本 科 毕 业 设 计
图2.3 车型灰度图
第 6 页 共 32 页
为了能够很好的实现车型的识别，必需使车型图像有清晰的轮廓不能含有高频噪声，为了达到这个目的，就必须要对图像滤波去噪，改善图像的质量。图像中存在的噪声一般都是一些随机信号，通过试验和对比，得出中值滤波后效果较好。
中值滤波的原理是确定一个邻域,然后排序像素灰度值,并将中间的值作为像素灰度新值。此邻域即为窗口。中值滤波的一维算法的定义为:当n 为奇数时,中值就是n 个数χ1 ,χ2 , ..,χn按数值大小顺序处于中间位置的数;当n 为偶数时,中值是两个中间数的平均值。中值用符号med (χ1 ,χ2 , ..,χn ) 来表示。例如:
Med (0 ,1 ,3 ,4 ,6) = 3
}表示,其中(i ,j) 取
zzy遍2或2的某子集。A为波器窗口,其尺寸为N = (2 K + 1)×(2 K+ 1) , ij是窗口A 在xij的中值,则: yij = med{xi + r , xj + s , ( r ,s) ∈A} （2-1）
图像在交通场景中获得的会含有大量的点状或尖峰状噪声，大部分是由于天气等原因引起的，而且运动速度较快会引起运动模糊现象。滤波处理就是要有效地去除这两种噪声。经过分析比较本设计采用时域去噪中的中值滤波法，它不仅可保持较好的图像边缘，还具有抑制干扰脉冲和点状噪声的作用。
将邻域中的像素按照灰度级进行排序,然后选择本组中的中间值作为输出像素值中值滤波算法在二维下的定义为: 数字图像各点的灰度值用{
xij的一种领域运算，我们称之为中值滤波器。这种邻域运算的具体步骤如下：首先让模板在图像中移动，在移动的过程中要使图像中某个像素与模板的中心位置重叠，然后读取模板下一个与像素相对应的灰度值，把所读取的灰度值按照从小到大的顺序排成一列，并且从这一列灰度值中找出处在中间的哪一个，最后将找出的这个中间值赋予与模板中心相对应的那个像素。在数子图像的处理中，常用的滤波窗口有圆形、方形等。本设计中运用常用的方形窗口进行滤波，窗口大小根据所滤波范围选取，一般选用3*3或5*5的。
滤波的常用方法有平均滤波、均值滤波和中值滤波等，平均滤波使得图像的边缘变模糊，不利于车型图像的特征提取。均值滤波为非常典型的线性滤波算法。中值值滤波可以达到去除噪声的效果，因为受到干扰的像素灰度值与它临近的某些像素的灰度值有很大的差异，因此中值滤波后的结果是将此干扰点灰度值变成其临近某些像素的灰度值。从而很好的去除噪声。中值滤波背景和车型如图2.4、图2.5：
本 科 毕 业 设 计
图2.4 背景图中值滤波图
图2.5 车型图中值滤波
第 7 页 共 32 页
2.2.3图像差分
随着计算机技术飞速的发展，图像分析的各种相关应用也在向各个领域各个行业不断的深入。彩色图像虽然比灰色图像包含更为丰富的信息，但是也有很多的问题和困难
本 科 毕 业 设 计
第 8 页 共 32 页
随之存在着，其中很重要的一个方面就是在周围环境的影响下，各种照明的光线条件会对图像产生相对应的影响。所以，以色彩作为特征的各种图片分析，在光线照明的影响下会变得极其敏感，可能就在其一点点的光照影响下而发生非常明显的变化。
背景差分法的原理是：现拍摄要识别的某一路段背景图，背景图最好没有车辆或其他移动物体的存在，这样可以排除其他因素的干扰，对实验的运行有较好的成果。将获得的车型图像和背景图像做差得到差值图像。通过对差值图像进行二值化等处理可以得到当前输入图像中车辆的基本轮廓图形。这种算法能够检测运动车辆和静止车辆，因为拍摄图像与背景图的相差部分都能被检测到；该算法有以下优点：（1）运算速度较快；（2）算法对光线变化不敏感，鲁棒性强；（3）不涉及求取均值等较耗费时间的运算。此方法的缺点是随着环境的时刻变化，背景也在不断变化，因此必须定期更新背景图像。
图像差分也称为图像的减法，常用于检测图像变化，在利用图像减法处理图像时，往往需要考虑背景的更新机制，尽量补偿因天气、光照等因素对图像显示效果造成的影响。
图像差分函数调用方法如式（2-2）：
A=imsubtract(B,C); （2-2） 公式中B、C分别代表要相减的两幅图像。差分所得图像如图2.6。
图2.6 差分图
由图2.6看出，将车辆图像与背景图像做差后，两图中相同的部分已经全部被去除，
本 科 毕 业 设 计
作。
2.2.4图像二值化
第 9 页 共 32 页
只留下较为模糊的车型轮廓，这只是车型轮廓的雏形，之后会有对此轮廓做更细致的操
图像二值化处理就是将全部亮度等级图像通过合适的阈值选择而获得能够反映图像全局和部分特征的二值化图像。图像处理中，一般要先把灰度像素二值化，以便于对图像进一步的处理时，不涉及像素的多级值，而且占用的存储空间较小，运算较快，更重要是的能够得到图像的一些几何特征或其他特征信息。
二值化后图像如图2.7：
图2.7 图像二值化
在选择合适的阈值的条件下，做二值化可以得到较为清晰的车型轮廓，只是边界或内部都较为凌乱。接下来会将这些令人不满意的地方着重修改。 2.2.5边缘检测
边缘检测目的就是要加强图像轮廓信息，是图像中各个物体的轮廓比原图像更加分明，便于图像特征提取，得到清晰的目标特征轮廓信息。
边缘检测是图像处理中很重要的技术，因为图像的边缘包含有大量信息，对图像做边缘检测可以使边界信息更加明显，所以边缘的确定与提取对于目标图像的是别来说是非常重要的步骤，也是图像分割不可缺少的一部分。
基于以上的一系列处理我们已经得到了图像较模糊粗犷的轮廓形状，边缘检测
本 科 毕 业 设 计
第 10 页 共 32 页
将像素亮度变化较大的边界像素检测处理，将检测出边缘的图像再做一些处理就可以进
行车型特征提取和形状分析了。边缘检测不同的算子有不同的特点，有Sobel算子、 Prewitt算子、Roberts算子、Log算子和Canny算子边缘检测。本设计对各种算子的边缘检测效果做了以下对比。
Canny算子在处理受加性噪声影响的图像边缘检测效果最好，边缘定位精度高，单边响应效果好，幅值和方向角可用直角坐标到极坐标的坐标转化来计算，如式2-3:
22M[ i , j ] = P[ i , j ]+ Q[ i , j ] - （ 2-3 ）
H [ i , j ] = arctan( Q[ i , j ] / P [ i , j ] )M[ i , j ]反映了图像在的边缘强度， H ( i , j )反映了图像边缘的方向。使得 M[ i , j ]取得局部最大值的方向角 H ( i , j ) ,就反映了边缘的方向。
Canny算子的边缘检测效果如图2.8。
图2.8 Canny边缘检测
Roberts算子由于只对邻近的灰度像素操作，对噪声较敏感，不能很好抑制噪声。是较简单的梯度算子，其2×2模板如图2.9。