7、车牌定位图像增强与 HRRP 运动补偿新方法

车牌定位图像增强与 HRRP 运动补偿新方法

车牌定位图像增强

随着人口增长和人们出行方式的改变，智能交通系统（ITS）技术成为解决交通拥堵的关键研究课题，而车牌定位是 ITS 中车辆车牌识别的重要环节。在某些光照条件下，精确识别车牌具有一定难度，因此在车牌定位前增强低对比度图像至关重要。特别是在工业相机拍摄的图像中，曝光不足或过度曝光时，图像的边缘细节会被遮挡。

常见的数字图像增强方法有全局直方图均衡化（GHE）。GHE 的原理是重新分配图像的灰度级，生成具有均匀概率密度函数的图像。该方法通常能有效提高图像对比度，且易于实现，还能增加图像的熵，从而获取更多信息。然而，GHE 也存在一些缺点，例如对高概率值的强度级别过度增强，而对低概率值的级别则会导致对比度损失。由于背景区域通常占据图像的大部分，因此与感兴趣的对象相比，背景区域会被过度增强，所以 GHE 并非增强车牌图像的最有效方法。

另一种广泛使用的增强算法是灰度拉伸。Yuan 提出的方法如下：
[
I_{i,j}’ =
\begin{cases}
I_{x,y} \times \frac{255}{a}, & I_{x,y} < a \
\frac{I_{x,y}-a}{b - a} \times (d - c) + c, & a \leq I_{x,y} < b \
\frac{I_{x,y}-b}{255 - b} \times (255 - d) + d, & I_{x,y} \geq b
\end{cases}
]
其中，$I_{x,y}$ 是源图像像素的灰度值，其灰度范围为 $[a, b]$