吳 聰， 殷 浩， 黃中勇， 王 凱

(1 湖北工業(yè)大學計算機學院， 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)域生長算法的車牌圖像分割

吳 聰1， 殷 浩1， 黃中勇1， 王 凱2

(1 湖北工業(yè)大學計算機學院， 湖北 武漢 430068； 2 中建三局安裝工程有限公司， 湖北 武漢 430064)

準確分割車牌圖像，可為分割目標的提取奠定良好的基礎。試驗中采用基于OTSU和區(qū)域生長的算法，實現(xiàn)了車牌圖像的精準分割，通過最大類間方差法得到自適應閾值，代替了傳統(tǒng)手動選擇閾值的方法，再結合中值濾波對圖像進行預處理，避免了傳統(tǒng)閾值造成的過分割或者欠分割現(xiàn)象，且預防圖像噪聲，使得圖像像素值變得緩和，從而有效地分割出車牌圖像。

最大類間方差；區(qū)域生長；車牌分割；中值濾波

車牌圖像分割一直是圖像識別系統(tǒng)處理技術中的一個經典難題，而且是圖像分析和識別階段需首要解決的前提，同時也是制約車牌圖像處理中可視化、不同模態(tài)圖像配準和融合、事故圖像三維重建等相關技術發(fā)展與應用的瓶頸。

圖像分割是基于圖像灰度值的性質而運用具體的算法解決問題，把圖像分割成一系列有意義的、各具特征的目標或區(qū)域的技術和過程；如圖像的紋理、顏色、灰度級和梯度等特征都會影響圖像分割和提取的效果。有些圖像需要研究人員進行初步分割，從而得到初步的區(qū)域信息，對接下來的分割會起到很大的作用。同時，由于圖像的種類和分割結果的好壞直接影響圖像的識別過程，因此，在采取的分割算法上面，需要針對具體問題而分析[1]。

在交通部門中，車輛的信息是依靠登記的車牌號碼進行區(qū)分的。車牌定位其實就是圖像的區(qū)域分割，即從不相關的圖像中提取出所需的塊、輪廓或者線段。本文采取了區(qū)域生長的方法對車牌進行定位，對于定位中像素灰度值閾值的選擇，結合最大類間[2-3]方法進行自動選擇。

1 區(qū)域生長基本原理

區(qū)域生長法的基本思想是把相似的像素構成一個集合。首先選取一組生長點，然后依次將種子像素周圍具有相同性質或者相似性質的像素合并到種子像素所在的區(qū)域中，形成新的生長點，重復此過程直到不能生長為止，在相似性準則的選取上，定義如下公式用于選取臨近的像素。

區(qū)域生長法的 3 個步驟：選出合適的種子點；確定再生長模板準則；制定出能讓生長停止的條件。區(qū)域生長法的優(yōu)點是計算簡單、高效，特別適用于簡單、規(guī)律性強的圖像，其缺點是：它需要人工交互以獲得種子點，同時，對噪聲也敏感，容易造成過分割或者欠分割。本文采用OTSU自動選擇閾值代替?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)域生長算法和 OSTU 算法相結合；趙泉華等人結合區(qū)域劃分分別對模擬紋理圖像、遙感圖像、自然紋理圖像和 SAR 海冰圖像進行了分割實驗，并驗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)域生長和蟻群聚類的圖像分割方法。圖像閾值法較直觀并容易實現(xiàn)，但分割后不免灰度值與背景區(qū)域相接近，從而產生噪聲干擾，黃誼和任毅[6]采用閾值分割法和區(qū)域生長法相結合的方法有效解決了這些問題；于水等人[7]在區(qū)域生長的標準中融合圖像的紋理信息和灰度信息；Law 等人[8]把區(qū)域生長算法的平面特征擴展到三維空間；2012年 Park J等人[9]為了精準分割出低對比度的復雜醫(yī)學圖像，使用并行邊界與區(qū)域相結合的方法對不同醫(yī)學圖像進行分割，實驗結果表明該方法的有效性；牟濤等人[10]把區(qū)域生長和圖論相融合進行圖像分割，該方法能解決圖像過分割的現(xiàn)象；王品等人[11]結合區(qū)域生長和小波的方法，分離出乳腺細胞和背景，最后采取數學形態(tài)學對黏連細胞一次性分割，保證了去黏連的準確性和魯棒性；姜慧研等人[12]結合區(qū)域生長的方法，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間，提高了圖像分割的質量。

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

2 基于區(qū)域生長算法的車牌提取方法

對于車牌圖像，傳統(tǒng)的區(qū)域生長算法需要手動選取閾值，閾值過高或者過低，都會造成圖像過分割或者欠分割的現(xiàn)象，為選取合適的閾值花費很多時間，區(qū)域生長容易受到噪聲影響，不能準確的提取目標區(qū)域，為了解決以上問題，本文提出一種新的區(qū)域生長算法提取目標。

2.1 算法流程圖

對輸入的圖像進行中值濾波，然后通過尋找符合車牌圖像的閾值像素點進行區(qū)域生長，具體流程見圖1。

圖 1 算法流程圖

2.2 算法實現(xiàn)

首先讀取原始圖像，并且獲得圖像的原始像素值信息，對原始圖像直接進行區(qū)域生長，很難提取原始車牌圖像的相關信息，故先對圖像進行中值濾波，使得車牌區(qū)域像素平滑以及平緩化，然后采取最大類間方差法選擇車牌圖像區(qū)域的閾值，使得后續(xù)步驟中區(qū)域生長更加容易判定。由于車牌圖像像素值差異化不大，本文采取的方法避免了過分割或欠分割現(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圖像，而且得到的效果非常不理想[13-14]。

2.2.1 預處理 中值濾波的原理很簡單，它把某區(qū)域內部的像素按照從小到大排列，取排序結果的中間值作為該像素的灰度值，中值濾波通常取含奇數個像素的窗口。

中值濾波是基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性信號處理技術，統(tǒng)計排序先對模板覆蓋區(qū)域的像素按照灰度值進行排序，然后選擇排序結果中的某個值作為輸出結果。若取最大值，則為最大值濾波器，可用于檢測圖像中最亮的點。若取最小值則為最小值濾波器，用于檢測最暗點。其方法是用二維滑動模板，將模板區(qū)域內像素值進行大小排序，生成單調的二維數據序列。首先確定一個奇數像素的窗口W，窗口內各像素按灰度大小排隊后，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??；f(m-k,y-l)為窗口W的像素灰度值。若W為奇數，經過排序后將選擇中間值作為像素值。若W為偶數，經過排序后將取中間位置兩數的平均值作為像素值。

二維模板的窗口和尺寸對濾波效果影響較大，不同的應用要求往往采用不同的窗口尺寸和形狀，常見的形狀有線狀、圓狀、十字形狀及圓環(huán)形狀等。其中心點一般位于被處理點上，窗口尺寸一般先用3再取5逐點增大，直到濾波除去噪聲滿意為止[15-17]。原圖與各濾波后圖對比見圖2。

(a)中值濾波與原始圖像對照

(b)高斯濾波與原始圖像對照

(c)均值濾波與原始圖像對照圖 2 原圖與濾波后圖對比

2.2.2 最大類間方差法 1979年，日本學者大津提出一種能夠自適應閾值確定的方法，命名為最大類間方差法，俗稱大津法，簡稱OTSU。它根據圖像的灰度特性而分為背景和目標兩部分，當背景和目標之間的像素值波動性越大,說明這兩部分的差別越大，反之,差別越小。因此，類間方差法出錯概率小。

選擇合適的閾值將前景和背景這兩部分分割出來。具體算法如下：

1)根據圖像像素數N和灰度范圍[0,L-1]求出每個灰度級的幾率

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: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，根據灰度分布的幾率，求得整個圖像的均值：

C0和C1的均值分別為

其中：

?1=1-?0

由上式可得：

uT=?0u0+?1u1

則類間方差定義為：

δ2=?0(u0-uT)2+?1(u1-uT)2

此時，即需要取合適的T值使得δ2最大，則T為最大類間方差法的最佳閾值。

3 實驗結果與分析

本文采用區(qū)域生長和OTSU的方法對車牌圖像進行分割，不同于其它研究者采取的手動分割方法，其分割效果和時效性都有顯著性提高。從實驗結果(圖3)可以看到，利用區(qū)域生長法可以從復雜的汽車背景中把汽車車牌圖像從背景中提取出來。但在試驗中，如果單一的采取區(qū)域生長法，由于人為因素的存在，分割結果不是很令人滿意。結合了OTSU方法后，解決了閾值的選擇問題，實現(xiàn)將汽車車牌從汽車背景中的分離。區(qū)域生長法主要是把圖像的灰度變化作為生長準則，是灰度跟蹤技術的一種，需要結合其它不同方法以提高其時效性。

圖 3 試驗結果圖

4 結論

本文試驗是基于Windows平臺下MATLAB2014a進行試驗的，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，從而實現(xiàn)了多種方法之間的優(yōu)勢互補，實驗結果表明采取單一的區(qū)域生長法，在試驗結果中，對生長條件的選取方面有很多不確定性的因素，需要多次點擊以獲得更加準確的生長起始條件，從而分割出車牌圖像區(qū)域，欠缺時效性，為了給研究節(jié)省出更多的寶貴時間，本文結合最大類間方差法，從而避免了手動選取閾值的缺陷。試驗證明，本實驗的分割方法處理較好。

[1] 張甫 李海艦. 淺談區(qū)域生長法在車牌定位中的應用[J]. 科技創(chuàng)新與應用 , 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分割算法 [J]. 計算機工程 , 2011, 37(4):218-220.

[3] 劉有軍, 杜建軍, 陸建榮, 等. 基于自適應區(qū)域的醫(yī)學圖像自動分割[J]. 北京工業(yè)大學學報, 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)域生長和蟻群聚類的圖像分割[J]. 計算機應用研究, 2008, 25(5):1579-1581.

[6] 黃 誼, 任 毅. 基于閾值法和區(qū)域生長法的圖像分割算法研究 [J]. 電子測試, 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)域生長與圖論的圖像分割方法[J]. 計算機工程與應用, 2005(19):32-34.

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

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

[13] 汪亮, 金福江, 陳峻嚴. 基于區(qū)域生長和FCM模糊聚類的顱內出血CT圖像分割[J]. 系統(tǒng)仿真學報, 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]. 儀器儀表學報, 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]. 計算機研究與發(fā)展, 2012, 49(7):1420-1431.

[17] 陸劍鋒,林海,潘志庚.自適應區(qū)域生長算法在醫(yī)學圖像分割中的應用[J] . 計算機輔助設計與圖形學學報,2005,17(10) :2168-2173.

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

[責任編校： 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

國家自然科學基金青年項目(61300127)； 湖北省自然科學基金項目(2012FFB00701)

吳 聰(1982-)， 男，湖北武漢人，工學博士，湖北工業(yè)大學副教授， 研究方向為醫(yī)學圖像處理

1003-4684(2017)02-0058-04

TP391

A