吳 聰， 殷 浩， 黃中勇， 王 凱

(1 湖北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院， 湖北 武漢 430068； 2 中建三局安裝工程有限公司， 湖北 武漢 430064)

基于區(qū)域生長(zhǎng)算法的車(chē)牌圖像分割

吳 聰1， 殷 浩1， 黃中勇1， 王 凱2

(1 湖北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院， 湖北 武漢 430068； 2 中建三局安裝工程有限公司， 湖北 武漢 430064)

準(zhǔn)確分割車(chē)牌圖像，可為分割目標(biāo)的提取奠定良好的基礎(chǔ)。試驗(yàn)中采用基于OTSU和區(qū)域生長(zhǎng)的算法，實(shí)現(xiàn)了車(chē)牌圖像的精準(zhǔn)分割，通過(guò)最大類(lèi)間方差法得到自適應(yīng)閾值，代替了傳統(tǒng)手動(dòng)選擇閾值的方法，再結(jié)合中值濾波對(duì)圖像進(jìn)行預(yù)處理，避免了傳統(tǒng)閾值造成的過(guò)分割或者欠分割現(xiàn)象，且預(yù)防圖像噪聲，使得圖像像素值變得緩和，從而有效地分割出車(chē)牌圖像。

最大類(lèi)間方差；區(qū)域生長(zhǎng)；車(chē)牌分割；中值濾波

車(chē)牌圖像分割一直是圖像識(shí)別系統(tǒng)處理技術(shù)中的一個(gè)經(jīng)典難題，而且是圖像分析和識(shí)別階段需首要解決的前提，同時(shí)也是制約車(chē)牌圖像處理中可視化、不同模態(tài)圖像配準(zhǔn)和融合、事故圖像三維重建等相關(guān)技術(shù)發(fā)展與應(yīng)用的瓶頸。

圖像分割是基于圖像灰度值的性質(zhì)而運(yùn)用具體的算法解決問(wèn)題，把圖像分割成一系列有意義的、各具特征的目標(biāo)或區(qū)域的技術(shù)和過(guò)程；如圖像的紋理、顏色、灰度級(jí)和梯度等特征都會(huì)影響圖像分割和提取的效果。有些圖像需要研究人員進(jìn)行初步分割，從而得到初步的區(qū)域信息，對(duì)接下來(lái)的分割會(huì)起到很大的作用。同時(shí)，由于圖像的種類(lèi)和分割結(jié)果的好壞直接影響圖像的識(shí)別過(guò)程，因此，在采取的分割算法上面，需要針對(duì)具體問(wèn)題而分析[1]。

在交通部門(mén)中，車(chē)輛的信息是依靠登記的車(chē)牌號(hào)碼進(jìn)行區(qū)分的。車(chē)牌定位其實(shí)就是圖像的區(qū)域分割，即從不相關(guān)的圖像中提取出所需的塊、輪廓或者線(xiàn)段。本文采取了區(qū)域生長(zhǎng)的方法對(duì)車(chē)牌進(jìn)行定位，對(duì)于定位中像素灰度值閾值的選擇，結(jié)合最大類(lèi)間[2-3]方法進(jìn)行自動(dòng)選擇。

1 區(qū)域生長(zhǎng)基本原理

區(qū)域生長(zhǎng)法的基本思想是把相似的像素構(gòu)成一個(gè)集合。首先選取一組生長(zhǎng)點(diǎn)，然后依次將種子像素周?chē)哂邢嗤再|(zhì)或者相似性質(zhì)的像素合并到種子像素所在的區(qū)域中，形成新的生長(zhǎng)點(diǎn)，重復(fù)此過(guò)程直到不能生長(zhǎng)為止，在相似性準(zhǔn)則的選取上，定義如下公式用于選取臨近的像素。

區(qū)域生長(zhǎng)法的 3 個(gè)步驟：選出合適的種子點(diǎn)；確定再生長(zhǎng)模板準(zhǔn)則；制定出能讓生長(zhǎng)停止的條件。區(qū)域生長(zhǎng)法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單、高效，特別適用于簡(jiǎn)單、規(guī)律性強(qiáng)的圖像，其缺點(diǎn)是：它需要人工交互以獲得種子點(diǎn)，同時(shí)，對(duì)噪聲也敏感，容易造成過(guò)分割或者欠分割。本文采用OTSU自動(dòng)選擇閾值代替?zhèn)鹘y(tǒng)閾值選擇法，從而避免了這些現(xiàn)象的發(fā)生。如 Jiang HuiYan 等人[4]將區(qū)域生長(zhǎng)算法和 OSTU 算法相結(jié)合；趙泉華等人結(jié)合區(qū)域劃分分別對(duì)模擬紋理圖像、遙感圖像、自然紋理圖像和 SAR 海冰圖像進(jìn)行了分割實(shí)驗(yàn)，并驗(yàn)證了該算法的有效性；楊衛(wèi)莉等人[5]在 2008年提出了一種基于區(qū)域生長(zhǎng)和蟻群聚類(lèi)的圖像分割方法。圖像閾值法較直觀(guān)并容易實(shí)現(xiàn)，但分割后不免灰度值與背景區(qū)域相接近，從而產(chǎn)生噪聲干擾，黃誼和任毅[6]采用閾值分割法和區(qū)域生長(zhǎng)法相結(jié)合的方法有效解決了這些問(wèn)題；于水等人[7]在區(qū)域生長(zhǎng)的標(biāo)準(zhǔn)中融合圖像的紋理信息和灰度信息；Law 等人[8]把區(qū)域生長(zhǎng)算法的平面特征擴(kuò)展到三維空間；2012年 Park J等人[9]為了精準(zhǔn)分割出低對(duì)比度的復(fù)雜醫(yī)學(xué)圖像，使用并行邊界與區(qū)域相結(jié)合的方法對(duì)不同醫(yī)學(xué)圖像進(jìn)行分割，實(shí)驗(yàn)結(jié)果表明該方法的有效性；牟濤等人[10]把區(qū)域生長(zhǎng)和圖論相融合進(jìn)行圖像分割，該方法能解決圖像過(guò)分割的現(xiàn)象；王品等人[11]結(jié)合區(qū)域生長(zhǎng)和小波的方法，分離出乳腺細(xì)胞和背景，最后采取數(shù)學(xué)形態(tài)學(xué)對(duì)黏連細(xì)胞一次性分割，保證了去黏連的準(zhǔn)確性和魯棒性；姜慧研等人[12]結(jié)合區(qū)域生長(zhǎng)的方法，從腹部CT圖像分離區(qū)肝臟的圖像，證明了該方法減少了分割時(shí)間，提高了圖像分割的質(zhì)量。

所以區(qū)域生長(zhǎng)法常常通過(guò)結(jié)合其他方法，先確定像素值的差異，選擇合適的閾值用來(lái)分割圖像中像素值差別不是很大的圖像，同時(shí)，為了克服區(qū)域生長(zhǎng)法的缺點(diǎn)，通常需要融合其它不同種算法，以達(dá)到精準(zhǔn)分割的目的。

2 基于區(qū)域生長(zhǎng)算法的車(chē)牌提取方法

對(duì)于車(chē)牌圖像，傳統(tǒng)的區(qū)域生長(zhǎng)算法需要手動(dòng)選取閾值，閾值過(guò)高或者過(guò)低，都會(huì)造成圖像過(guò)分割或者欠分割的現(xiàn)象，為選取合適的閾值花費(fèi)很多時(shí)間，區(qū)域生長(zhǎng)容易受到噪聲影響，不能準(zhǔn)確的提取目標(biāo)區(qū)域，為了解決以上問(wèn)題，本文提出一種新的區(qū)域生長(zhǎng)算法提取目標(biāo)。

2.1 算法流程圖

對(duì)輸入的圖像進(jìn)行中值濾波，然后通過(guò)尋找符合車(chē)牌圖像的閾值像素點(diǎn)進(jìn)行區(qū)域生長(zhǎng)，具體流程見(jiàn)圖1。

圖 1 算法流程圖

2.2 算法實(shí)現(xiàn)

首先讀取原始圖像，并且獲得圖像的原始像素值信息，對(duì)原始圖像直接進(jìn)行區(qū)域生長(zhǎng)，很難提取原始車(chē)牌圖像的相關(guān)信息，故先對(duì)圖像進(jìn)行中值濾波，使得車(chē)牌區(qū)域像素平滑以及平緩化，然后采取最大類(lèi)間方差法選擇車(chē)牌圖像區(qū)域的閾值，使得后續(xù)步驟中區(qū)域生長(zhǎng)更加容易判定。由于車(chē)牌圖像像素值差異化不大，本文采取的方法避免了過(guò)分割或欠分割現(xiàn)象的發(fā)生。而上文中談及的研究者所研究的圖像內(nèi)容灰度值跳躍性較大，如果單一采取本文中的方法不利于分割出目標(biāo)圖像，而且得到的效果非常不理想[13-14]。

2.2.1 預(yù)處理 中值濾波的原理很簡(jiǎn)單，它把某區(qū)域內(nèi)部的像素按照從小到大排列，取排序結(jié)果的中間值作為該像素的灰度值，中值濾波通常取含奇數(shù)個(gè)像素的窗口。

中值濾波是基于排序統(tǒng)計(jì)理論的一種能有效抑制噪聲的非線(xiàn)性信號(hào)處理技術(shù)，統(tǒng)計(jì)排序先對(duì)模板覆蓋區(qū)域的像素按照灰度值進(jìn)行排序，然后選擇排序結(jié)果中的某個(gè)值作為輸出結(jié)果。若取最大值，則為最大值濾波器，可用于檢測(cè)圖像中最亮的點(diǎn)。若取最小值則為最小值濾波器，用于檢測(cè)最暗點(diǎn)。其方法是用二維滑動(dòng)模板，將模板區(qū)域內(nèi)像素值進(jìn)行大小排序，生成單調(diào)的二維數(shù)據(jù)序列。首先確定一個(gè)奇數(shù)像素的窗口W，窗口內(nèi)各像素按灰度大小排隊(duì)后，用其中間位置的灰度值取代原f(x,y)灰度值，成為窗口中心的灰度值g(x,y)。其公式如下：

g(x,y)=Med{f(x-k,y-l),(k,l∈W)}

式中W為選定窗口大小；f(m-k,y-l)為窗口W的像素灰度值。若W為奇數(shù)，經(jīng)過(guò)排序后將選擇中間值作為像素值。若W為偶數(shù)，經(jīng)過(guò)排序后將取中間位置兩數(shù)的平均值作為像素值。

二維模板的窗口和尺寸對(duì)濾波效果影響較大，不同的應(yīng)用要求往往采用不同的窗口尺寸和形狀，常見(jiàn)的形狀有線(xiàn)狀、圓狀、十字形狀及圓環(huán)形狀等。其中心點(diǎn)一般位于被處理點(diǎn)上，窗口尺寸一般先用3再取5逐點(diǎn)增大，直到濾波除去噪聲滿(mǎn)意為止[15-17]。原圖與各濾波后圖對(duì)比見(jiàn)圖2。

(a)中值濾波與原始圖像對(duì)照

(b)高斯濾波與原始圖像對(duì)照

(c)均值濾波與原始圖像對(duì)照?qǐng)D 2 原圖與濾波后圖對(duì)比

2.2.2 最大類(lèi)間方差法 1979年，日本學(xué)者大津提出一種能夠自適應(yīng)閾值確定的方法，命名為最大類(lèi)間方差法，俗稱(chēng)大津法，簡(jiǎn)稱(chēng)OTSU。它根據(jù)圖像的灰度特性而分為背景和目標(biāo)兩部分，當(dāng)背景和目標(biāo)之間的像素值波動(dòng)性越大,說(shuō)明這兩部分的差別越大，反之,差別越小。因此，類(lèi)間方差法出錯(cuò)概率小。

選擇合適的閾值將前景和背景這兩部分分割出來(lái)。具體算法如下：

1)根據(jù)圖像像素?cái)?shù)N和灰度范圍[0,L-1]求出每個(gè)灰度級(jí)的幾率

Pi=ni/N,i=0,1,2,…,L-1

2)把圖像中的像素按照灰度值分成兩類(lèi):C0和C1，其中C0由[0,T]之間的像素組成，C1由灰度值在[T+1,L-1]之間的像素組成，根據(jù)灰度分布的幾率，求得整個(gè)圖像的均值：

C0和C1的均值分別為

其中：

?1=1-?0

由上式可得：

uT=?0u0+?1u1

則類(lèi)間方差定義為：

δ2=?0(u0-uT)2+?1(u1-uT)2

此時(shí)，即需要取合適的T值使得δ2最大，則T為最大類(lèi)間方差法的最佳閾值。

3 實(shí)驗(yàn)結(jié)果與分析

本文采用區(qū)域生長(zhǎng)和OTSU的方法對(duì)車(chē)牌圖像進(jìn)行分割，不同于其它研究者采取的手動(dòng)分割方法，其分割效果和時(shí)效性都有顯著性提高。從實(shí)驗(yàn)結(jié)果(圖3)可以看到，利用區(qū)域生長(zhǎng)法可以從復(fù)雜的汽車(chē)背景中把汽車(chē)車(chē)牌圖像從背景中提取出來(lái)。但在試驗(yàn)中，如果單一的采取區(qū)域生長(zhǎng)法，由于人為因素的存在，分割結(jié)果不是很令人滿(mǎn)意。結(jié)合了OTSU方法后，解決了閾值的選擇問(wèn)題，實(shí)現(xiàn)將汽車(chē)車(chē)牌從汽車(chē)背景中的分離。區(qū)域生長(zhǎng)法主要是把圖像的灰度變化作為生長(zhǎng)準(zhǔn)則，是灰度跟蹤技術(shù)的一種，需要結(jié)合其它不同方法以提高其時(shí)效性。

圖 3 試驗(yàn)結(jié)果圖

4 結(jié)論

本文試驗(yàn)是基于Windows平臺(tái)下MATLAB2014a進(jìn)行試驗(yàn)的，單一的分割方法效果不是很理想，兩種或者多種方法的融合，從而實(shí)現(xiàn)了多種方法之間的優(yōu)勢(shì)互補(bǔ)，實(shí)驗(yàn)結(jié)果表明采取單一的區(qū)域生長(zhǎng)法，在試驗(yàn)結(jié)果中，對(duì)生長(zhǎng)條件的選取方面有很多不確定性的因素，需要多次點(diǎn)擊以獲得更加準(zhǔn)確的生長(zhǎng)起始條件，從而分割出車(chē)牌圖像區(qū)域，欠缺時(shí)效性，為了給研究節(jié)省出更多的寶貴時(shí)間，本文結(jié)合最大類(lèi)間方差法，從而避免了手動(dòng)選取閾值的缺陷。試驗(yàn)證明，本實(shí)驗(yàn)的分割方法處理較好。

[1] 張甫 李海艦. 淺談區(qū)域生長(zhǎng)法在車(chē)牌定位中的應(yīng)用[J]. 科技創(chuàng)新與應(yīng)用 , 2012,9(24):24-24.

[2] 常志軍, 楊 鑫. 一種生物在體熒光成像的自適應(yīng)分割算法 [J]. 計(jì)算機(jī)工程 , 2011, 37(4):218-220.

[3] 劉有軍, 杜建軍, 陸建榮, 等. 基于自適應(yīng)區(qū)域的醫(yī)學(xué)圖像自動(dòng)分割[J]. 北京工業(yè)大學(xué)學(xué)報(bào), 2010, 36(8):1124-1129.

[4]Jiang,Hui-Yan,Si,Yue-Peng.MedicalimagesegmentationbasedonimprovedOstualgorithmandregionalgrowthalgorithm[J].JournalofNortheasternUniversity,2006,27(4):398- 401.

[5] 楊衛(wèi)莉, 郭雷, 許鐘, 等. 基于區(qū)域生長(zhǎng)和蟻群聚類(lèi)的圖像分割[J]. 計(jì)算機(jī)應(yīng)用研究, 2008, 25(5):1579-1581.

[6] 黃 誼, 任 毅. 基于閾值法和區(qū)域生長(zhǎng)法的圖像分割算法研究 [J]. 電子測(cè)試, 2012,10(10):23-25.

[7]YuShui,MaFanyuan.Edicalimagesegmentationmethodbasedoninformationfusion[J].JournalofComputer2Ai2dedDesign&ComputerGraphics, 2001, 13 ( 12 ) : 1073-1076.

[8]LawTY,HengPA.AutomatedExtractionofBronchusfrom3DCTImagesofLungBasedonGeneticAlgorithmand3DRegionGrowing[C]ProcofSPIE,2000:906-916.

[9]ParkJ,ParkS,ChoW.Medicalimagesegmentationusinglevelsetmethodwithanewhybridspeedfunctionbasedonboundaryandregionsegmentation[J].IeiceTransactionsonInformation&Systems, 2012,E95.D(8):2133-2141.

[10] 牟 濤 陳文斌 沈一帆. 一種融合區(qū)域生長(zhǎng)與圖論的圖像分割方法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2005(19):32-34.

[11] 王 品, 胡先玲, 謝文賓, 等. 多尺度區(qū)域生長(zhǎng)與去粘連模型的乳腺細(xì)胞分割[J]. 儀 器 儀 表 學(xué) 報(bào), 2015, 36(7):1653-1659.

[12] 姜慧研, 馮銳杰. 基于改進(jìn)的變分水平集和區(qū)域生長(zhǎng)的圖像分割方法的研究[J]. 電子學(xué)報(bào), 2012, 40(8):1659-1664.

[13] 汪亮, 金福江, 陳峻嚴(yán). 基于區(qū)域生長(zhǎng)和FCM模糊聚類(lèi)的顱內(nèi)出血CT圖像分割[J]. 系統(tǒng)仿真學(xué)報(bào), 2014, 26(2):231-235.

[14]YouJianjie,ZhouZeming,PhengAnnHeng,etal.Simula2tedAnnealingBasedSimplifiedSnakesforWeakEdgeMedi2calImageSegmentation[J] .JournalofImageandGraphics,2004,9 (1) :11-17.

[15] 趙泉華, 高 郡, 李 玉. 基于區(qū)域劃分的多特征紋理圖像分割[J]. 儀器儀表學(xué)報(bào), 20151, 36(11):2519-2530.

[16] 龍建武 申鉉京 陳海鵬. 基于圖像區(qū)域的交互式文本圖像閾值分割算法[J]. 計(jì)算機(jī)研究與發(fā)展, 2012, 49(7):1420-1431.

[17] 陸劍鋒,林海,潘志庚.自適應(yīng)區(qū)域生長(zhǎng)算法在醫(yī)學(xué)圖像分割中的應(yīng)用[J] . 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2005,17(10) :2168-2173.

[18]HuangW,BuM.Detectingshadowsinhigh-resolutionremote-sensingimagesofurbanareasusingspectralandspatialfeatures[J].InternationalJournalofRemoteSensing, 2015, 36(24):6224-6244.

[責(zé)任編校： 張巖芳]

Vehicle License Plate Segmentation Based on Region Growing Algorithm

WU Cong1,YIN Hao1, HUANG Zhongyong1,WANG Kai2

(1SchoolofComputerScience,HubeiUniv.ofTech. 430068Wuhan,China; 2ChinaConstructionThirdEngin.Bureau.InstallationEngin.Co.Ltd,Wuhan430064,China)

New license plate segmentation technologies are emerging. In order to accurately segment the license plate image, which can lay a good foundation for the extraction of the target, the paper presents a test of the algorithm based on OTSU and regional growth. The test realized the precise segmentation of license plate image, obtained the method of adaptive threshold replacing the traditional manual threshold selection method by Otsu. It then preprocessed the image combined with median filter to avoid the traditional threshold caused by the over-segmentation and under-segmentation phenomenon.Results showed that it is effective in the prevention of image noise, and the image pixel values become more relaxed, so as to effectively segment the license plate image.

Otsu；region growing；license plate segmentation；median filtering

2016-05-31

國(guó)家自然科學(xué)基金青年項(xiàng)目(61300127)； 湖北省自然科學(xué)基金項(xiàng)目(2012FFB00701)

吳 聰(1982-)， 男，湖北武漢人，工學(xué)博士，湖北工業(yè)大學(xué)副教授， 研究方向?yàn)獒t(yī)學(xué)圖像處理

1003-4684(2017)02-0058-04

TP391

A