楚天鴻，唐瑞尹，翟電杰

(1.華北理工大學(xué) 電氣工程學(xué)院，河北 唐山 063210；2.北華航天工業(yè)學(xué)院 電子與控制工程學(xué)院，河北 廊坊 065000)

0 引 言

在現(xiàn)實(shí)中，車牌會(huì)受到污損，讓車牌識(shí)別系統(tǒng)不能識(shí)別出正確的結(jié)果。目前，對(duì)污損車牌的研究還不多。唐盈[1]提出將車牌圖像的大塊破損區(qū)域和小塊破損區(qū)域分開，分別使用Criminisi算法和CDD模型修復(fù)，但難以對(duì)大面積的劃痕進(jìn)行修復(fù)；李強(qiáng)等[2]提出一種應(yīng)用模板匹配的方法來(lái)識(shí)別車牌，卻只能識(shí)別出污損區(qū)域較小的車牌字符。

污損車牌圖像的破損區(qū)域能夠被提取出并形成掩膜圖像，再應(yīng)用圖像修復(fù)技術(shù)，將車牌圖像恢復(fù)到字符清晰可辨的程度，以此來(lái)提高車牌識(shí)別系統(tǒng)的正確率。

圖像修復(fù)技術(shù)是對(duì)圖像中受到損壞的區(qū)域進(jìn)行重建，或去除圖像中多余物體的一門技術(shù)[3]。其中，最具代表性的是Criminisi等提出的Criminisi算法[4]。基于此種算法，大量學(xué)者對(duì)其不足進(jìn)行了改進(jìn)。齊玲等[5]引入調(diào)節(jié)因子對(duì)優(yōu)先權(quán)進(jìn)行改進(jìn)；陶兆勝等[6]提出將局部特征與邊緣紋理分辨相結(jié)合的分段修復(fù)算法。劉永等[7]經(jīng)過(guò)研究，說(shuō)明除了優(yōu)先權(quán)、匹配塊等影響因素，待修復(fù)區(qū)域的標(biāo)記也對(duì)Criminisi算法的修復(fù)效果有一定影響。

本文主要針對(duì)藍(lán)白色小型汽車車牌的污損區(qū)域，結(jié)合FCM圖像分割算法和區(qū)域生長(zhǎng)法進(jìn)行污損區(qū)域提取，生成掩膜圖像。根據(jù)圖像的特點(diǎn)，對(duì)Criminisi算法進(jìn)行改進(jìn)，應(yīng)用改進(jìn)后的Criminisi算法對(duì)不同類型圖像的污損區(qū)域進(jìn)行修復(fù)。并采取對(duì)比實(shí)驗(yàn)的方法驗(yàn)證本文算法的可行性和有效性。

1 車牌圖像污損區(qū)域提取

對(duì)于車牌圖像污損區(qū)域的提取，大多采用區(qū)域生長(zhǎng)法，或是根據(jù)破損區(qū)域與原始圖像的顏色差異進(jìn)行提取。但對(duì)于車牌劃痕來(lái)說(shuō)，劃痕區(qū)域常與車牌字符的顏色相近，無(wú)法根據(jù)圖像顏色的差異分割出劃痕，并且若直接對(duì)其采用區(qū)域生長(zhǎng)法會(huì)導(dǎo)致破損區(qū)域與字符連接到一起，提取到錯(cuò)誤的區(qū)域。因此，上述的方法不能通用于所有車牌的污損情況。

本文將改進(jìn)后的FCM圖像色彩分割算法與區(qū)域生長(zhǎng)法相結(jié)合，對(duì)車牌的污損區(qū)域進(jìn)行提取。

1.1 傳統(tǒng)FCM算法

模糊C均值聚類(FCM)算法是由Bezdek提出的一種基于劃分的聚類方法，通過(guò)最優(yōu)化一個(gè)模糊目標(biāo)函數(shù)來(lái)實(shí)現(xiàn)聚類?，F(xiàn)已廣泛應(yīng)用于數(shù)據(jù)挖掘、模式識(shí)別、圖像處理等領(lǐng)域[8]。

傳統(tǒng)的FCM算法通過(guò)反復(fù)迭代來(lái)更新隸屬度和聚類中心，其中，目標(biāo)函數(shù)為

(1)

式中：m是模糊加權(quán)系數(shù)，值大于1；C是預(yù)設(shè)聚類數(shù)目；N為樣本數(shù)目；d(xi,vj)表示的是第i個(gè)數(shù)據(jù)點(diǎn)與聚類中心vj的歐式距離；uij是第i個(gè)數(shù)據(jù)點(diǎn)屬于第j類的隸屬度。為了求含有約束條件的目標(biāo)函數(shù)的極值，F(xiàn)CM算法中引入了拉格朗日因子，從而構(gòu)造出新的目標(biāo)函數(shù)

(2)

由式(2)對(duì)uij求偏導(dǎo)，就可得到隸屬度值，即

(3)

1.2 污損區(qū)域提取

獲取污損車牌圖像后需對(duì)其進(jìn)行預(yù)處理操作，即車牌圖像的定位和校正，具體方法將在實(shí)驗(yàn)驗(yàn)證時(shí)介紹，在此不再贅述。在車牌圖像的污損區(qū)域提取中，應(yīng)用到改進(jìn)后的FCM算法，用其對(duì)污損車牌圖像的色彩進(jìn)行分割，可輕松地分辨出污損區(qū)域，尤其在車牌圖像劃痕區(qū)域的分辨方面有更高的實(shí)用性。之后采用區(qū)域生長(zhǎng)法對(duì)污損區(qū)域進(jìn)行選點(diǎn)提取，生成掩膜圖像。

傳統(tǒng)的模糊C均值聚類(FCM)算法需要給定聚類數(shù)目，而彩色圖像分割的效果很大程度上取決于此，若預(yù)設(shè)的聚類數(shù)目不準(zhǔn)確，分割的結(jié)果就難以保證，從而使后續(xù)的工作受到影響。Asoke K.Nandi等[9]將形態(tài)學(xué)處理和中值濾波器加入到FCM算法中，實(shí)現(xiàn)了圖像的色彩分割，但在程序運(yùn)行之前，仍然需要人為地設(shè)定聚類數(shù)目。因此本文在文獻(xiàn)[9]的基礎(chǔ)上，提出了一種自適應(yīng)聚類數(shù)目的FCM圖像色彩分割算法。

首先，對(duì)預(yù)處理之后的污損車牌圖像用式(4)進(jìn)行主成分分析(PCA)，得到新的圖像樣本z(i)

z(i)=WTx(i)

(4)

其中，x(i)為原始樣本，WT為原始樣本的協(xié)方差矩陣進(jìn)行分解后得到的特征值所對(duì)應(yīng)的特征向量矩陣。同時(shí)獲取第一主成分z(1)的直方圖信息h(1)。圖1為圖像經(jīng)過(guò)主成分分析后的效果，圖2為第一主成分的直方圖。

圖1 主成分分析

圖2 第一主成分直方圖

其次，對(duì)第一主成分的直方圖利用式(5)進(jìn)行高斯平滑

(5)

G(x)是高斯函數(shù)，σ=1是其分布參數(shù)。高斯平滑后的直方圖如圖3所示。

圖3 高斯平滑直方圖后圖像

之后，求出直方圖的峰值點(diǎn)數(shù)目。直方圖的每一個(gè)峰值點(diǎn)都對(duì)應(yīng)著一個(gè)區(qū)域，所以峰值點(diǎn)數(shù)目即為聚類數(shù)目[10]。最后，將求出的聚類數(shù)目帶入到文獻(xiàn)[9]的方法中，對(duì)圖像進(jìn)行色彩分割。

污損區(qū)域提取的方法總體步驟如下：

步驟1 獲取車牌圖像并進(jìn)行定位、校正等預(yù)處理工作；

步驟2 對(duì)預(yù)處理后的污損車牌圖像進(jìn)行PCA變換，獲取第一主成分的直方圖；

步驟3 利用高斯函數(shù)平滑在步驟2獲取的直方圖；

步驟4 求直方圖峰值點(diǎn)數(shù)目，即確定聚類數(shù)目；

步驟5 對(duì)原始圖像進(jìn)行形態(tài)學(xué)重構(gòu)生成圖像，利用新的目標(biāo)函數(shù)Fm分割圖像，其中

(6)

(7)

(8)

(9)

式中：uil的定義同傳統(tǒng)算法中的uij；是對(duì)原圖像f進(jìn)行形態(tài)學(xué)閉操作Rc之后的重構(gòu)圖像，即=RC(f)；l表示灰度級(jí)；q為中包含的灰度級(jí)數(shù)目；式(9)中的uil為求得的隸屬度值。

步驟6 用中值濾波器對(duì)uil進(jìn)行過(guò)濾，得到最終的隸屬度值，生成色彩分割后的圖像；

步驟7 區(qū)域生長(zhǎng)法提取污損區(qū)域，即選中圖像污損部分的一點(diǎn)，由此點(diǎn)開始根據(jù)預(yù)定規(guī)則進(jìn)行8鄰域擴(kuò)展生長(zhǎng)，當(dāng)像素點(diǎn)不符合預(yù)定規(guī)則時(shí)生長(zhǎng)停止，生成掩膜圖像。

經(jīng)過(guò)實(shí)驗(yàn)，該方法可輕松區(qū)分出污損區(qū)域，從而準(zhǔn)確地提取車牌的劃痕、污漬等污損區(qū)域。

2 污損車牌圖像修復(fù)

對(duì)于車牌圖像污損區(qū)域的處理，本文將采用圖像修復(fù)相關(guān)的算法對(duì)污損區(qū)域進(jìn)行修補(bǔ)，使圖像中的字符恢復(fù)到可以識(shí)別的程度。

2.1 Criminisi算法

Criminisi算法是一種依據(jù)圖像的紋理信息進(jìn)行圖像修復(fù)的算法，主要由優(yōu)先權(quán)計(jì)算、匹配塊搜索、置信度更新3個(gè)步驟組成。

(1)優(yōu)先權(quán)計(jì)算

圖4為算法原理。圖中I是待修復(fù)的破損圖像，Ω是破損區(qū)域，δΩ是破損區(qū)域的邊界部分，Ф是已知圖像區(qū)域。其中I=Ф+Ω。

圖4 Criminisi 算法原理

以邊界上的任意一點(diǎn)p為中心的待修復(fù)塊Ψp，其優(yōu)先權(quán)定義為置信度項(xiàng)和數(shù)據(jù)項(xiàng)的乘積

P(p)=C(p)D(p)

(10)

(11)

(2)匹配塊搜索

(12)

(13)

(3)置信度更新

置信度C(p)的更新方法為

(14)

不斷循環(huán)以上步驟，直到破損區(qū)域被填充完整時(shí)結(jié)束。

2.2 Criminisi算法存在的問(wèn)題及改進(jìn)

首先，在Criminisi算法的第一個(gè)步驟中，計(jì)算優(yōu)先權(quán)采取置信度項(xiàng)和數(shù)據(jù)項(xiàng)置信度項(xiàng)和數(shù)據(jù)項(xiàng)乘積的方式，這種計(jì)算方式讓C(p)的值在修復(fù)過(guò)程中驟降，使得P(p)的值也隨之降低并趨于0，這會(huì)導(dǎo)致優(yōu)先權(quán)計(jì)算的結(jié)果錯(cuò)誤。所以，乘積的方式并不穩(wěn)妥。

其次，Criminisi算法中的匹配塊大小是預(yù)先設(shè)定的，而不同大小的匹配塊會(huì)直接影響到圖像修復(fù)的效果。并且已設(shè)定的匹配塊大小只有一個(gè)數(shù)值，在圖像的修復(fù)過(guò)程中不可更改，但同一幅圖像的不同區(qū)域的信息是不同的，因此可能會(huì)出現(xiàn)大的匹配塊填充小區(qū)域或小匹配塊填充大區(qū)域的狀況，導(dǎo)致過(guò)度修復(fù)或錯(cuò)誤修復(fù)圖像。

改進(jìn)問(wèn)題1：針對(duì)上述所提出的Criminisi的第一個(gè)問(wèn)題，本文在傳統(tǒng)算法的基礎(chǔ)上，構(gòu)造了新的優(yōu)先權(quán)計(jì)算公式。將優(yōu)先權(quán)計(jì)算公式的相乘改為相加，引入權(quán)重系數(shù)μ和β，且μ和β的值均在0到1之間。同時(shí)將置信度改為指數(shù)函數(shù)eC(p)，這樣可以減緩置信度項(xiàng)的下降趨勢(shì)，減少對(duì)P(p)的影響。

改進(jìn)后的優(yōu)先權(quán)計(jì)算公式如式(15)

P(p)=μ×eC(P)+(1-μ)×(β×D(p)+1-β)

(15)

改進(jìn)問(wèn)題2：圖像梯度可反應(yīng)圖像中的紋理和特征信息。因此，為解決匹配塊大小唯一且需要提前設(shè)定的問(wèn)題，根據(jù)圖像在不同區(qū)域的結(jié)構(gòu)特征，結(jié)合圖像的局部梯度變化，預(yù)設(shè)多個(gè)匹配塊大小的數(shù)值，在圖像修復(fù)的過(guò)程中，就可以根據(jù)不同區(qū)域的具體情況選取合適大小的匹配塊，從而實(shí)現(xiàn)自適應(yīng)調(diào)節(jié)匹配塊的大小，改善修復(fù)后圖像的效果。具體的改進(jìn)方法敘述如下。

首先，計(jì)算灰度圖像I的梯度值

(16)

其次，計(jì)算梯度的均值和方差，同時(shí)相除得到g′。式(17)中，pi為像素點(diǎn)

(17)

(18)

最后，根據(jù)車牌圖像破損區(qū)域的特點(diǎn)，利用下列式子選定適合的匹配塊的大小psz

(19)

psz值的設(shè)定可根據(jù)圖像的像素大小以及污損區(qū)域的具體情況進(jìn)行改動(dòng)，初始值為9。

改進(jìn)后的Criminisi圖像修復(fù)算法流程如下：

步驟1 尋找破損區(qū)域的待修復(fù)邊界δΩ；

步驟2 利用式(15)計(jì)算優(yōu)先權(quán)；

步驟4 利用式(19)確定匹配塊的大小；

步驟7 重復(fù)步驟1至步驟6，直至破損區(qū)域被填充完整時(shí)結(jié)束。

3 實(shí)驗(yàn)及分析

本文的實(shí)驗(yàn)操作在IntelI CoreI i5-4200U CPU@1.60 GHz 2.3 GHz，內(nèi)存8 GB，win8.1 64位操作系統(tǒng)的PC機(jī)上完成，通過(guò)MATLAB 2018a軟件平臺(tái)編寫程序?qū)崿F(xiàn)本文敘述的所有方法。

為驗(yàn)證方法的效果，選取光照均勻條件下的藍(lán)底白字的污損車牌圖像，其中包括帶有大面積劃痕、泥點(diǎn)等具有代表性的污損車牌圖像。本文實(shí)驗(yàn)均是在車牌圖像定位和校正之后進(jìn)行操作的。車牌圖像的定位和校正方法如下：

利用車牌底色為藍(lán)色的特征，采用基于顏色空間的方法對(duì)車牌進(jìn)行定位。首先將彩色圖像進(jìn)行色彩空間轉(zhuǎn)換，過(guò)濾出藍(lán)色信息的區(qū)域，然后對(duì)所獲取的區(qū)域進(jìn)行形態(tài)學(xué)處理，根據(jù)車牌的長(zhǎng)寬比設(shè)定閾值，進(jìn)行候選區(qū)域的篩選。最終裁剪出車牌圖像，完成車牌的定位工作。由于車牌圖像會(huì)有傾斜的情況，所以應(yīng)用投影法對(duì)定位后的車牌圖像進(jìn)行校正工作。至此，完成對(duì)車牌圖像的預(yù)處理工作。

3.1 污損區(qū)域提取實(shí)驗(yàn)

實(shí)驗(yàn)中分別采取原始方法和本文方法對(duì)30幅不同類型的污損車牌圖像進(jìn)行污損區(qū)域的提取，本文方法的準(zhǔn)確率可達(dá)到95%。原始方法對(duì)污損區(qū)域的要求較高，只能在對(duì)面積小、污漬形態(tài)簡(jiǎn)單、污漬與車牌顏色相差較大的污損區(qū)域提取時(shí)較為準(zhǔn)確，且準(zhǔn)確率不達(dá)30%。經(jīng)過(guò)比較，原始方法經(jīng)常出現(xiàn)提取錯(cuò)誤的情況，本文方法較原始辦法更為準(zhǔn)確有效。尤其對(duì)帶有劃痕和復(fù)雜污漬的車牌進(jìn)行污損區(qū)域提取時(shí)，效果更為顯著。

選取部分實(shí)驗(yàn)效果圖展示如下。泥點(diǎn)車牌圖像的污損提取如圖5所示。劃痕車牌圖像的污損提取效果如圖6所示。圖7和圖8分別為污跡車牌圖像和涂畫車牌圖像的污損區(qū)域提取效果。

圖5 泥點(diǎn)區(qū)域提取

圖6 劃痕區(qū)域提取

圖7 污跡區(qū)域提取

圖8 涂畫區(qū)域提取

展示的實(shí)驗(yàn)結(jié)果圖中，圖(b)、圖(c)為應(yīng)用原始方法處理圖像的過(guò)程及結(jié)果，圖(d)、圖(e)為本文算法。由圖5(c)可見，未進(jìn)行FCM色彩分割的掩膜圖像在從左至右的第一個(gè)污點(diǎn)處有多余的小線條出現(xiàn)；圖6(c)的掩膜圖像帶有完整的車牌字符，且另幾處的污損區(qū)域沒(méi)有提取到，錯(cuò)誤十分明顯；圖7(c)雖沒(méi)有提取到車牌字符，但是提取到了非污損區(qū)域，使一半不需要修復(fù)的車牌背景圖像都被選中；圖8(c)的長(zhǎng)條狀涂畫中出現(xiàn)了多余的毛刺。相比之下，經(jīng)過(guò)對(duì)待修復(fù)圖像進(jìn)行自動(dòng)確定聚類數(shù)目的FCM圖像色彩分割，圖5(e)、圖6(e)、圖7(e)和圖8(e)掩膜圖像的白色像素區(qū)域與污損車牌的污損區(qū)域均有很好的對(duì)應(yīng)，沒(méi)有明顯的錯(cuò)誤。由此可以看出，本文方法十分有效，具有很強(qiáng)的可行性。

3.2 圖像修復(fù)實(shí)驗(yàn)

為驗(yàn)證改進(jìn)后的Criminisi算法修復(fù)效果的提高，分別利用改進(jìn)后的算法與傳統(tǒng)Criminisi算法對(duì)污損圖像進(jìn)行修復(fù)，將修復(fù)后的圖像質(zhì)量進(jìn)行比較。其中，傳統(tǒng)Criminisi算法的匹配塊大小設(shè)置為9。

由于在實(shí)際應(yīng)用時(shí)無(wú)法獲取車牌受到污損之前的圖像，所以應(yīng)用無(wú)參考圖像質(zhì)量評(píng)價(jià)NIQE(natural image quality evaluator)對(duì)修復(fù)后的圖像質(zhì)量進(jìn)行打分。

NIQE是由德克薩斯大學(xué)提出的一種圖像質(zhì)量評(píng)價(jià)算法。該質(zhì)量評(píng)價(jià)模型不需要原始圖像的主觀評(píng)價(jià)分?jǐn)?shù)[11]，通過(guò)圖像像素歸一化、獲取顯著圖像塊的特征、計(jì)算圖像的質(zhì)量等步驟，利用廣義高斯分布模型GGD(generalized gaussian distribution)以及多元高斯MVG(multivariate Gaussian)模型進(jìn)行建模，計(jì)算相關(guān)參數(shù)，參數(shù)的數(shù)值越大，說(shuō)明與自然圖像的差距越大，質(zhì)量越差。因此，NIQE的分值越小，說(shuō)明修復(fù)后圖像的質(zhì)量越好。

圖9為本文方法與傳統(tǒng)算法分別對(duì)污損車牌圖像進(jìn)行修復(fù)后的圖像效果對(duì)比。

修復(fù)后車牌圖像的NIQE值見表1。

圖9 污損車牌修復(fù)效果對(duì)比

表1 修復(fù)后車牌圖像NIQE值對(duì)比

經(jīng)過(guò)多次實(shí)驗(yàn)，最終選取μ=0.1，β=0.9。

由展示的實(shí)驗(yàn)結(jié)果可以看出，使用傳統(tǒng)Criminisi算法修復(fù)后的車牌圖像都會(huì)出現(xiàn)較為嚴(yán)重的錯(cuò)誤：“甘D”中“3”的下半部分出現(xiàn)了筆畫的向上延伸；“豫K”中字符“3”出現(xiàn)了斷裂，“5”的末尾處有多余的白點(diǎn)；“蘇K”不僅存在殘留的涂畫痕跡，而且字符“0”和“8”出現(xiàn)了黏連，不利于后續(xù)的字符分割工作。剩下的兩幅圖像中都有殘余的涂畫痕跡沒(méi)有去除。而且，改進(jìn)后算法的NIQE分值與傳統(tǒng)算法相比均有所降低。

為了說(shuō)明本文改進(jìn)的Criminisi算法具有通用性，除了上述對(duì)污損車牌圖像的修復(fù)實(shí)驗(yàn)，又選取了多幅受損的自然景觀、靜物圖像進(jìn)行修復(fù)，并對(duì)修復(fù)后的自然景觀等圖像進(jìn)行評(píng)價(jià)打分。

PSNR是一種常用的圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)，利用原圖像與修復(fù)后圖像的均方差值進(jìn)行相關(guān)的計(jì)算，能夠客觀地對(duì)修復(fù)后的圖像質(zhì)量進(jìn)行打分。PSNR計(jì)算的分值越大，說(shuō)明圖像的質(zhì)量越好。為了更準(zhǔn)確地驗(yàn)證本文圖像修復(fù)算法的有效性和修復(fù)后圖像質(zhì)量的改善，本次采取PSNR(peak signal-to-noise ratio) 峰值信噪比和NIQE兩種圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)分別進(jìn)行打分。

在此展示部分實(shí)驗(yàn)效果圖，如圖10所示。

圖10 自然景觀等圖像修復(fù)效果對(duì)比

如圖10所示，受損的黃花圖像經(jīng)過(guò)傳統(tǒng)Criminisi算法的處理，原受損區(qū)域出現(xiàn)了不應(yīng)存在的花蕊(如圖10(b)中方框選中區(qū)域所示)；粉花圖像經(jīng)過(guò)傳統(tǒng)方法的修復(fù)，花瓣上出現(xiàn)了多余的黑色條紋狀雜物；在Criminisi算法修復(fù)后的桃子圖像中，第一個(gè)桃子上方的葉柄被填充到第二個(gè)桃子的果肉部分。而應(yīng)用本文方法修復(fù)后的圖像中沒(méi)有出現(xiàn)明顯錯(cuò)誤，紋理和顏色方面在視覺(jué)上得到了很大的改善。

表2和表3分別展示了修復(fù)后景觀圖像的NIQE值和PSNR值。由表中數(shù)據(jù)可知，應(yīng)用本文提出的算法修復(fù)后的圖像NIQE值比改進(jìn)之前的算法下降了0.1-0.4左右，PSNR值提高了4 dB-8 dB。

表2 修復(fù)后景觀圖像NIQE值對(duì)比

表3 修復(fù)后景觀圖像PSNR值對(duì)比

上述實(shí)驗(yàn)結(jié)果表明，本文提出的改進(jìn)后的Criminisi算法具有通用性，不僅對(duì)污損車牌圖像，而且對(duì)自然景觀、靜物等其它破損圖像均可適用。與此同時(shí)，無(wú)論是通過(guò)人眼的主觀評(píng)價(jià)還是圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)的評(píng)分，都可說(shuō)明本文方法在修復(fù)的效果方面較傳統(tǒng)Criminisi算法有很大的提高。

4 結(jié)束語(yǔ)

本文提出了一種車牌圖像污損區(qū)域的提取及修復(fù)方法。一方面，為解決車牌圖像污損區(qū)域難以獲取的問(wèn)題，提出可以自動(dòng)確定聚類數(shù)目的FCM算法，將其與區(qū)域生長(zhǎng)法結(jié)合使用，提取出污損區(qū)域的掩膜圖像。準(zhǔn)確率可達(dá)到95%。

另一方面，針對(duì)傳統(tǒng)Criminisi圖像修復(fù)算法對(duì)破損圖像的修復(fù)效果差的問(wèn)題，對(duì)Criminisi算法進(jìn)行相應(yīng)改進(jìn)，改進(jìn)后的Criminisi算法可以使車牌字符恢復(fù)到更加完整的效果，使其它圖像有更好的視覺(jué)效果，且計(jì)算修復(fù)后圖像的NIQE值同傳統(tǒng)Criminisi算法相比更低，PSNR值更高，可知改進(jìn)后的算法獲得了更佳的效果。