基于多尺度小波变换的图像识别研究摘要：车牌字符识别是智能交通中关键，而边缘检测是车牌字符识别的一个重要方面。本文基于matlab利用小波变换技术对现实环境中拍摄的车牌字符进行噪声处理，并作出图像的边缘检测研究，设计出适合车牌边缘检测的程序算法，该方法适合车牌字符的相关检测工作。关键词：小波变换；图像识别；Matlab；边缘检测；算法设计：TP751文献标志码：A：1674-9324(2013)44-0159-02一、引言在车牌字符识别分类器的设计中，许多学者针对上述问题进行了研究，提出了许多方案。如运用小波变换进行特征提取、奇异值分解特征提取方法、基于矩和小波变换的方法、采用小波变换和分形维数相结合的方法等。而边缘检测是图像处理领域的一个重要方面，它不仅在分析图像时大量减小了要处理的信息量，而且还保护了目标的边界结构，小波变换通过伸缩和平移等运算功能可对函数或信号进行多尺度的细化分析，解决了Fourier变换不能解决的许多困难问题。以普通汽车车牌的辨识研究为例,如果在天气恶劣的情况下拍摄所得的照片不一定非常清晰，此时需要有一种较为简单、实用的判别方式,可以检测车牌的实用信息,该方法同样适合于普通图像的精细识别。二、实验原理与方法透镜LI、L2和光栏S构成远心测量物镜，光栏S位于前透镜L1的后焦面上，通过光栏中心的主光线经过物镜01后在物空间与光轴平行。一系列物体01、02、…On等通过系统成像在CCD上。其中01与CCD关于系统共弛，它在CCD上形成清晰像。02、…On位于物空间的不同离焦位置？摇，它们的像具有弥散（模糊像）。由于系统主光线平行于光轴，系统对于离焦物体的放大率不变，系统实物图如图1所示。图1多尺度小波变换远心实验系统01〜On待测物体（圆孔）；L1-S-L2,远心测量物镜；S,光栏。现实环境中，由于光强、色度、照射方向变换范围大，牌照区域受到污染或车牌字符部分残缺，摄像机和车牌之间的夹角变化等因素影响，使得车牌的识别复杂化。同时受天气的影响，有的照片可能含有较大噪声。通过拍摄较暗环境下的照片进行处理，可以凸显小波变换对质量较差的照片的强大的处理能力。三、基于Matlab的小波变换实验1.车牌照片Matlab小波处理。经过处理之后的图片中的车牌号已很难辨认。利用小波分析，通过小波包分解过滤噪声，对比前后两张图片，消噪后的图片与含噪图像相比，明显清楚了很多，已可以分辨出车牌号，利用小波作边缘检测，如图2所示。图2多尺度小波变换实验系统图片通过检测二维小波变换的模的极大点可以确定图像的边缘点。沿着界边方向，将任意尺度下的边缘连接起来可以形成该尺度下沿着边界的模极大曲线。小波变换能把图像分解成多种尺度成分，并对大小不同的尺度成分采用相应的时域或者空域取样步长，从而能不断聚焦到任意对象微小细节。利用小波变换的多尺度特性，正好可以用于图像的边缘检测。2.车牌字符识别。车辆牌照识别系统的基本工作原理为：将摄像头拍摄到的包含车辆牌照的图像通过视频卡输入到计算机中进行预处理，再由检索模块对牌照进行搜索、检测、定位，并分割出包含牌照字符的矩形区域，然后对牌照字符进行二值化并将其分割为单个字符，然后输入JPEG或BMP格式的数字，输出则为车牌号码的数字。原车牌图像在经过一系列的处理后，变为了一种只存在黑色区域和白色区域的图片，图片中白色的部分就是车牌所在的区域，如果我们按照像素灰度值标记白色区域的起始位置，则可以确定原图像中车牌的位置，进而从中分离出-来。图3车牌字符处理将彩色图像二值化，处理后整个图像呈现明显的黑白效果二值化处理后的图像，其集合性质只与像素值为。或255的点的位置有关，不再涉及像素的其他级值，处理过程简单，且数据的处理和压缩量小。将车牌图像进行垂直方向的投影，得到的投影图应有多个相对集中的投影峰值群，只要根据峰值群的特点进行分割，就可以得到车牌的字符。如图3所示。车牌识别系统作为智能交通系统中重要的一部分，近年来引起专家们的重视，并已有部分产品投入使用。但在实际使用过程中，仍存在系统移植性差、对光照的适应性差、准确率不够高等缺点，在后续处理中还需人工辅助完成，所以对车牌识别系统的算法的...