅有效得減少了計(jì)算量，同時(shí)也能滿(mǎn)足了實(shí)時(shí)很關(guān)鍵處理的要求，并且，也為累進(jìn)編碼的實(shí)現(xiàn)提供了條件。3.2用小波變換算法對(duì)圖像消噪我們所知道的，含噪圖像f(x,y)是由原圖像S(x,y)和噪聲圖像e(x,y)組成的，數(shù)學(xué)公式表達(dá)為：f(x,y)=S(x,y)+e(x,y)。所以，盡最大可能來(lái)消去e(x,y)就是對(duì)圖像進(jìn)行消噪處理，在此同時(shí)，我們也要盡力防止消去了有用的信息，即減少S(x,y)的損失。比起很多傳統(tǒng)的對(duì)圖像進(jìn)行消噪處理的算法，小波變換算法可以避免過(guò)度消噪，減少源圖像S（x,y)的是損失，用小波變換算法消噪有以下三種方法：強(qiáng)制消噪[1]這種方法比起另外兩種方式要較為簡(jiǎn)單。在消噪過(guò)程中，先將圖像信號(hào)中所有的高頻信號(hào)的系數(shù)都置零。在對(duì)余下的所有低頻信號(hào)進(jìn)行小波重構(gòu)。在對(duì)同一個(gè)二維圖像信號(hào)進(jìn)行消噪處理的過(guò)程中，這一方法是可以多次使用的。默認(rèn)閾值消噪[1]這是一個(gè)非常典型的消噪處理方法；先要得到一個(gè)在消噪過(guò)程中的默認(rèn)閾值，接著，用WDENCMP()來(lái)對(duì)二維圖像信號(hào)進(jìn)行消噪。獨(dú)立閾值消噪[1]在1層到n層的每一層都選取一個(gè)獨(dú)立的閾值，然后用WDENCMP()對(duì)圖像進(jìn)行消噪處理，在這種方法中需要自行選擇閾值，而閾值的選取直接影響到了消噪的效果。所以閾值的選取是這個(gè)方法中最關(guān)鍵的一點(diǎn)也是難點(diǎn)。在實(shí)際應(yīng)用中，閾值要靠公式計(jì)算獲得。綜上所述，這三種方法都有其不同的優(yōu)缺點(diǎn)。其中，強(qiáng)制消噪法相對(duì)容易實(shí)現(xiàn)，實(shí)際使用起來(lái)也更方便，如果二維信號(hào)的噪聲相對(duì)來(lái)說(shuō)多處于高頻信號(hào)中，用這種方法來(lái)進(jìn)行消噪會(huì)比較好，但是，如果大多數(shù)噪聲在低頻信號(hào)中，那用這種方法消噪就不太合適了。而默認(rèn)閾值消噪法中，由于閾值是固定的，在實(shí)際使用中，默認(rèn)閾值消噪可能造成可用信息消失，造成消噪結(jié)果有誤差。而獨(dú)立閾值消噪法在每一層都進(jìn)行閾值消噪，使得得到的消噪結(jié)果更為準(zhǔn)確，所以，大多數(shù)情況下我們使用第三種方法來(lái)進(jìn)行消噪。3.3在MATLAB中進(jìn)行仿真在MATLAB中并不能處理所有類(lèi)型的圖像，他的圖像處理工具箱只能處理索引圖像、灰度圖像及二進(jìn)制圖像，而MATLAB小波工具箱大多數(shù)情況下只能處理索引圖像[4]。所以當(dāng)我們需要對(duì)RGB圖像進(jìn)行小波處理時(shí)，就必須轉(zhuǎn)換為灰度圖像（如圖3.1所示）圖3.1RGB圖像轉(zhuǎn)變?yōu)榛叶葓D像編寫(xiě)二維小波變換程序，對(duì)圖像進(jìn)行去噪：I=imread(‘C:\MATLAB7\work\DSC0134.jpg’);I1=rgb2gray(I);%轉(zhuǎn)化為灰度圖像subplot(1,2,2),imshow(I1)subplot(221);%新建窗口image(I);%顯示圖像title(‘原圖‘);axissquare;%畫(huà)出原圖象[c,s]=wavedec2(I1,2,’sym4’a1=wrcoef2(‘a(chǎn)’,c,s,’sym4’subplot(222);image(a1);title(‘第一次消噪后圖象’);axissquare;a2=wrcoef2(‘a(chǎn)’,c,s,’sym4’subplot(223);image(a2);title(‘第二次消噪后圖象‘);axissquare;%畫(huà)出第二次低通濾波消噪后圖象運(yùn)行結(jié)果如下圖所示：圖3.2圖像消噪運(yùn)行結(jié)果對(duì)上圖中的幾種消噪結(jié)果圖像進(jìn)行對(duì)比，第一次對(duì)圖像進(jìn)行消噪時(shí)，濾除了很大一部分的高頻噪聲，但是，對(duì)于原始圖像來(lái)比較，還是存在很多高頻噪聲，而接下來(lái)的第二次對(duì)圖像消噪建立在了第一次消噪處理的基礎(chǔ)上，第二次去除了圖像中的高頻噪聲，這樣一來(lái)，圖像的去噪效果就要要好一些。但是可以從結(jié)果圖中看出，第二次去噪也造成了圖像的邊緣模糊，所以在實(shí)際應(yīng)用中需要酌情考慮對(duì)圖像的多次消噪。宿州學(xué)院2013屆本科畢業(yè)論文圖像的邊緣檢測(cè)4.圖像的邊緣檢測(cè)4.1邊緣檢測(cè)的基本原理經(jīng)過(guò)圖像去噪的預(yù)處理之后，圖像的清晰程度得到提高，同時(shí)，圖像的邊緣提取也是智能交通系統(tǒng)中的一個(gè)重要環(huán)節(jié)。圖像的邊緣是一個(gè)基本圖象的特性，往往攜帶大量的圖像的信息。圖像存在著非固定的現(xiàn)象，即在一個(gè)給定的位置中的圖像的內(nèi)外邊緣有并不平整的結(jié)構(gòu)，有些邊緣的信號(hào)改變特別突兀，而這些往往是非常重要的信息，在此條件下，我們需要對(duì)圖像進(jìn)行邊緣檢測(cè)，以此來(lái)提取圖像的邊緣。邊緣檢測(cè)算法是圖像邊緣檢測(cè)問(wèn)題的經(jīng)典技術(shù)問(wèn)題之一，其解決方案的特點(diǎn)，如高層次的描述的認(rèn)識(shí)和理解有一個(gè)顯著的影響;邊緣檢測(cè)可以使用的方式方法有很多，有非常重要的使用價(jià)值，因此，這個(gè)就成為了科研人員、專(zhuān)家學(xué)者們一直致力于研究和解決的一個(gè)重要問(wèn)題，如何能得到一個(gè)良好的邊緣檢測(cè)算子，能得到良好的效果。圖像邊緣檢測(cè)是最基礎(chǔ)的形象的描述，最顯著的特征，邊緣檢測(cè)是最經(jīng)典的計(jì)算機(jī)視覺(jué)和圖像處理領(lǐng)域的研究主題之一，邊緣檢測(cè)是衡量一個(gè)灰度變化檢測(cè)的位置。對(duì)圖像進(jìn)行邊緣檢測(cè)的邊緣檢測(cè)器的高頻信號(hào)從圖像中分離，但也可以區(qū)分邊緣和噪聲的邊緣位置的精確校準(zhǔn)。被稱(chēng)為“數(shù)學(xué)顯微鏡”的小波變換在時(shí)域和頻域具有良好的局部特性，小波變換的圖像作為對(duì)應(yīng)于小波變換的小波系數(shù)的邊緣的圖像的一階導(dǎo)數(shù)的函數(shù)的平滑函數(shù)模極大值。其中，最為經(jīng)典的邊緣檢測(cè)方法有：一階導(dǎo)數(shù)極大值點(diǎn)算法(例如Robert算子、索貝爾算了、Canny算子)，二階導(dǎo)數(shù)零交叉點(diǎn)算法(例如LoG算子)等等,目前最新的檢測(cè)方法有數(shù)學(xué)形態(tài)學(xué)的方法、模糊算子法、神經(jīng)網(wǎng)絡(luò)法、小波分析法、遺傳算法、動(dòng)態(tài)規(guī)劃法、分形理論法等等。[6]基本原理的數(shù)學(xué)表達(dá)：設(shè)是二維平滑函數(shù)。讓它沿x1，x2兩個(gè)方向上的一階導(dǎo)數(shù)作為兩個(gè)基本小波：（1）（2）再令：（3）（4）其中，對(duì)任意二維函數(shù)f（x1，x2）L2（R2），其小波變換有兩個(gè)分量：沿x1方向：（5）沿x2方向：（6）其中**代表而為卷積，他的具體含義是：，i=1或2。（7）小波分量可簡(jiǎn)記成矢量形式：（8）其中是被平滑后的圖像。（8）式表明WT1和WT2分別反映此圖像灰度沿x1和x2方向的梯度。通常取a為2j(jZ)，而f（x1，x2）的二進(jìn)小波變換為矢量：（9）其模值是：（10）其幅角（與x1方向的夾角）是：（11）邊緣定義為Mod[WTf]取極值之處，其方向則沿與Arg[WTf]垂直的方向。但是噪聲也是灰度突變點(diǎn)，也是極大值點(diǎn)[6][7]。由于小波的能量集中的特性，如果噪聲的能量集中，這將會(huì)使少數(shù)的小波系數(shù)的邊緣上的小波系數(shù)的振幅較大，如果噪聲能量分散，振幅越小的小波系數(shù)，因此，一階導(dǎo)數(shù)的平滑函數(shù)對(duì)圖像進(jìn)行小波變換模極大值的小波系數(shù)大于一定的閾值所對(duì)應(yīng)的點(diǎn)就是圖像的邊緣，這是小波變換進(jìn)行邊緣檢測(cè)的原理。4.2邊緣檢測(cè)的定義圖像邊緣是圖像的最基本特征，在圖像的分析中圖像邊緣檢測(cè)起著非常重要的作用。這里所說(shuō)的邊緣（edge）指的是圖像局部特征的間斷性。圖像色界的突變就被稱(chēng)為邊緣，例如：灰度的突變、色彩的突變、紋理結(jié)構(gòu)的突變。邊緣代表著一個(gè)區(qū)域的結(jié)束與另一個(gè)區(qū)域的開(kāi)始，我們可以利用這種特征來(lái)分割圖形。圖4.1灰度級(jí)跳躍變化的邊緣模型如上圖所示，我們所希望看到的理想的邊緣應(yīng)該具有如圖4.1(a)所示的圖像模型的特性。切面上的每個(gè)點(diǎn)都處在灰度級(jí)躍變的一個(gè)垂直的界面上。而在現(xiàn)實(shí)生活中，因?yàn)槭艿綌z像攝影工具的特性、天氣干擾和車(chē)牌照表面是否清潔條件等因素的影響，得到的邊緣一般都是不清楚的，邊緣被模擬成具有“斜坡面”的剖面，在圖4.1(b)中，這個(gè)模型中圖像的邊緣并不是一條單一的線條，相對(duì)的，邊緣是塊狀的。由此可以看到：圖像邊緣模糊不清導(dǎo)致邊緣的寬度變大，而相對(duì)清晰的邊緣可以使得邊緣的寬度變小。圖像的邊緣有方向和幅度兩個(gè)屬性，沿邊緣方向像素變化平緩，垂直于邊緣方向像素變化劇烈。邊緣上的這種變化可以用微分算子檢測(cè)出來(lái)，通常用一階導(dǎo)數(shù)或二階導(dǎo)數(shù)來(lái)檢測(cè)邊緣，不同的是一階導(dǎo)數(shù)認(rèn)為最大值對(duì)應(yīng)邊緣位置，而二階導(dǎo)數(shù)以過(guò)零點(diǎn)對(duì)應(yīng)邊緣位置。實(shí)際上，對(duì)于圖像中的任意方向上的邊緣都可以進(jìn)行類(lèi)似的分析。圖像邊緣檢測(cè)中對(duì)任意點(diǎn)的一階導(dǎo)數(shù)可以利用該點(diǎn)梯度的幅度來(lái)獲得，二階導(dǎo)數(shù)可以用拉普拉斯算子得到。4.3圖像邊緣檢測(cè)的應(yīng)用領(lǐng)域圖像是人類(lèi)獲取和交換信息的主要來(lái)源，必然涉及到人類(lèi)生活和工作的各個(gè)方面，所以邊緣的圖像處理應(yīng)用。隨著人類(lèi)活動(dòng)的范圍，圖像邊緣檢測(cè)與提取加工的應(yīng)用范圍不斷擴(kuò)大，也將隨之?dāng)U大。數(shù)字圖像的邊緣檢測(cè)，也稱(chēng)為計(jì)算機(jī)圖像的邊緣檢測(cè)，它是指圖像信號(hào)被轉(zhuǎn)換成數(shù)字信號(hào)，和計(jì)算機(jī)處理的程序。數(shù)字圖像邊緣檢測(cè)最早出現(xiàn)在20世紀(jì)50年代，當(dāng)計(jì)算機(jī)已經(jīng)發(fā)展到一定水平，人們開(kāi)始用計(jì)算機(jī)圖形和圖像信息。數(shù)字圖像的邊緣檢測(cè)，輸入時(shí)是低質(zhì)量的圖像，輸出時(shí)是質(zhì)量得到改善的圖，圖像增強(qiáng)，銳化，復(fù)原，編碼，壓縮，提取和其他常見(jiàn)的圖像處理方法都是進(jìn)行邊緣檢測(cè)的方法。圖像邊緣檢測(cè)的主要應(yīng)用范圍有：（1）在醫(yī)學(xué)方面的應(yīng)用，數(shù)字圖像邊緣檢測(cè)，可廣泛應(yīng)用于生物醫(yī)學(xué)工程，事實(shí)證明，它是非常有效的。除了在CT技術(shù)中，還有一類(lèi)是對(duì)微小的圖像處理和分析，如紅血細(xì)胞，白血細(xì)胞的檢測(cè)，染色體分析的邊緣，癌細(xì)胞的識(shí)別和判別中使用到邊緣檢測(cè)。此外，在X射線心電圖分析，立體定向放射治療的醫(yī)療診斷超聲圖像中，圖像增強(qiáng)，邊緣檢測(cè)，圖像分析和處理技術(shù)都被廣泛應(yīng)用。（2）航天、航空技術(shù)，數(shù)字圖像的邊緣檢測(cè)提取技術(shù)在航空、航天技術(shù)方面的應(yīng)用，還有在飛機(jī)遙感和衛(wèi)星遙感技術(shù)方面的應(yīng)用。20世紀(jì)60年代后期以來(lái)，一些國(guó)際組織開(kāi)發(fā)了資源遙感衛(wèi)星和宇宙實(shí)驗(yàn)室，但由于飛機(jī)位置、狀態(tài)、環(huán)境條件和其他成像條件的影響，圖像質(zhì)量并不總是很高。裝備了國(guó)家的最先進(jìn)的計(jì)算機(jī)圖像邊緣檢測(cè)系統(tǒng)，分析首先提取圖像的邊緣，節(jié)省人力，也加快了速度，并作了大量人工也沒(méi)能找到的很多有用的信息。（3）公共安全及軍事方面的應(yīng)用，公眾安全的企業(yè)形象演繹，指紋識(shí)別，面部識(shí)別，恢復(fù)全貌，和交通監(jiān)控，事故分析。已投入運(yùn)行的高速公路不停車(chē)自動(dòng)收費(fèi)系統(tǒng)的車(chē)輛自動(dòng)識(shí)別和車(chē)牌自動(dòng)識(shí)別，這些都是圖像邊緣檢測(cè)技術(shù)的成功應(yīng)用的例子。特別是軍事方面的圖像邊緣檢測(cè)和識(shí)別精度導(dǎo)彈，偵察照片判讀，識(shí)別未知來(lái)電武器，軍事指揮自動(dòng)化系統(tǒng)的圖像傳輸，存儲(chǔ)和顯示，飛機(jī)，坦克和軍艦的類(lèi)型使用類(lèi)似教育系統(tǒng)。（4）交通管理系統(tǒng)的應(yīng)用，隨著中國(guó)的經(jīng)濟(jì)建設(shè)的快速發(fā)展，城市的人口和車(chē)輛的數(shù)量也快速增長(zhǎng)，日益惡化的沉重的交通擁堵，交通事故時(shí)有發(fā)生。在城市管理中，交通問(wèn)題已成為一個(gè)重大的社會(huì)問(wèn)題，阻礙和制約國(guó)家經(jīng)濟(jì)建設(shè)的發(fā)展。城市交通為了解決這個(gè)問(wèn)題，有必要準(zhǔn)確地掌握交通信息。常見(jiàn)的通信流的檢測(cè)方法是人工監(jiān)測(cè)，埋地感應(yīng)線圈，超聲波探測(cè)器，視頻監(jiān)控。其中，視頻監(jiān)控比其他方法是有更多的優(yōu)點(diǎn)的方法。需要車(chē)牌識(shí)別系統(tǒng)和車(chē)輛識(shí)別系統(tǒng)的圖像邊緣檢測(cè)技術(shù)，交通目標(biāo)捕獲和交通的目標(biāo)行為使用的計(jì)算機(jī)處理系統(tǒng)，使實(shí)時(shí)檢測(cè)，自動(dòng)統(tǒng)計(jì)繁忙的道路和機(jī)動(dòng)車(chē)輛，車(chē)輛的行駛速度和車(chē)輛識(shí)別號(hào)碼分門(mén)別類(lèi)計(jì)算，做如實(shí)反饋的流量參數(shù)和監(jiān)控路況。圖像邊緣檢測(cè)應(yīng)用在車(chē)輛識(shí)別系統(tǒng)概述：（1）車(chē)輛識(shí)別系統(tǒng)是一個(gè)集圖像邊緣檢測(cè)系統(tǒng)和信息管理系統(tǒng)為一體的綜合系統(tǒng)。要更新計(jì)算機(jī)圖像的邊緣檢測(cè)圖像輸入裝置，圖像的存儲(chǔ)和顯示，這些組件的組合物總輸出的圖像和計(jì)算機(jī)接口的一些最重要的部分，該程序的各個(gè)部分的性能直接的質(zhì)量該處理系統(tǒng)。（2）攝像頭捕捉圖像，將圖像傳遞到到計(jì)算機(jī)中，然后對(duì)捕獲的圖像序列的進(jìn)行圖像邊緣檢測(cè)，圖像分析和圖像理解，輸出交通流量數(shù)據(jù)和交通條件信息。（3）應(yīng)用舉例車(chē)牌識(shí)別技術(shù)，車(chē)牌自動(dòng)識(shí)別計(jì)算機(jī)視覺(jué)，圖像邊緣檢測(cè)與模式識(shí)別，智能交通應(yīng)用領(lǐng)域最重要的研究課題之一是智能交通管理的重要組成部分，包括車(chē)牌定位，字符分割和登記的車(chē)牌字符識(shí)別三個(gè)主要組成部分。車(chē)牌識(shí)別系統(tǒng)在實(shí)際交通系統(tǒng)在發(fā)達(dá)國(guó)家已成功應(yīng)用，而我國(guó)的開(kāi)發(fā)和應(yīng)用基本停留在實(shí)驗(yàn)室階段而且進(jìn)展緩慢。4.4圖像邊緣檢測(cè)算法的研究圖像邊緣檢測(cè)的目的是為了提高所獲得的信息的質(zhì)量，以提取有用的信息。變換圖像的輸入/輸出模式屬于邊緣的圖像，圖像處理邊緣檢測(cè)的特定應(yīng)用程序在個(gè)別問(wèn)題上的所有新技術(shù)和新方法的圖像處理邊緣檢測(cè)的發(fā)展是來(lái)說(shuō)話(huà)，可以肯定會(huì)發(fā)現(xiàn)另一個(gè)完全不同的應(yīng)用領(lǐng)域。圖像邊緣檢測(cè)的主要研究?jī)?nèi)容包括：（1）圖像和人眼的視覺(jué)領(lǐng)域采樣捕捉圖像最常用的圖像采集設(shè)備-電視（TV）相機(jī)的問(wèn)題，獨(dú)立采樣和數(shù)字化的信號(hào)可以表示以數(shù)字形式sceneall的的顏色內(nèi)容;充電-電荷耦合器件作為圖像傳感器，該圖像傳感器，每個(gè)掃描行上的場(chǎng)景，或由平行掃描圖像;選擇正確的分辨率或采樣密度，圖像本質(zhì)上是一個(gè)二維空間中的信號(hào)，規(guī)則同樣適用于信號(hào)處理在放射圖像邊緣檢測(cè)往往需要至少為2048像素×2048像素的灰度量化高分辨率圖像，還必須進(jìn)行數(shù)字化影像的強(qiáng)度，一般情況下在256（按1個(gè)字節(jié)編碼）覆蓋了整個(gè)灰色一般的灰度縮放8比特分辨率，分辨率為512px×512px，需要0.25兆字節(jié)的存儲(chǔ)容量。（2）切割圖像分割圖像使其成為它的組成成分，以每一層為測(cè)量目標(biāo)。圖像分割是一個(gè)非常困難的過(guò)程。測(cè)量結(jié)果的質(zhì)量在很大程度上決定了對(duì)圖像進(jìn)行分割的質(zhì)量。有兩種不同類(lèi)型的圖像分割方法。一種方法是，假設(shè)為每個(gè)組件的圖像強(qiáng)度值是均勻的和均勻性，另一種方法找到的圖像分量之間的邊界，因此，使用圖像不均勻。主要有：直方圖分割，區(qū)域生長(zhǎng)，梯度法等等。（3）邊界搜索檢測(cè)圖像的線性部分結(jié)構(gòu)通常作為圖像分割的預(yù)處理步驟。一個(gè)梯度算子的水平方向上的梯度算子的形式對(duì)圖像進(jìn)行邊緣檢測(cè)技術(shù)，可以應(yīng)用，垂直或?qū)蔷€方向的邊界可以在任何方向上檢測(cè)用復(fù)合材料的順序。（4）圖像增強(qiáng)和恢復(fù)，用于改善圖像質(zhì)量。不同的增強(qiáng)技術(shù)可用于不同的目的，這取決于應(yīng)用程序的類(lèi)型。如果您打算直接觀察的圖像，你可以增加對(duì)比度。如果是為了進(jìn)一步的圖像數(shù)字處理，你可以選擇分區(qū)（運(yùn)營(yíng)商之間的一個(gè)突出的邊界和線性結(jié)構(gòu)的每一圖像分量）。該技術(shù)可以是整體的或局部的，也可以進(jìn)行在頻域或空間域。圖像增強(qiáng)不考慮圖像退化的原因，突出部在圖像中的興趣。（5）特征提取圖像分割圖案匹配的區(qū)域，內(nèi)容，其中一些要進(jìn)行預(yù)先的處理，根據(jù)一些已知的方法來(lái)對(duì)圖像進(jìn)行分割，然后進(jìn)行特征提取，在最近幾年，怎樣更準(zhǔn)確地進(jìn)行圖像的邊緣提取與檢測(cè)以及字符識(shí)別也成為了一個(gè)大家致力于解決的研究課題。（6）圖像變換通常情況下，一些比較大的圖像，需要直接在一個(gè)特定的空間域中進(jìn)行計(jì)算，這樣的圖像一般的計(jì)算量會(huì)比較大。因此，經(jīng)常使用的各種圖像變換的方法，如傅立葉變換，沃爾什變換，離散余弦變換的間接技術(shù)，處理空間域變換域轉(zhuǎn)換處理，導(dǎo)致計(jì)算量的減少，而較高的加工效率。新的研究小波變換的時(shí)間和頻域具有良好的定位性能，它具有廣泛而有效的應(yīng)用在圖像邊緣檢測(cè)。4.5邊緣檢測(cè)算子圖像的邊緣檢測(cè)算子主要有：索貝爾算子，方向算子，拉普拉斯算子，Canny邊緣檢測(cè)算子，沈俊邊緣檢測(cè)方法和曲面擬合法。（1）索貝爾算子索貝爾算子一種用于圖像處理的算子，它的主要作用就是用于圖像邊緣的提取。從數(shù)學(xué)方面來(lái)說(shuō)，這是一種離散性差分算子，主要就是用于圖像的梯度的計(jì)算。在二維圖像信號(hào)的處理中，它可被用于計(jì)算每個(gè)像素點(diǎn)的梯度矢量。索貝爾算子由兩個(gè)3*3矩陣所構(gòu)成，兩個(gè)矩陣保存了其縱向以及橫向數(shù)據(jù)，經(jīng)過(guò)計(jì)算就可以獲得橫向及縱向的亮度差分近似值。如果以A代表原始圖像，Gx及Gy分別代表經(jīng)橫向及縱向邊緣檢測(cè)的圖像其公式如下:然后，用圖像的每個(gè)像素點(diǎn)的橫向和縱向梯度的近似值和下面這個(gè)公式進(jìn)行結(jié)合，計(jì)算出梯度再計(jì)算梯度的方向在上述的公式中，當(dāng)計(jì)算出的θ的值是0時(shí)，就說(shuō)明這個(gè)圖像在這一點(diǎn)有縱向邊緣。索貝爾算子有兩種，這兩種算子分別用來(lái)檢測(cè)橫向邊緣和縱向邊緣。同時(shí)，索貝爾算子還有另外一種形式，這就是各向同性索貝爾算子，相同的，這種算子也有兩個(gè)，分別是用來(lái)檢測(cè)橫向邊緣和縱向邊緣的。各向同性索貝爾算子比普通索貝爾算子的位置加權(quán)系數(shù)更加準(zhǔn)確，在檢測(cè)不同方向的邊沿時(shí)梯度的幅度一致。由于索貝爾算子是濾波算子的形式，在邊緣的檢測(cè)中使用時(shí)，可以利用快速卷積函數(shù)，十分便捷，因此得到廣泛的應(yīng)用。但是，索貝爾算子也有不好的一面，索貝爾算子并沒(méi)有將圖像的主體與背景嚴(yán)格地區(qū)分開(kāi)來(lái)，換言之就是索貝爾算子沒(méi)有基于灰度對(duì)圖像進(jìn)行處理，由于索貝爾算子并沒(méi)有嚴(yán)格的模擬人的視覺(jué)生理特性，所以有時(shí)候提取出來(lái)的圖像輪廓并不能完全令人滿(mǎn)意。在對(duì)圖像進(jìn)行檢測(cè)的時(shí)候，我們通常首先注意到圖像與背景不同的部分，正是這個(gè)部分將主體突出顯示，基于該理論，我們給出了下面閾值化輪廓提取算法，該算法已在數(shù)學(xué)上證明當(dāng)像素點(diǎn)滿(mǎn)足正態(tài)分布時(shí)所求解是最優(yōu)的。索貝爾邊緣算子的卷積和圖5.2所示，在圖像中的每個(gè)像素都用這兩個(gè)核做卷積。這兩個(gè)核分別對(duì)垂直邊緣和水平邊緣響應(yīng)最大，兩個(gè)卷積的最大值作為該點(diǎn)的輸出位。運(yùn)算結(jié)果是一幅邊緣幅度圖像。-1-1-2-1000121-101-202-101圖4.2索貝爾邊緣算子索貝爾算子認(rèn)為鄰域的像素對(duì)當(dāng)前像素產(chǎn)生的影響不是等價(jià)的，所以距離不同的像素具有不同的權(quán)值，對(duì)算子結(jié)果產(chǎn)生的影響也不同。一般來(lái)說(shuō)，距離越大，產(chǎn)生的影響越小。（2）canny算子Canny邊緣檢測(cè)基本原理：過(guò)濾掉噪聲和保持邊緣特性最優(yōu)邊緣檢測(cè)濾波器，它采用一階差分濾波器。使用一階方向?qū)?shù)在任意方向上的一個(gè)二維高斯函數(shù)作為一個(gè)噪聲濾波器，與圖像的卷積過(guò)濾，找到濾波后的圖像梯度的局部最大值和圖像，以確定該圖像的邊緣。據(jù)的信號(hào)對(duì)噪聲比的測(cè)量和定位的產(chǎn)品的最優(yōu)化逼近算子。這就是Canny邊緣檢測(cè)算子。Canny邊緣檢測(cè)算法：第一步:利用用高斯濾波函數(shù)來(lái)處理圖象；第二步:計(jì)算梯度的幅值和方向時(shí)使用一階偏導(dǎo)；第三步:對(duì)梯度幅值進(jìn)行非極大值抑制；第四步:雙閾值算法的利用與邊緣鏈接。用數(shù)學(xué)表達(dá)出來(lái)如下所示：第一步：二維高斯函數(shù)為：=在n方向上是的一階導(dǎo)數(shù)為：==n▽n==式中：n是方向矢量，▽是梯度矢量。將圖像與作卷積，同時(shí)改變n的方向，*取得最大值時(shí)的n就是正交于檢測(cè)邊緣的方向。第二步：=，=*=反映了圖像(x,y)點(diǎn)處的邊緣強(qiáng)度，是圖像(x,y)點(diǎn)處的法向矢量。第三步：抑制非極大值利用梯度方向：圖4.3抑制非極大值將扇區(qū)以0到3編號(hào)，對(duì)應(yīng)3*3鄰域的四種可能的組合。然后，在每個(gè)扇區(qū)中，鄰域的中心像素M與沿著梯度線的兩個(gè)像素相比。如果M的梯度值不比沿梯度線的兩個(gè)相鄰像素梯度值大，則令M=0。第四步：選取閾值①邊緣判別：所有的邊緣的強(qiáng)度必須大于高閾值的邊緣點(diǎn)。任何邊緣的強(qiáng)度只要比低閾值小的，就絕對(duì)不會(huì)是邊緣點(diǎn)。而邊緣的強(qiáng)度在低閾值和高閾值之間的情況下，像素的邊緣點(diǎn)相鄰的像素是否高于高閾值，如果存在，它是邊緣點(diǎn)，如果沒(méi)有，它不是邊緣點(diǎn)。②連接邊緣：雙閾值算法的圖像效果兩個(gè)閾值T1和T2，非極大值抑制和2T1≈T2，從而獲得兩個(gè)閾值邊緣圖像G1（X，Y）和G2（X，Y）。值得使用高閾值G2（X，Y），并含有少量的偽邊緣，而且是間歇性地（不閉合）。雙閾值的方法，在G2（X，Y）的邊緣連接成的輪廓達(dá)到終點(diǎn)時(shí)，在G1上的8鄰點(diǎn)的位置，可以被連接到輪廓的邊緣，這樣，算法連續(xù)地收集在G1（X，Y）的邊緣，直到G1（X，Y）連接上。Canny算子檢測(cè)方法的優(yōu)點(diǎn)：（1）相對(duì)來(lái)說(shuō)有誤差的可能性小，邊緣點(diǎn)很少被誤認(rèn)為是一個(gè)非邊緣點(diǎn)；（2）定位精度高，準(zhǔn)確的定位在最大的像素灰度變化的邊緣點(diǎn)上；（3）抑制虛假邊緣。Roberts算子在幾種算法中使用了的圖像的模板，模板運(yùn)算處理裝置的圖像-鄰域處理，有許多的運(yùn)算符可用于圖像增強(qiáng)的模板來(lái)實(shí)現(xiàn)，如平滑效果，中值濾波，圖像凹凸效果。首先定義一個(gè)模板，在模板中的運(yùn)算符，3*3的模板的大小的比較常用的，也有2*5*5或更大的大小。操作中，中心的模板對(duì)應(yīng)的圖像的各像素位置，然后根據(jù)與模板對(duì)應(yīng)的公式，計(jì)算的結(jié)果作為值的對(duì)應(yīng)像素的中心像素和其周?chē)袼剡M(jìn)行數(shù)學(xué)運(yùn)算輸出圖像。這些經(jīng)典的邊緣提取算子，雖然各有不同，具有不同的優(yōu)勢(shì)，但他們也有一個(gè)共同的特點(diǎn)：每個(gè)算子對(duì)應(yīng)到預(yù)定義的邊緣，是在他們最適合的情況下，這意味著他們具有針對(duì)性。這一點(diǎn)在他們的目標(biāo)應(yīng)用中具有優(yōu)越性，可以幫助我們來(lái)完成一個(gè)特定的任務(wù)。4.6基于Matlab的實(shí)驗(yàn)結(jié)果與分析在Matlab中輸入程序代碼：I=imread('C:\MATLAB7\work\DSC0134.tif');%讀取圖像figure(1)imshow(I);title('原圖像');[m,n]=size(I);%用索貝爾微分算子進(jìn)行邊緣檢測(cè)I1=edge(I,'索貝爾');figure(2)imshow(I1);title('索貝爾邊緣檢測(cè)得到的圖像');I2=edge(I,'canny');%用canny微分算子進(jìn)行邊緣檢測(cè)figure(3)imshow(I2);title('canny邊緣檢測(cè)得到的圖像');實(shí)驗(yàn)結(jié)果：原圖索貝爾邊緣檢測(cè)canny邊緣檢測(cè)圖4.4邊緣檢測(cè)算子運(yùn)行結(jié)果分析比較：1.索貝爾算子，根據(jù)測(cè)算點(diǎn)的上下左右相鄰的像素的灰度值加權(quán)值，以得到最大值，在最大值時(shí)即使邊緣，以此來(lái)對(duì)圖像進(jìn)行檢測(cè)來(lái)得到邊緣。當(dāng)對(duì)邊緣精度要求不是很高時(shí)，這是一個(gè)較為常用的邊緣檢測(cè)方法。2.canny算子邊緣檢測(cè)的最有代表性的局部極值的邊緣檢測(cè)算子，無(wú)論是從視覺(jué)效果和客觀的評(píng)價(jià)來(lái)看，這種算子提取的邊緣是一種線性連接效果更好的邊緣，提取出的是一種相對(duì)完整的，也更精細(xì)的邊緣宿州學(xué)院本科畢業(yè)論文基于小波變換的圖像邊緣提取5.基于小波變換的圖像邊緣提取5.1多尺度算法的基本思想邊緣檢測(cè)是智能交通系統(tǒng)的研究中的一個(gè)重要而又困難的問(wèn)題。之所以會(huì)造成這個(gè)問(wèn)題的困難的原因總體來(lái)說(shuō)有兩個(gè)。一個(gè)原因是每個(gè)圖像的邊緣構(gòu)造都有所不同，有些是非常復(fù)雜的。在實(shí)際生活中，一個(gè)實(shí)物的邊緣往往都是他們本身的實(shí)際邊緣以及在這些圖像經(jīng)過(guò)或多或少的模糊化后所形成的圖像加以重疊所得到的結(jié)果。還有每個(gè)人的觀察角度不同以及在不同情境下的觀察結(jié)果的細(xì)微的不同都有可能造成觀察結(jié)果的誤差。另一個(gè)是要在分辨出圖像的邊緣與圖像本身所具有的噪聲，這兩個(gè)都是高頻信號(hào)，很容易將它們弄混。邊緣與噪點(diǎn)之間最明顯的不同就是它們所釋放的能量不同。邊緣的能量及范圍比較大，所以，在平滑濾波的作用下，它會(huì)被模糊化而不會(huì)像噪點(diǎn)那樣消失。所以，在經(jīng)過(guò)空間導(dǎo)數(shù)方法得到其邊緣后，所得到的大多是較真實(shí)情況稍有移位。多尺度方法的基本思想是在大尺度下抑制噪聲，有效地提取邊緣，再在小尺度下精確定位，以得到精確的邊緣位置。傳統(tǒng)的邊緣檢測(cè)算法有很多缺點(diǎn)，比如耗費(fèi)的人力較大，需要大量數(shù)學(xué)計(jì)算或者是對(duì)圖像的定位不夠準(zhǔn)確。而基于小波變換的多尺度方法彌補(bǔ)了這些不足，同時(shí)可以估計(jì)邊緣的尖銳與平滑程度。5.2小波多尺度算法多尺度邊緣的融合不等于將不同尺度下的邊緣的簡(jiǎn)單相加，因?yàn)椴煌叨鹊倪吘墮z測(cè)算子對(duì)同一邊緣的響應(yīng)并不相同，由此，在不同尺度下的邊緣增強(qiáng)圖像也不相同，如果邊緣只是簡(jiǎn)單相加，那必然的不到正確的邊緣位置。小波理論采用不同的尺度進(jìn)行濾波，在小尺度上圖像邊緣細(xì)節(jié)要更為復(fù)雜，邊緣的定位精度也很高，美中不足是較容易受到噪聲的干擾，相對(duì)的，在大尺度上的圖像邊緣檢測(cè)較為穩(wěn)定，抗噪性較好，但是定位精度相對(duì)較低。多尺度邊緣檢測(cè)是將圖像f(x),通過(guò)個(gè)函數(shù)的伸縮作卷積，然后使用canny算法實(shí)現(xiàn)圖像的邊緣檢測(cè)計(jì)算上就是與兩個(gè)小波函數(shù)的兩個(gè)偏導(dǎo)數(shù)作用：（1）（2）應(yīng)用小波的圖像邊緣檢測(cè)在小同尺度上的變換結(jié)果都提供了一定的邊緣信息。小波理論采用不同的尺度進(jìn)行濾波，在小尺度上圖像邊緣細(xì)節(jié)要更為復(fù)雜，邊緣的定位精度也很高，美中不足是較容易受到噪聲的干擾，相對(duì)的，在大尺度上的圖像邊緣檢測(cè)較為穩(wěn)定，抗噪性較好，但是定位精度相對(duì)較低。5.3Matlab仿真結(jié)果在Matlab中輸入代碼：clearall;I=imread('C:\MATLAB7\work\DSC0134.tif');%IX=ind2gray(I,map);imshow(IX);I1=imadjust(I,stretchlim(I),[0,1]);%調(diào)節(jié)灰度圖像的亮度f(wàn)igure;imshow(I1);[N,M]=size(I);h=[0.125,0.375,0.375,0.125];g=[0.5,-0.5];delta=[1,0,0];J=3;a(1:N,1:M,1,1:J+1)=0;dx(1:N,1:M,1,1:J+1)=0;dy(1:N,1:M,1,1:J+1)=0;d(1:N,1:M,1,1:J+1)=0;a(:,:,1,1)=conv2(h,h,I,'same');dx(:,:,1,1)=conv2(delta,g,I,'same');dy(:,:,1,1)=conv2(g,delta,I,'same');x=dx(:,:,1,1);y=dy(:,:,1,1);d(:,:,1,1)=sqrt(x.^2+y.^2);I1=imadjust(d(:,:,1,1),stretchlim(d(:,:,1,1)),[01]);figure