个人学习日记-用matlab简单实现车牌识别_车牌识别matlab-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_64434213/article/details/143938704

1.代码实现及逐层解析

1.1核心代码

clc; % 清除命令窗口。
clear; % 清除工作区中的所有变量。

% 导入图像
Img = imread("car.png"); % 读取图像文件 "car.png"。
figure, imshow(Img), title('原图'); % 显示原始图像，并设置标题为 "原图"。

% 图像增强，调整对比度
j = imadjust(Img, stretchlim(Img)); % 调整图像对比度，使用拉伸限制范围的方法。

% 灰化图像
grayImage = rgb2gray(j); % 将增强后的图像转换为灰度图。
figure, imshow(grayImage);
title('经过灰化后的图像'); % 显示灰度图，并设置标题为 "经过灰化后的图像"。

% 平滑处理 - 使用高斯滤波减少噪声
smoothedImage = imgaussfilt(grayImage, 2); % 高斯滤波，标准差为 2。
figure, imshow(smoothedImage), title('平滑处理后的图像'); % 显示平滑后的图像。

% 锐化处理 - 使用拉普拉斯算子增强边缘
sharpenedImage = imsharpen(smoothedImage, 'Radius', 2, 'Amount', 1); 
% 锐化图像，半径为 2，增强强度为 1。
figure, imshow(sharpenedImage), title('锐化处理后的图像'); % 显示锐化后的图像。

% 边缘检测
edgeImage = imbinarize(sharpenedImage); % 对锐化后的图像进行二值化。
[e1, s1] = edge(edgeImage, 'sobel', 0.03, 'both'); 
% 使用 Sobel 算子进行边缘检测，阈值为 0.03，检测双边缘。
figure, imshow(e1), title('经过边缘检测后的图像'); % 显示边缘检测后的图像。

% 形态学处理
se1 = [1; 1; 1]; % 定义腐蚀操作的结构元素（线性结构）。
erodedImage = imerode(e1, se1); % 腐蚀操作，去除细小噪声。
figure, imshow(erodedImage), title('经过腐蚀后的图像'); % 显示腐蚀后的图像。

se2 = strel('rectangle', [15, 45]); % 定义闭操作的矩形结构元素（15×45）。
closedImage = imclose(erodedImage, se2); % 使用闭操作填补间隙。
figure, imshow(closedImage), title('经过闭合的图像'); % 显示闭合后的图像。

% 提取车牌区域
stats = regionprops(closedImage, 'all'); 
% 提取闭合图像中每个区域的属性（包括面积和边界框等）。
areas = [stats.Area]; % 获取所有区域的面积。
[idx, max_area] = max(areas); % 找到面积最大的区域的索引和面积。
cropped_image = imcrop(sharpenedImage, stats(max_area).BoundingBox); 
% 根据面积最大的区域的边界框裁剪图像，提取车牌区域。
figure, imshow(cropped_image);
title('定位到的车牌'); % 显示裁剪出的车牌区域。

% 二值化车牌图像
binaryPlate = imbinarize(cropped_image, 'adaptive'); % 自适应阈值二值化车牌图像。
figure, imshow(binaryPlate), title('二值化车牌'); % 显示二值化的车牌。

% 字符分割
characterRegions = regionprops(binaryPlate, 'BoundingBox', 'Area'); 
% 获取车牌中每个字符区域的边界框和面积属性。
characterRegionsTable = struct2table(characterRegions); 
% 将字符区域的结构体转换为表格。
boundingBoxes = characterRegionsTable.BoundingBox; % 提取表格中 BoundingBox 列。
xCoordinates = boundingBoxes(:, 1); % 获取每个区域的 x 坐标。
characterRegionsTable.x = xCoordinates; % 在表格中添加 x 坐标列。
sortedRegions = sortrows(characterRegionsTable, 'x', 'ascend'); 
% 按 x 坐标升序排列字符区域。
characterImages = {}; % 初始化存储分割字符图像的单元数组。

for i = 1:height(sortedRegions)
    charBBox = table2array(sortedRegions(i, 'BoundingBox')); 
    % 获取当前字符的边界框。
    charArea = table2array(sortedRegions(i, 'Area')); 
    % 获取当前字符的面积。
    if charArea > 500 % 忽略面积小于 500 的噪声区域。
        charImage = imcrop(binaryPlate, charBBox); 
        % 根据边界框裁剪字符图像。
        charImage = imresize(charImage, [20 20]); 
        % 将字符图像调整为 20×20 的固定大小。
        characterImages{end+1} = charImage; % 保存分割的字符图像。
        figure, imshow(charImage), title(['分割的字符 ' num2str(i)]); 
        % 显示当前分割的字符图像。
    end
end

% 字符识别
templates = loadTemplates(); % 加载字符模板（假设已实现模板加载函数）。
plateNumber = ''; % 初始化车牌号字符串。
for i = 1:length(characterImages)
    charImage = characterImages{i}; % 获取当前字符图像。
    recognizedChar = matchCharacter(charImage, templates); 
    % 使用模板匹配方法识别字符。
    plateNumber = [plateNumber recognizedChar]; 
    % 将识别出的字符拼接到车牌号字符串中。
end

disp(['车牌号为： ', plateNumber]); % 输出识别出的车牌号。

1.2字符集模版代码

function templates = loadTemplates()
    % 定义模板字符集，可以包括字母和数字
    chars = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z', ...
             '0', '1', '2', '3', '4', '5', '6', '7', '8', '9'];

    % 创建一个结构数组来存储模板
    templates = struct();
    
    % 为每个字符加载对应的模板
    for i = 1:length(chars)
        filename = ['templates/' chars(i) '.jpg'];  % 假设模板图片以字符命名
        if exist(filename, 'file')
            templates(i).char = chars(i);
            templates(i).image = imread(filename);
        else
            warning('模板文件 %s 不存在！', filename);
        end
    end
end

1.3匹配字符代码

function recognizedChar = matchCharacter(charImage, templates)
    bestMatchScore = -Inf;  % 初始化匹配分数
    recognizedChar = '';    % 初始化识别结果

    % 将 charImage 转换为灰度图像（如果它是彩色图像）
    if size(charImage, 3) == 3
        charImage = rgb2gray(charImage);
    end
    
    % 转换为 double 类型，以便 normxcorr2 可以正确处理
    charImage = im2double(charImage);
    
    % 遍历所有模板进行匹配
    for i = 1:length(templates)
        templateImage = templates(i).image; % 获取模板图像
        
        % 如果模板图像是彩色的，则转换为灰度图像
        if size(templateImage, 3) == 3
            templateImage = rgb2gray(templateImage);
        end
        
        % 转换为 double 类型
        templateImage = im2double(templateImage);
        
        % 使用归一化互相关计算匹配度
        corrScore = normxcorr2(templateImage, charImage);
        
        % 查找相关性矩阵中的最大值，表示最匹配的位置
        maxScore = max(corrScore(:));
        
        if maxScore > bestMatchScore
            bestMatchScore = maxScore;
            recognizedChar = templates(i).char; % 记录当前最匹配的字符
        end
    end
end

2.一些重要函数的作用及解释

2.1函数 `stretchlim` 的作用

stretchlim 用于计算图像亮度范围（即灰度值）的上下限，用于对比度拉伸。它会忽略一部分极小的像素值（通常是极暗或极亮的像素），避免这些像素过度影响调整结果。

语法：

limits = stretchlim(Img, tol)

Img: 输入图像，可以是灰度图或 RGB 图像。
tol: 阈值范围，表示忽略的低端和高端像素比例（默认为 [0.01, 0.99]，即忽略最暗 1% 和最亮 1% 的像素）。
limits: 返回两值的向量 [low, high]，即被认为有效的灰度范围。

例如，对于灰度图像，[low, high] 表示仅保留灰度值在 low 和 high 之间的像素范围，超出范围的像素会被压缩。

2.2函数 `imadjust` 的作用

imadjust 是 MATLAB 中常用的对比度调整函数，可以将图像的灰度值拉伸到指定范围。

语法：

adjustedImg = imadjust(Img, [low_in high_in], [low_out high_out])

[low_in high_in]: 输入图像的灰度范围（由 stretchlim 提供）。
[low_out high_out]: 输出图像的灰度范围（通常是 [0, 1]，即全灰度动态范围）。

它将灰度值线性映射到新范围，增强图像对比度。

2.3函数 `imgaussfilt的作用`

专用函数 imgaussfilt，可以轻松实现高斯滤波。高斯滤波（Gaussian Filtering） 是一种利用高斯函数分布的权重对图像进行平滑处理的滤波方法，常用于减少图像中的噪声，同时保留边缘细节信息。其核心思想是：

赋予中心像素较高的权重，周围像素较低的权重。
去除局部的快速变化（如噪声），使图像平滑。

语法：

smoothedImage = imgaussfilt(Img, sigma);

Img：输入图像。
sigma：高斯分布的标准差，控制模糊程度（较大的值会导致更强的模糊效果）。

通过调节 sigma 的值，可以控制噪声去除的程度和图像模糊程度。

2.4函数 `imsharpen的作用`

MATLAB 提供了 imsharpen 函数，用于对图像进行锐化处理，内部实现可以基于拉普拉斯算子。拉普拉斯算子（Laplacian Operator） 是一种常用的边缘增强方法。它通过计算图像像素的二阶导数，边缘区域的像素变化较大，因此二阶导数值高，可以用来检测边缘。突出图像中的高频部分（如边缘和细节），从而达到增强边缘的效果。

拉普拉斯算子主要用于：

增强边缘：突出图像中的边缘区域。
抑制平滑区域：平坦的区域由于像素值变化小，会被弱化。

代码解析：

sharpenedImage = imsharpen(smoothedImage, 'Radius', 2, 'Amount', 1);
figure, imshow(sharpenedImage), title('锐化处理后的图像');

参数说明：

smoothedImage：输入图像（通常是经过平滑处理后的图像）。
'Radius'：锐化时的影响半径（决定边缘增强的范围）。
'Amount'：增强强度，数值越高，边缘越明显。

拉普拉斯算子能突出图像中的细节和边缘，直接通过卷积操作即可完成。如果图像噪声未被平滑处理，噪声也会被增强，对原始图像的平滑程度要求较高。

2.5函数`imbinarize的作用`

自动二值化函数imbinarize内部会根据图像特性选择合适的阈值。二值化（Binarization） 是图像处理中将图像像素值转换为两个值（通常是 0 和 1 或黑白）的操作。边缘检测中的二值化是将边缘提取结果转换为清晰的二值边界图像，便于后续处理（如形态学操作、目标区域提取等）。

代码解析：

edgeImage = imbinarize(sharpenedImage); % 对锐化后的图像进行二值化
[e1, s1] = edge(edgeImage, 'sobel', 0.03, 'both'); % 使用 Sobel 算子进行边缘检测

imbinarize:
- 自动二值化函数，根据图像像素值分布动态计算阈值。
- 将锐化后的图像（灰度图）转化为二值图像。
edge:
- 采用 Sobel 算子进行边缘检测。
- 参数说明：
  - 'sobel'：指定使用 Sobel 算子。
  - 0.03：边缘检测的阈值，越低会检测更多边缘。
  - 'both'：检测图像水平和垂直方向的边缘。

2.6函数edge的作用

MATLAB 中的 edge 函数用于 边缘检测。它可以检测图像中灰度值变化剧烈的区域，这些区域通常是图像的边缘部分。edge 支持多种边缘检测方法（如 Sobel、Canny、Prewitt 等），适用于不同的应用场景。

语法：

BW = edge(I, method, threshold, direction)

参数解释

I:
- 输入图像，可以是灰度图像或二值图像。
- 如果是彩色图像，需先转换为灰度图（使用 rgb2gray）。
method:
- 指定边缘检测算法。支持以下方法：
  - 'Sobel'（默认）：基于图像梯度计算的经典边缘检测方法。
  - 'Prewitt'：类似于 Sobel，但对噪声的抑制能力稍弱。
  - 'Roberts'：适用于检测快速变化的边缘。
  - 'Canny'：常用的边缘检测方法，结合噪声抑制和精确边缘检测。
  - 'log'：基于拉普拉斯高斯算子的边缘检测。
  - 'zerocross'：检测图像二阶导数的零交叉点。
threshold（可选）:
- 边缘检测的阈值（通常是梯度值）。默认为自动计算。
- 单一值：所有大于该值的像素被认为是边缘。
- 两个值（仅对 'Canny' 有效）：分别表示低阈值和高阈值，用于双阈值检测。
direction（可选）:
- 指定检测的方向。适用于 Sobel、Prewitt 和 Roberts 算子：
  - 'horizontal'：只检测水平方向的边缘。
  - 'vertical'：只检测垂直方向的边缘。
  - 'both'（默认）：同时检测水平方向和垂直方向的边缘。

2.7函数`imerode的作用`

腐蚀（Erosion）是图像形态学中的一种基本操作，主要用于缩小目标区域，去除噪声，或分离目标。它通常用于二值图像处理，但也可以扩展到灰度图像。腐蚀操作通过一个称为结构元素（Structuring Element, SE）的窗口，对图像进行像素值的最小值运算。

二值图像中的腐蚀：

结构元素在目标图像上滑动。
如果结构元素的所有白色像素都完全被图像中的白色像素覆盖，则输出对应位置像素为白（值为 1）；否则为黑（值为 0）。
结果是：目标区域的边界被“侵蚀”，目标变得更小。

语法：

erodedImage = imerode(inputImage, se);

inputImage：输入图像（通常是二值图像）。
se：结构元素（可以通过 strel 函数生成）。
erodedImage：腐蚀后的输出图像。

腐蚀操作的优缺点：

优点：简单高效，适用于噪声去除和目标区域分离；可以灵活调整结构元素，适应不同应用场景。

缺点：会导致目标区域的尺寸缩小，可能丢失重要信息；对细小目标或弱边缘有较大影响。

2.8 函数`imclose的作用`

MATLAB 提供了 imclose 函数，用于实现闭操作。闭操作（Closing）是形态学处理中一种常见的操作，它是**膨胀操作（Dilation）和腐蚀操作（Erosion）**的组合。具体来说：闭操作 = 先膨胀，后腐蚀。

语法：

closedImage = imclose(inputImage, se);

inputImage：输入的二值图像。
se：结构元素（可以使用 strel 函数定义）。
closedImage：闭操作后的输出图像。

结构元素（se）在闭操作中非常重要，它决定了处理效果：

大小：
- 较小的结构元素只会处理细小的孔洞或间隙。
- 较大的结构元素会影响更大的区域。
形状：
- 圆形（disk）：适合处理光滑边界的目标。
- 方形（square）：适合处理直边目标。
- 线性（line）：适合连接特定方向的断开区域。

闭操作的优缺点：

优点：填补目标区域中的孔洞，连接断裂区域；平滑目标边界，适合目标分割后的预处理。

缺点：如果结构元素过大，可能会过度填补，导致目标形状失真；不适合去除孤立的噪声点（需要用开操作）。

2.9函数`regionprops的作用`

regionprops 是 MATLAB 中用于分析图像区域的强大函数，它可以提取图像中连通区域的各种属性，如面积、边界框、质心等。该函数常用于二值图像中目标区域的特征提取。

在车牌识别中，regionprops 被用来提取车牌区域的属性，例如面积（用于选择最大区域）和边界框（用于裁剪车牌区域）。

语法：

stats = regionprops(BW, properties)

BW：输入的二值图像。
properties：需要提取的属性列表
stats：输出为一个结构体数组，每个结构体代表一个连通区域及其属性。

个人学习日记-用matlab简单实现车牌识别

1.代码实现及逐层解析

1.1核心代码

1.2字符集模版代码

1.3匹配字符代码

2.一些重要函数的作用及解释

2.1函数 stretchlim 的作用

2.2函数 imadjust 的作用

2.3函数 imgaussfilt的作用

2.4函数 imsharpen的作用

2.5函数imbinarize的作用

2.6函数edge的作用

2.7函数imerode的作用

2.8 函数imclose的作用

2.9函数regionprops的作用