基于各向异性扩散方程的图像降噪技术和车牌识别技术研究

论文摘要

数字化与信息化迅猛发展使得数字图像处理正在成为一门越来越重要的学科。基于偏微分方程的数字图像处理技术因其坚实的理论支撑,在相关领域获得广泛应用。其中,基于各向异性扩散方程的图像降噪技术由传统的Gaussian滤波发展而来的,是基于偏微分方程的数字图像处理技术的一种,这种技术的特点是可以在平滑噪声的同时较好地保持边缘特征,其图像降噪应用效果得到了广泛的认可。本文在较深入研究各向异性扩散方程基本理论的基础上,着重研究了各向异性扩散方程在图像降噪方面的应用。为了进一步提高P-M各向异性扩散模型的应用性能,本文提出了改进的P-M各向异性扩散模型,并探讨了其在医学超声图像降噪中的应用；实验结果表明该模型能够有效抑制医学超声图像的斑点（Speckle）噪声,同时较好地保持图像的边缘特征。另一方面,随着信息技术的发展,交通管理系统的信息化、智能化已成为发展的趋势。车牌识别系统是智能交通系统的核心组成部分,在现代交通收费管理系统中发挥着举足轻重的作用。近年来,对车牌识别系统中关键技术的研究已成为智能交通领域的一个热点问题。本文研究了车牌识别系统的车牌定位、车牌字符分割与识别等环节中的一些关键技术问题。重点研究了车牌字符识别中的两种常用方法：模板匹配和神经网络的字符识别方法。在模板匹配方法中,本文对传统模板匹配方法做了一些改进,并通过实验验证应用效果；另外,本文尝试性将图像的Zenike矩特征作为神经网络的输入量进行字符识别,实验均取得较好结果。最后,本文对模板匹配和矩特征的神经网络字符识别方法进行了对比分析。

论文目录

• 目录
• Table of contents
• 摘要
• ABSTRACT
• 符号说明
• 第一章 绪论
• 第一节 课题的来源与背景
• 第二节 课题的研究内容及论文的结构
• 第三节 课题的创新之处
• 第二章 基于各向异性扩散方程的图像降噪
• 第一节 引言
• 2.1.1 图像的噪声
• 2.1.2 降噪方法概述
• 第二节 基于各向异性扩散方程的图像降噪原理与方法
• 2.2.1 热传导方程扩散模型
• 2.2.2 P-M非线性扩散方程
• 2.2.3 F.catte模型
• 2.2.4 林石算子
• 第三节 小结
• 第三章 基于改进的P-M方程的图像降噪
• 第一节 扩散方向的改进
• 第二节 扩散系数的改进
• 3.2.1 引入经典的梯度算子
• 3.2.2 改进扩散门限参数
• 第三节 医学超声图像降噪应用
• 第四节 小结
• 第四章 车牌定位与字符分割
• 第一节 车牌定位
• 4.1.1 车牌定位技术现状
• 4.1.2.车牌定位前期处理
• 4.1.2.1 图像的灰度化
• 4.1.2.2 图像的二值化
• 4.1.2.3 边缘检测
• 4.1.2.4 形态学处理
• 4.1.3 车牌定位
• 第二节 字符分割
• 4.2.1 车牌字符分割技术常用方法
• 4.2.2 车牌的倾斜校正
• 4.2.3 车牌边框的切除
• 4.2.4 字符分割
• 第三节 小结
• 第五章 模板匹配与神经网络字符识别
• 第一节 模板匹配字符识别
• 5.1.1 模板匹配字符识别的算法原理
• 5.1.2 模板匹配字符算法改进
• 第二节 BP神经网络应用于车牌字符识别
• 5.2.1 BP神经网络的基本原理
• 5.2.2 误差的确定
• 5.2.3 用BP神经网络进行字符识别的算法步骤
• 第三节 矩特征的BP神经网络字符识别
• 5.3.1 Hu矩的数学描述
• 5.3.2 Zernike矩的数学描述
• 5.3.3 车牌字符矩特征表示形式
• 第四节 模板匹配和矩特征的神经网络字符识别对比
• 5.4.1 实验过程及实验结果
• 5.4.2 实验数据对比分析
• 第五节 小结
• 第六章 总结与展望
• 参考文献
• 致谢
• 硕士期间发表论文
• 学位论文评阅及答辩情况表