车牌识别设计与实现毕业论文

重庆理工大学毕业论文 车牌定位与识别的设计与实现

-1 0 1 2 0 1 -2 0 -3 -1 -2 0 -1 0 1 0 2 1

（a） （b） 图2-6 Sobel算子模板

Prewitt算子：利用局部差分平均方法寻找边缘的算子，它体现了三对像素点像素值之差的平均概念，因为平均能减少或消除噪声，为此我们可以先求平均，再求差分，即利用所谓的平均差分来求梯度。用差分代替一阶偏导可得算子形式如下：

???xf(x,y)??f(x?1,y?1)?f(x,y?1)?f(x?1,y?1)???f(x?1,y?1)?f(x,y?1)?f(x?1,y?1)?????yf(x,y)??f(x?1,y?1)?f(x?1,y)?f(x?1,y?1)???f(x?1,y?1)?f(x?1,y)?f(x?1,y?1)?

（2-7）

Prewitt边缘检测算子的两个模板如图2-7所示，它的使用方法同Sobel算子一样，图像中的每个点都用这两个核进行卷积，取得最大值作为输出。Prewitt算子也产生一幅边缘图像。与Sobel算子相比，对噪声抑制较弱。

10

重庆理工大学毕业论文 车牌定位与识别的设计与实现

-1 0 1 1 0 -1 -1 0 1 1 0 0 1 -1 -1 -1 1 0 （a） （b）

图2-7 Prewitt算子模板

Laplace算子：它是一个与方向无关的各向通行边缘检测算子，对细线和孤立点检测效果好，但边缘方向信息丢失，常产生双像素的边缘，对噪声有双倍加强作用，很少直接用于检测边缘。

对于阶跃状边缘，其二阶导数在边缘点出现过零交叉，即边缘点两旁的二阶导数取异号，据此可以通过二阶导数来检测边缘点。拉普拉斯边缘检测算子正是对二维函数进行二阶导数运算的标量算子，它的定义是：

?2?2?f(x,y)?2f(x,y)?2f(x,y)?x?y （2-8）

2用差分代替二阶偏导时，与前述三个一阶导数算子不同，拉普拉斯算子的形式可表示如下：

2???f(x,y)?f(x?1,y)?f(x?1,y)?f(x,y?1)?f(x,y?1)?4f(x,y)?2???f(x,y)?f(x?1,y?1)?f(x,y?1)?f(x?1,y?1)?f(x?1,y)?f(x?1,y)?f(x?1,y?1)?f(x,y?1)?f(x?1,y?1)?8f(x,y)

（2-9）

拉普拉斯边缘检测算子的模板如图2-8 所示，模板的基本特征是中心位置的系数为正，其余位置的系数为负，且模板的系数之和为零。它的使用方法是用图中的两个点阵之一作为卷积核，与原图像进行卷积运算即可。拉普拉斯算子又是一个线性的移不变算子，它的传递函数在频域空间的原点为零，因此，一个经拉普拉斯滤波过的图像具有零平均灰度。拉普拉斯检测模板的特点是各向同性，对孤立点及线端的检测效果好，但边缘方向信息丢失，对噪声敏感，整体检测效果

11

重庆理工大学毕业论文 车牌定位与识别的设计与实现

不如梯度算子。因此，它很少直接用于边缘检测。但注意到与Sobel算子相比，对图像进行处理时，拉普拉斯算子能使噪声成分得到加强，对噪声更敏感。[5]

0 -1 0 -1 4 0 -1 -1 -1 0 -1 -1 -1 8 -1 -1 -1 -1

（a） （b） 图2-8 Laplace算子模板

通过实验图对几种边缘检测算子进行仿真（图2-9至2-11），可知： （1）Roberts算子定位比较准确，但由于不包括平滑，所以对噪声比较敏感。 （2） Prewitt算子和Sobel算子都是一阶的微分算子，而前者是平均滤波，后者是加权平均滤波，对噪声具有一定的抑制能力，但不能完全排除检测结果中出现伪边缘。该类算子对灰度渐变和具有噪声的图像处理比较好。其中Sobel算子比Prewitt算子更能抑制噪声的影响。

（3）Laplace算子对图像中的阶跃性边缘点定位准确，对噪声非常敏感，丢失一部分边缘的方向信息，造成一些不连续的检测边缘。

边缘检测算子的实现代码： I2=edge(I1,'Roberts',0.09,'both');

Figure，imshow（I2）；title(‘Roberts算子’);

12

重庆理工大学毕业论文 车牌定位与识别的设计与实现

图 2-9 Roberts算子

图 2-10 Prewitt算子

13