陳玉

摘要：針對(duì)霧霾天氣，車(chē)牌識(shí)別率低的問(wèn)題，提出一種高效的車(chē)牌識(shí)別算法。對(duì)圖像增強(qiáng)作了具體的改進(jìn)，采用自適應(yīng)Retinex算法，并對(duì)圖像進(jìn)行直方圖均衡化。實(shí)驗(yàn)證明該文所提出的算法，較其他算法具有更好的處理效果，能夠?qū)崿F(xiàn)霧霾天氣下車(chē)牌圖像的高效識(shí)別。

關(guān)鍵詞：車(chē)牌識(shí)別；圖像復(fù)原；圖像增強(qiáng)

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）13-0174-02

1概述

近來(lái)，霧、霾問(wèn)題深刻地影響著人們的生活和生產(chǎn)，尤其是在城市交通監(jiān)管領(lǐng)域，霧霾干擾下，拍攝的能見(jiàn)度低、識(shí)別效果差，嚴(yán)重阻礙了視頻監(jiān)管系統(tǒng)對(duì)車(chē)輛的有效監(jiān)控，不利于城市交通安全的發(fā)展。如何在霧霾天氣下，如何利用有效的車(chē)牌圖像識(shí)別技術(shù)，有效地實(shí)現(xiàn)對(duì)車(chē)牌的有效識(shí)別，引起了當(dāng)今社會(huì)的廣泛關(guān)注。

目前，圖像去霧算法分為模型法和非模型法兩種。模型法通過(guò)大氣散射定律建立圖像的退化數(shù)學(xué)模型，再對(duì)圖像采用復(fù)原技術(shù)，還原真實(shí)場(chǎng)景。非模型法的重點(diǎn)是利用圖像增強(qiáng)，對(duì)低對(duì)比度霧化圖像還原細(xì)節(jié)，得到清晰圖像。不少研究學(xué)者從該兩類(lèi)算法作為切入點(diǎn)，對(duì)霧霾天氣中的圖像處理進(jìn)行深入研究。Okley利用獲取圖像景深數(shù)據(jù)的方式，對(duì)霧化圖像進(jìn)行增強(qiáng)。Tarel等人利用實(shí)物對(duì)光線(xiàn)的反射估計(jì)的透射程度實(shí)現(xiàn)圖像去霧。Narasimhamm提出一種建立圖像的深度模型的方法進(jìn)行圖像去霧。He等人結(jié)合暗通道與圖像退化模型相結(jié)合的方法，實(shí)現(xiàn)圖像的去霧。另外，一些學(xué)者也在圖像直方圖上做研究，以期實(shí)現(xiàn)圖像的增強(qiáng)。肖鐘潔和郭磊采用基于暗通道先驗(yàn)的去霧算法，利用自適應(yīng)中值鋁箔實(shí)現(xiàn)對(duì)透射率的平滑與細(xì)化，以提升去霧算法的速度。潘磊提出一種多尺度融合的圖像去霧算法，計(jì)算圖像各個(gè)尺度值并對(duì)梯度域進(jìn)行增強(qiáng)和重建，再融合多分辨率進(jìn)行圖像的去霧。南棟等提出一種景深約束的單幅霧天圖像去霧算法，利用景深圖像特性，在8領(lǐng)域快速求解中隊(duì)能量函數(shù)進(jìn)行約束，達(dá)到改善霧化圖像的目的。

該文的接下來(lái)安排如下：第2節(jié)概述圖像去霧的相關(guān)算法，主要介紹基于圖像變換的對(duì)比度增強(qiáng)法、基于Retinex理論的增強(qiáng)法；第3節(jié)重點(diǎn)描述本文使用的改進(jìn)的方法；第四章給出仿真實(shí)驗(yàn)；最后是工作的總結(jié)與展望。

2圖像去霧理論

2.1基于直方圖變換的圖像增強(qiáng)算法

直方圖變換，又稱(chēng)為直方圖修改（histogram modification）。在對(duì)圖像直方圖進(jìn)行處理的時(shí)候，常見(jiàn)的方式有直方圖拉伸、直方圖均衡化、直方圖規(guī)定化等。

直方圖拉伸通過(guò)對(duì)直方圖進(jìn)行調(diào)整，“擴(kuò)大”前景和背景差別，以達(dá)到增強(qiáng)目的，具體可以利用線(xiàn)性或非線(xiàn)性的方法來(lái)實(shí)現(xiàn)。

常用的線(xiàn)性變換表達(dá)式為：

（1）

式中，M為圖像的最大亮度。具體的效果隨著調(diào)節(jié)參數(shù)a、b、c、d的不同而不同。

對(duì)于直方圖非線(xiàn)性變換，則是使用非線(xiàn)性函數(shù)來(lái)調(diào)整圖像的灰度直方圖。如對(duì)數(shù)函數(shù)、高斯函數(shù)、和其他的非線(xiàn)性函數(shù)。

直方圖均衡化則通過(guò)使用累積函數(shù)對(duì)灰度值進(jìn)行“調(diào)整”以實(shí)現(xiàn)對(duì)比度的增強(qiáng)。直方圖均衡化過(guò)程如下：

（1）計(jì)算原圖像的灰度直方圖；

（2）計(jì)算原圖像的灰度的累積分布函數(shù)；

（3）根據(jù)灰度變換表，求出原圖像各灰度級(jí)的灰度映射。

直方圖規(guī)定化，在直方圖均衡化原理的基礎(chǔ)上，按照規(guī)定的形狀建立原始圖像和期望圖像之間的關(guān)系。直方圖規(guī)定劃分為三個(gè)步驟：

（1）對(duì)原始直方圖灰度均衡化；

（2）規(guī)定需要的直方圖，并將其直方圖均衡化；

（3）將（1）得到的變換反過(guò)來(lái)，采用相對(duì)應(yīng)規(guī)則實(shí)現(xiàn)映射。

采用直方圖變換實(shí)現(xiàn)對(duì)圖像去霧的流程如圖1所示：

2.2基于Retinex模型的霧天圖像去霧增強(qiáng)方法

1971年，Edwin.H.Land提出Retinex理論，他認(rèn)為人類(lèi)視覺(jué)系統(tǒng)具有色彩恒常性，其辨別色彩與入射光接收過(guò)程無(wú)關(guān)，僅與物體表面的反射屬性有關(guān)，該過(guò)程由大腦皮層與視網(wǎng)膜共同作用。由此發(fā)展為Retinex理論，Retinex理論認(rèn)為通過(guò)去除入射光的影響，可以得到物體的反射屬性。在Retinex理論中，一幅圖像S（x，y）被看成是兩部分的組合，分別叫做亮度部分L（x，y）和反射部分R（x，y），其中亮度部分主要包含原圖像中的低頻信息，反射部分主要包括原圖像中的高頻信息。該模型可以表示為如式（2）：

因?yàn)椴荒苤苯拥玫綀D像的反射圖像r（x，y），因此首先對(duì)圖像進(jìn)行亮度圖像估計(jì)l（x，Y），通過(guò)一個(gè)減法運(yùn)算得到反射圖像，即：

很多學(xué)者對(duì)圖像亮度估算，采用不同的算法，如基于迭代的Retinex算法、可變框架Retinex方法、中心環(huán)繞Retinex方法。但是總地來(lái)說(shuō)，Retinex算法的框架如下：

3改進(jìn)方法與仿真結(jié)果

本文結(jié)合直方圖均衡化以及Retinex理論，實(shí)現(xiàn)對(duì)霧陰天氣狀況下的車(chē)牌識(shí)別。霧天圖像的對(duì)比度和飽和度低，將其分為R、G、B三個(gè)通道有利于判斷圖像的細(xì)節(jié)，分別對(duì)三通道采用改進(jìn)的多尺度Retinex算法對(duì)圖像進(jìn)行處理，最后將圖像進(jìn)行直方圖均衡化處理。

3.1改進(jìn)的Retinex算法

多尺度f(wàn)MSR）算法的數(shù)學(xué)表達(dá)如下：

同時(shí)，系數(shù)滿(mǎn)足條件，在x和y上的積分等于1。

針對(duì)Retinex的尺度人為確定，尺度參數(shù)設(shè)定不好，會(huì)影響圖像的識(shí)別效果，本文對(duì)尺度參數(shù)進(jìn)行改進(jìn)，采用自適應(yīng)尺度的MSR算法。將尺度分為低尺度，中尺度和高尺度三個(gè)尺度，其中，取圖像的像素平均值作為高斯函數(shù)的中尺度，低尺度取中尺度的值減去以中尺度的值為劃分的所有圖像像素點(diǎn)的平均標(biāo)準(zhǔn)偏差加上中尺度的值，高尺度等于中尺度的值與以中尺度為劃分的所有圖像像素點(diǎn)的平均標(biāo)準(zhǔn)偏差的和。其具體過(guò)程如下：

（1）分別計(jì)算出log[I（X，y）]中R、G、B各個(gè)通道的各個(gè)像素的平均值；

（21計(jì)算各個(gè)通道的平均標(biāo)準(zhǔn)偏差，從而求出各個(gè)尺度的低尺度特征、中尺度特征和高尺度特征；

（3）完成Retinex的計(jì)算，得到反射圖像；

f4）對(duì)R、G、B通道合并；

f5）執(zhí)行直方圖均衡化。

3.2仿真結(jié)果

本文實(shí)驗(yàn)平臺(tái)采用Windows7 64位操作系統(tǒng)，Core i7-4770 3.4GHz，8G RAM，Visual Studio 2010，OpenCV 2.4.10。對(duì)同一副霧天圖像分別做傳統(tǒng)的Retinex變換和采用改進(jìn)的方法實(shí)現(xiàn)圖像增強(qiáng)，效果如下：

從上圖可以看出，采用本文所提出的改進(jìn)的Retinex算法，能夠大大增強(qiáng)霧天的車(chē)牌識(shí)別的清晰度。