基于区域生长算法的车牌图像分割

吴 聪， 殷 浩， 黄中勇， 王 凯

(1 湖北工业大学计算机学院， 湖北 武汉 430068； 2 中建三局安装工程有限公司， 湖北 武汉 430064)

基于区域生长算法的车牌图像分割

吴 聪1， 殷 浩1， 黄中勇1， 王 凯2

(1 湖北工业大学计算机学院， 湖北 武汉 430068； 2 中建三局安装工程有限公司， 湖北 武汉 430064)

准确分割车牌图像，可为分割目标的提取奠定良好的基础。试验中采用基于OTSU和区域生长的算法，实现了车牌图像的精准分割，通过最大类间方差法得到自适应阈值，代替了传统手动选择阈值的方法，再结合中值滤波对图像进行预处理，避免了传统阈值造成的过分割或者欠分割现象，且预防图像噪声，使得图像像素值变得缓和，从而有效地分割出车牌图像。

最大类间方差；区域生长；车牌分割；中值滤波

车牌图像分割一直是图像识别系统处理技术中的一个经典难题，而且是图像分析和识别阶段需首要解决的前提，同时也是制约车牌图像处理中可视化、不同模态图像配准和融合、事故图像三维重建等相关技术发展与应用的瓶颈。

图像分割是基于图像灰度值的性质而运用具体的算法解决问题，把图像分割成一系列有意义的、各具特征的目标或区域的技术和过程；如图像的纹理、颜色、灰度级和梯度等特征都会影响图像分割和提取的效果。有些图像需要研究人员进行初步分割，从而得到初步的区域信息，对接下来的分割会起到很大的作用。同时，由于图像的种类和分割结果的好坏直接影响图像的识别过程，因此，在采取的分割算法上面，需要针对具体问题而分析[1]。

在交通部门中，车辆的信息是依靠登记的车牌号码进行区分的。车牌定位其实就是图像的区域分割，即从不相关的图像中提取出所需的块、轮廓或者线段。本文采取了区域生长的方法对车牌进行定位，对于定位中像素灰度值阈值的选择，结合最大类间[2-3]方法进行自动选择。

1 区域生长基本原理

区域生长法的基本思想是把相似的像素构成一个集合。首先选取一组生长点，然后依次将种子像素周围具有相同性质或者相似性质的像素合并到种子像素所在的区域中，形成新的生长点，重复此过程直到不能生长为止，在相似性准则的选取上，定义如下公式用于选取临近的像素。

区域生长法的 3 个步骤：选出合适的种子点；确定再生长模板准则；制定出能让生长停止的条件。区域生长法的优点是计算简单、高效，特别适用于简单、规律性强的图像，其缺点是：它需要人工交互以获得种子点，同时，对噪声也敏感，容易造成过分割或者欠分割。本文采用OTSU自动选择阈值代替传统阈值选择法，从而避免了这些现象的发生。如 Jiang HuiYan 等人[4]将区域生长算法和 OSTU 算法相结合；赵泉华等人结合区域划分分别对模拟纹理图像、遥感图像、自然纹理图像和 SAR 海冰图像进行了分割实验，并验证了该算法的有效性；杨卫莉等人[5]在 2008年提出了一种基于区域生长和蚁群聚类的图像分割方法。图像阈值法较直观并容易实现，但分割后不免灰度值与背景区域相接近，从而产生噪声干扰，黄谊和任毅[6]采用阈值分割法和区域生长法相结合的方法有效解决了这些问题；于水等人[7]在区域生长的标准中融合图像的纹理信息和灰度信息；Law 等人[8]把区域生长算法的平面特征扩展到三维空间；2012年 Park J等人[9]为了精准分割出低对比度的复杂医学图像，使用并行边界与区域相结合的方法对不同医学图像进行分割，实验结果表明该方法的有效性；牟涛等人[10]把区域生长和图论相融合进行图像分割，该方法能解决图像过分割的现象；王品等人[11]结合区域生长和小波的方法，分离出乳腺细胞和背景，最后采取数学形态学对黏连细胞一次性分割，保证了去黏连的准确性和鲁棒性；姜慧研等人[12]结合区域生长的方法，从腹部CT图像分离区肝脏的图像，证明了该方法减少了分割时间，提高了图像分割的质量。

所以区域生长法常常通过结合其他方法，先确定像素值的差异，选择合适的阈值用来分割图像中像素值差别不是很大的图像，同时，为了克服区域生长法的缺点，通常需要融合其它不同种算法，以达到精准分割的目的。

2 基于区域生长算法的车牌提取方法

对于车牌图像，传统的区域生长算法需要手动选取阈值，阈值过高或者过低，都会造成图像过分割或者欠分割的现象，为选取合适的阈值花费很多时间，区域生长容易受到噪声影响，不能准确的提取目标区域，为了解决以上问题，本文提出一种新的区域生长算法提取目标。

2.1 算法流程图

对输入的图像进行中值滤波，然后通过寻找符合车牌图像的阈值像素点进行区域生长，具体流程见图1。

图 1 算法流程图

2.2 算法实现

首先读取原始图像，并且获得图像的原始像素值信息，对原始图像直接进行区域生长，很难提取原始车牌图像的相关信息，故先对图像进行中值滤波，使得车牌区域像素平滑以及平缓化，然后采取最大类间方差法选择车牌图像区域的阈值，使得后续步骤中区域生长更加容易判定。由于车牌图像像素值差异化不大，本文采取的方法避免了过分割或欠分割现象的发生。而上文中谈及的研究者所研究的图像内容灰度值跳跃性较大，如果单一采取本文中的方法不利于分割出目标图像，而且得到的效果非常不理想[13-14]。

2.2.1 预处理 中值滤波的原理很简单，它把某区域内部的像素按照从小到大排列，取排序结果的中间值作为该像素的灰度值，中值滤波通常取含奇数个像素的窗口。

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，统计排序先对模板覆盖区域的像素按照灰度值进行排序，然后选择排序结果中的某个值作为输出结果。若取最大值，则为最大值滤波器，可用于检测图像中最亮的点。若取最小值则为最小值滤波器，用于检测最暗点。其方法是用二维滑动模板，将模板区域内像素值进行大小排序，生成单调的二维数据序列。首先确定一个奇数像素的窗口W，窗口内各像素按灰度大小排队后，用其中间位置的灰度值取代原f(x,y)灰度值，成为窗口中心的灰度值g(x,y)。其公式如下：

g(x,y)=Med{f(x-k,y-l),(k,l∈W)}

式中W为选定窗口大小；f(m-k,y-l)为窗口W的像素灰度值。若W为奇数，经过排序后将选择中间值作为像素值。若W为偶数，经过排序后将取中间位置两数的平均值作为像素值。

二维模板的窗口和尺寸对滤波效果影响较大，不同的应用要求往往采用不同的窗口尺寸和形状，常见的形状有线状、圆状、十字形状及圆环形状等。其中心点一般位于被处理点上，窗口尺寸一般先用3再取5逐点增大，直到滤波除去噪声满意为止[15-17]。原图与各滤波后图对比见图2。

(a)中值滤波与原始图像对照

(b)高斯滤波与原始图像对照

(c)均值滤波与原始图像对照图 2 原图与滤波后图对比

2.2.2 最大类间方差法 1979年，日本学者大津提出一种能够自适应阈值确定的方法，命名为最大类间方差法，俗称大津法，简称OTSU。它根据图像的灰度特性而分为背景和目标两部分，当背景和目标之间的像素值波动性越大,说明这两部分的差别越大，反之,差别越小。因此，类间方差法出错概率小。

选择合适的阈值将前景和背景这两部分分割出来。具体算法如下：

1)根据图像像素数N和灰度范围[0,L-1]求出每个灰度级的几率

Pi=ni/N,i=0,1,2,…,L-1

2)把图像中的像素按照灰度值分成两类:C0和C1，其中C0由[0,T]之间的像素组成，C1由灰度值在[T+1,L-1]之间的像素组成，根据灰度分布的几率，求得整个图像的均值：

C0和C1的均值分别为

其中：

ϖ1=1-ϖ0

由上式可得：

uT=ϖ0u0+ϖ1u1

则类间方差定义为：

δ2=ϖ0(u0-uT)2+ϖ1(u1-uT)2

此时，即需要取合适的T值使得δ2最大，则T为最大类间方差法的最佳阈值。

3 实验结果与分析

本文采用区域生长和OTSU的方法对车牌图像进行分割，不同于其它研究者采取的手动分割方法，其分割效果和时效性都有显著性提高。从实验结果(图3)可以看到，利用区域生长法可以从复杂的汽车背景中把汽车车牌图像从背景中提取出来。但在试验中，如果单一的采取区域生长法，由于人为因素的存在，分割结果不是很令人满意。结合了OTSU方法后，解决了阈值的选择问题，实现将汽车车牌从汽车背景中的分离。区域生长法主要是把图像的灰度变化作为生长准则，是灰度跟踪技术的一种，需要结合其它不同方法以提高其时效性。

图 3 试验结果图

4 结论

本文试验是基于Windows平台下MATLAB2014a进行试验的，单一的分割方法效果不是很理想，两种或者多种方法的融合，从而实现了多种方法之间的优势互补，实验结果表明采取单一的区域生长法，在试验结果中，对生长条件的选取方面有很多不确定性的因素，需要多次点击以获得更加准确的生长起始条件，从而分割出车牌图像区域，欠缺时效性，为了给研究节省出更多的宝贵时间，本文结合最大类间方差法，从而避免了手动选取阈值的缺陷。试验证明，本实验的分割方法处理较好。

[1] 张甫 李海舰. 浅谈区域生长法在车牌定位中的应用[J]. 科技创新与应用 , 2012,9(24):24-24.

[2] 常志军, 杨 鑫. 一种生物在体荧光成像的自适应分割算法 [J]. 计算机工程 , 2011, 37(4):218-220.

[3] 刘有军, 杜建军, 陆建荣, 等. 基于自适应区域的医学图像自动分割[J]. 北京工业大学学报, 2010, 36(8):1124-1129.

[4]Jiang,Hui-Yan,Si,Yue-Peng.MedicalimagesegmentationbasedonimprovedOstualgorithmandregionalgrowthalgorithm[J].JournalofNortheasternUniversity,2006,27(4):398- 401.

[5] 杨卫莉, 郭雷, 许钟, 等. 基于区域生长和蚁群聚类的图像分割[J]. 计算机应用研究, 2008, 25(5):1579-1581.

[6] 黄 谊, 任 毅. 基于阈值法和区域生长法的图像分割算法研究 [J]. 电子测试, 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 涛 陈文斌 沈一帆. 一种融合区域生长与图论的图像分割方法[J]. 计算机工程与应用, 2005(19):32-34.

[11] 王 品, 胡先玲, 谢文宾, 等. 多尺度区域生长与去粘连模型的乳腺细胞分割[J]. 仪 器 仪 表 学 报, 2015, 36(7):1653-1659.

[12] 姜慧研, 冯锐杰. 基于改进的变分水平集和区域生长的图像分割方法的研究[J]. 电子学报, 2012, 40(8):1659-1664.

[13] 汪亮, 金福江, 陈峻严. 基于区域生长和FCM模糊聚类的颅内出血CT图像分割[J]. 系统仿真学报, 2014, 26(2):231-235.

[14]YouJianjie,ZhouZeming,PhengAnnHeng,etal.Simula2tedAnnealingBasedSimplifiedSnakesforWeakEdgeMedi2calImageSegmentation[J] .JournalofImageandGraphics,2004,9 (1) :11-17.

[15] 赵泉华, 高 郡, 李 玉. 基于区域划分的多特征纹理图像分割[J]. 仪器仪表学报, 20151, 36(11):2519-2530.

[16] 龙建武 申铉京 陈海鹏. 基于图像区域的交互式文本图像阈值分割算法[J]. 计算机研究与发展, 2012, 49(7):1420-1431.

[17] 陆剑锋,林海,潘志庚.自适应区域生长算法在医学图像分割中的应用[J] . 计算机辅助设计与图形学学报,2005,17(10) :2168-2173.

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

[责任编校： 张岩芳]

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

国家自然科学基金青年项目(61300127)； 湖北省自然科学基金项目(2012FFB00701)

吴 聪(1982-)， 男，湖北武汉人，工学博士，湖北工业大学副教授， 研究方向为医学图像处理

1003-4684(2017)02-0058-04

TP391

A