本發(fā)明屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，具體涉及一種針對(duì)我國(guó)列車車牌的二值化圖像融合方法。

背景技術(shù)：

以往記錄列車(火車、動(dòng)車、高鐵等)車牌主要是依靠人為觀察，而人為觀察記錄容易因?yàn)椴僮鲉T的疲勞等因素造成失誤，采用列車車牌號(hào)自動(dòng)識(shí)別系統(tǒng)可以有效的替換原先人為操作過(guò)程。

列車車牌號(hào)自動(dòng)識(shí)別是我國(guó)智慧交通建設(shè)中的重要一環(huán)，在我國(guó)列車軌道附近安裝相應(yīng)的識(shí)別系統(tǒng)，實(shí)時(shí)采集通過(guò)的列車圖片，然后將自動(dòng)識(shí)別出來(lái)的車牌號(hào)發(fā)送到相應(yīng)的站點(diǎn)，各站點(diǎn)利用實(shí)時(shí)獲取的列車信息進(jìn)行有效的調(diào)度各自的列車班次。不僅促進(jìn)列車有效的行駛，也為旅客，列車站提供了有效的實(shí)時(shí)信息。

二值化作為列車車牌號(hào)識(shí)別系統(tǒng)里面一個(gè)關(guān)鍵的圖像處理操作，它的好壞程度直接影響到后面的字符分割提取，從而影響到最終的識(shí)別準(zhǔn)確率。目前對(duì)汽車車牌的識(shí)別技術(shù)已經(jīng)很成熟了，但是對(duì)于列車車牌的識(shí)別技術(shù)還未達(dá)到成熟階段，與汽車車牌號(hào)相比，如圖1所示，我國(guó)列車車牌號(hào)因?yàn)闆](méi)有統(tǒng)一的標(biāo)準(zhǔn)導(dǎo)致樣式多樣。

目前，存在兩類基于閾值的二值化方法，分別為全局二值化例如Otsu和局部二值化例如Niblack。其中，全局二值化方法適用于前后背景存在明顯差值的圖，但是，當(dāng)圖像光照不均時(shí)，全局二值化會(huì)造成二值化后，圖像信息丟失。局部二值化因?yàn)槭菍D像分塊進(jìn)行二值化，因此對(duì)于退化的圖片和光照不均的圖片，局部二值化可以獲得相對(duì)較好的結(jié)果，但是因?yàn)榫植慷祷瘜?duì)雜質(zhì)敏感，導(dǎo)致最后的二值化圖像噪聲偏多。

目前已經(jīng)有人提出了通過(guò)多種二值化圖像融合的方法來(lái)實(shí)現(xiàn)各種二值化方法優(yōu)勢(shì)互補(bǔ)，人們主要是基于不同的閾值或者不同的方法獲得多個(gè)二值圖，對(duì)于如何將多個(gè)二值圖融合，目前有兩種使用較為廣泛的方法，一種是基于投票機(jī)制法，一種是基于像素分類法。但是這兩種方法均不能有效實(shí)現(xiàn)列車車牌二值化的識(shí)別。投票機(jī)制是對(duì)多個(gè)二值圖的同一個(gè)像素點(diǎn)進(jìn)行取值判斷，當(dāng)有一半以上的值為前景像素(1)則融合后為前景像素(1)，反之為背景像素(0)。這種方法沒(méi)有考慮不同二值圖之間的的關(guān)系，而是直接統(tǒng)計(jì)個(gè)數(shù)。例如當(dāng)進(jìn)行融合的多個(gè)二值圖中，基于全局二值化思想的方法多些，則這樣直接統(tǒng)計(jì)個(gè)數(shù)，對(duì)數(shù)目偏少的局部二值化方法則不合理。因此該方法沒(méi)有分析各個(gè)二值圖直接的優(yōu)缺點(diǎn)和方法，而是直接統(tǒng)計(jì)個(gè)數(shù)，實(shí)驗(yàn)證明對(duì)列車車牌二值化效果不好?；谙袼胤诸惙ㄊ遣捎脙煞N二值化方法獲得兩個(gè)二值圖，當(dāng)這兩個(gè)二值圖對(duì)應(yīng)的像素值都為前景像素(1)則為前景，都為背景像素則都為背景像素(0)，當(dāng)兩個(gè)二值圖對(duì)應(yīng)的像素值一個(gè)為前景一個(gè)為后景則為不確定像素點(diǎn)，因此分為(前景像素，后景像素，不確定像素)，然后對(duì)不確定像素進(jìn)行分類。以不確定像素為中心，向周圍局部范圍進(jìn)行迭代，當(dāng)局部范圍內(nèi)前景像素總和大于背景像素總和則其判別為前景像素，反之為后景像素，當(dāng)總和相同，則擴(kuò)大局部范圍進(jìn)行判斷，這個(gè)方法是基于一種聚類的假設(shè)，認(rèn)為相同類別的像素之間應(yīng)該更加接近，但是這只是一種先前對(duì)汽車車牌二值化或者文檔二值化的假設(shè)，實(shí)驗(yàn)證明對(duì)列車車牌二值化效果不好。

歸其原因是由于列車車牌雖然經(jīng)過(guò)歸一化后也能達(dá)到相同大小，但是此時(shí)里面的字符則不一樣，無(wú)法達(dá)到一致的標(biāo)準(zhǔn)，因此不能簡(jiǎn)單用上面的二值化方法進(jìn)行二值化。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問(wèn)題，特別創(chuàng)新地提出了一種列車車牌二值化圖像融合方法。

為了實(shí)現(xiàn)本發(fā)明的上述目的，本發(fā)明提供了一種列車車牌二值化圖像融合方法，其包括如下步驟：

S1，獲取通道數(shù)據(jù)，所述通道數(shù)據(jù)包括列車車牌彩色圖像的R、G、B三個(gè)通道圖以及列車車牌彩色圖像的灰度圖；計(jì)算四個(gè)通道圖的對(duì)比度值，選擇對(duì)比度值最大的作為最佳單通道圖，并且對(duì)該最佳單通道圖進(jìn)行像素歸一化；

S2，獲取歸一化后的最佳單通道圖的多個(gè)二值圖，所述二值圖包括用最大類間方差法獲得的二值圖，用自適應(yīng)加權(quán)高斯閾值方法獲得的二值圖，基于邊緣的二值圖以及基于自適應(yīng)分塊最大類間方差法的二值圖；

S3，將用最大類間方差法獲得的二值圖，將獲得的基于邊緣的二值圖以及獲得的基于自適應(yīng)分塊最大類間方差法二值圖進(jìn)行邏輯‘或’操作；

將得到的‘或’操作結(jié)果與獲得的基于自適應(yīng)加權(quán)高斯閾值方法的二值圖進(jìn)行邏輯‘與’操作，最后的結(jié)果即為最終理想二值圖。

本發(fā)明通過(guò)對(duì)多樣化的列車車牌進(jìn)行有效的二值化，并對(duì)二值化后的車牌之間進(jìn)行邏輯操作，確保列車車牌號(hào)識(shí)別系統(tǒng)的較高準(zhǔn)確率，為鐵路交通提供了更為準(zhǔn)確實(shí)時(shí)的交通信息。

在本發(fā)明的一種優(yōu)選實(shí)施方式中，步驟S1具體包括如下步驟：

S11，通道數(shù)據(jù)獲取：將列車車牌原彩色圖轉(zhuǎn)換為灰度圖，其轉(zhuǎn)換公式見(jiàn)如下公式：

Gray＝R×0.3+G×0.59+B×0.11

其中，R，G，B分別代表RGB空間中的三個(gè)通道，

灰度圖與列車車牌原彩色圖的R，G，B三個(gè)通道圖構(gòu)成四個(gè)不同的單通道圖；

S12，邊緣增強(qiáng)：依次對(duì)S11獲得四個(gè)單通道圖的水平掃描和/或豎直掃描進(jìn)行卷積操作，獲取四個(gè)相應(yīng)的邊緣增強(qiáng)的單通道圖，具體的卷積算子為：

豎直掃描卷積算子：

水平掃描卷積算子：

S13，降噪：對(duì)S12獲得的4個(gè)單通道圖進(jìn)行濾波降噪；

S14，對(duì)比度計(jì)算：利用對(duì)比度計(jì)算公式求解S13獲得的圖像的對(duì)比度值，選擇對(duì)比度值最大的作為最佳單通道圖，對(duì)比度計(jì)算公式如下：

其中，σ為標(biāo)準(zhǔn)差，n根據(jù)實(shí)驗(yàn)設(shè)置的常數(shù)，優(yōu)選為0.25，g為整個(gè)圖像的像素值，q為灰度級(jí)，本文為0到255，Pr(q|g)表示灰度級(jí)為q的像素總數(shù)占整幅圖像素個(gè)數(shù)總數(shù)的百分比，m為圖像像素均值。

S15，對(duì)最佳單通道圖進(jìn)行歸一化。

在本發(fā)明的一種優(yōu)選實(shí)施方式中，最佳單通道圖進(jìn)行歸一化的方法為：用最大類間方差法對(duì)最佳單通道圖進(jìn)行二值化，獲得最大類間方差法二值圖，然后統(tǒng)計(jì)二值圖里面像素值為1的個(gè)數(shù)M和像素值為0的個(gè)數(shù)N，當(dāng)M小于N時(shí)，則需要將該單通道圖取反，反之，單通道圖不取反。

在選擇好最佳單通道圖后，需要對(duì)單通道圖進(jìn)行像素歸一化，該優(yōu)選實(shí)施方式中在歸一化的時(shí)候用到了基于最大類間方差法的二值圖而已，這部分的操作的目的是歸一化。

本發(fā)明通過(guò)獲取四個(gè)通道圖以及最佳單通道圖，對(duì)單通道圖進(jìn)行二值化時(shí)，單通道圖的對(duì)比度越大，二值化效果越好，但是不同圖像他們對(duì)比度最好的單通道圖不一樣，有的是G通道，有的是R通道等，因此需要進(jìn)行自動(dòng)選擇，保證了計(jì)算的準(zhǔn)確性。

在本發(fā)明的另一種優(yōu)選實(shí)施方式中，用最大類間方差法獲得的二值圖的方法為：利用最大類間方差法對(duì)最佳單通道圖進(jìn)行二值化，獲得最大類間方差法二值圖，然后統(tǒng)計(jì)二值圖里面像素值為1的個(gè)數(shù)M和像素值為0的個(gè)數(shù)N，當(dāng)M大于N時(shí)，該二值圖進(jìn)行取反，反之，該二值圖不用取反。

在本發(fā)明的另一種優(yōu)選實(shí)施方式中，用自適應(yīng)加權(quán)高斯閾值方法獲得的二值圖的方法為：

取模板大小為w*w，用該模板對(duì)步驟S15歸一化后獲得的單通道圖進(jìn)行卷積操作，模板中心點(diǎn)對(duì)應(yīng)到圖像的像素點(diǎn)P(x,y)，以此點(diǎn)為中心，計(jì)算其局部高斯加權(quán)均值EG(x,y),然后用高斯加權(quán)均值減去一個(gè)常量B，所得結(jié)果則為當(dāng)前點(diǎn)P(x,y)的二值化閾值，

T(x,y)＝EG(x,y)-B

σ＝(μ-1)×k+b

其中，T(x,y)表示像素點(diǎn)(x,y)的二值化閾值，B表示一個(gè)常量，p(x+m,y+n)表示坐標(biāo)點(diǎn)(x+m,y+n)處的像素值，EG(x,y)表示基于高卷積模板對(duì)像素點(diǎn)(x,y)求出的一個(gè)閾值；G(x₀,y₀)表示卷積模板中(x₀,y₀)對(duì)應(yīng)的系數(shù)值，該模板系數(shù)為二維高斯分布，G(x₀,y₀)的取值幾乎全部集中在(μ-3σ,μ+3σ)區(qū)間內(nèi)，因此k取值0.3，b取值0.8；w表示模板寬度，k為系數(shù)常量，b為常量，高斯核里面的均值μ為模板寬度的一半，模板寬度w取值為圖片的高度的四分之一。

在本發(fā)明的另一種優(yōu)選實(shí)施方式中，用基于邊緣的二值圖方法獲得的二值圖的方法為：

利用步驟S12中的邊緣增強(qiáng)算法對(duì)步驟S15歸一化后獲得的單通道圖做卷積操作，獲得邊緣梯度圖，利用最大類間方差方法對(duì)該邊緣增強(qiáng)圖進(jìn)行二值化，獲得基于邊緣的二值圖。

在本發(fā)明的另一種優(yōu)選實(shí)施方式中，用基于自適應(yīng)分塊最大類間方差法獲得二值圖的方法為：

將S15歸一化后獲得的單通道圖進(jìn)行水平分割，分割成兩個(gè)子圖，然后用再最大類間方差法對(duì)每個(gè)子圖進(jìn)行二值化操作，最后將兩個(gè)子二值圖合并為一個(gè)二值圖，其分割點(diǎn)選擇通過(guò)如下步驟完成：

將原RGB空間的彩色圖轉(zhuǎn)換為HSV空間；

在HSV空間下獲取原彩色圖的V分量對(duì)應(yīng)的單通道圖，對(duì)V分量通道圖進(jìn)行垂直投影，將獲得的投影直方圖在水平方向進(jìn)行四等份劃分，存在包含水平方向左右起始點(diǎn)在內(nèi)的四個(gè)預(yù)選分割點(diǎn)，選擇中間兩個(gè)預(yù)選分割點(diǎn)中灰度值較小的點(diǎn)作為最終的分割點(diǎn)。

最大類間方差法是典型的全局二值化，穩(wěn)定性最好。自適應(yīng)加權(quán)高斯閾值方法是典型的局部二值化方法。選擇以上兩種二值化方法是因?yàn)樗麄兎€(wěn)定性好，具有很強(qiáng)的代表性，分別代表全局二值化和局部二值化?；谶吘壍亩祷椒ㄍㄟ^(guò)增強(qiáng)邊緣，然后二值化，可以確保更多字符信息保留?；谧赃m應(yīng)分塊最大類間方差法用于在夜晚列車行駛時(shí)準(zhǔn)確獲取列車車牌的信息。這四種二值化方法不是隨機(jī)選的，需要考慮他們直接的優(yōu)缺點(diǎn)從而進(jìn)行融合，本文正是通過(guò)分析他們之間的關(guān)系才確定了這四種二值化方法。通過(guò)對(duì)列車車牌的四種二值化圖像之間進(jìn)行邏輯操作，確保列車車牌號(hào)識(shí)別系統(tǒng)的較高準(zhǔn)確率，為鐵路交通提供了更為準(zhǔn)確實(shí)時(shí)的交通信息。

本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

附圖說(shuō)明

本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1是現(xiàn)有樣式多樣的我國(guó)列車車牌號(hào)圖像；

圖2本發(fā)明列車車牌二值化圖像融合方法的流程圖；

圖3是三個(gè)車牌圖片以及其對(duì)應(yīng)的四個(gè)單通道圖；

圖4是三個(gè)車牌圖片以及其對(duì)應(yīng)的四個(gè)單通道圖的邊緣圖；

圖5是分別用最大類間方差法和基于自適應(yīng)加權(quán)高斯閾值方法對(duì)未進(jìn)行歸一化的圖像進(jìn)行二值化的效果；

圖6是分別采用最大類間方差法、基于自適應(yīng)加權(quán)高斯閾值、基于邊緣法獲得的三個(gè)示意二值圖；

圖7是對(duì)原圖像的V分量通道進(jìn)行垂直投影獲得的投影折線圖；

圖8是部分二值圖像效果對(duì)比，他們分別采用不同的二值化方法；

圖9是最大類間方差方法獲得的二值圖與基于自適應(yīng)加權(quán)高斯閾值方法獲得的二值圖的“與”操作前后的圖片；

圖10是基于自適應(yīng)加權(quán)高斯閾值方法獲得的二值圖與基于自適應(yīng)分塊最大類間方差法獲得二值圖“與”操作前后的圖片；

圖11是基于自適應(yīng)加權(quán)高斯閾值方法獲得的二值圖與基于自適應(yīng)分塊最大類間方差法獲得二值圖“與”操作前后的圖片。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。

在本發(fā)明的描述中，除非另有規(guī)定和限定，需要說(shuō)明的是，術(shù)語(yǔ)“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是機(jī)械連接或電連接，也可以是兩個(gè)元件內(nèi)部的連通，可以是直接相連，也可以通過(guò)中間媒介間接相連，對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語(yǔ)的具體含義。

本發(fā)明提供了一種列車車牌二值化圖像融合方法，如圖2所示，其包括如下步驟：

S1，獲取通道數(shù)據(jù)，所述通道數(shù)據(jù)包括列車車牌彩色圖像的R、G、B三個(gè)通道圖以及列車車牌彩色圖像的灰度圖；計(jì)算四個(gè)通道圖的對(duì)比度值，選擇對(duì)比度值最大的作為最佳單通道圖,并且對(duì)該最佳單通道圖進(jìn)行像素歸一化。

在實(shí)施方式中，步驟S1具體包括如下步驟：

S11，通道數(shù)據(jù)獲取：將列車車牌原彩色圖轉(zhuǎn)換為灰度圖，其轉(zhuǎn)換公式見(jiàn)如下公式：

Gray＝R×0.3+G×0.59+B×0.11

其中，R，G，B分別代表RGB空間中的三個(gè)通道，

灰度圖與列車車牌原彩色圖的R，G，B三個(gè)通道圖構(gòu)成四個(gè)不同的單通道圖。

如圖3所示，圖中(a)列為三個(gè)列車車牌的原圖，大小為408*104，獲取其對(duì)應(yīng)的4個(gè)通道圖，(b)，(c)，(d)，(e)依次為每行的列車車牌圖像對(duì)應(yīng)的灰度圖，R通道圖，G通道圖，B通道圖。

S12，邊緣增強(qiáng)：依次對(duì)S11獲得四個(gè)單通道圖的水平掃描和/或豎直掃描進(jìn)行卷積操作，獲取四個(gè)相應(yīng)的邊緣增強(qiáng)的單通道圖，具體的卷積算子為：

豎直掃描卷積算子：

水平掃描卷積算子：

具體邊緣增強(qiáng)前后的圖形如圖4所示，在本實(shí)施方式中，圖4(a)為原圖，分別對(duì)其對(duì)應(yīng)的4個(gè)單通道進(jìn)行卷積操作，優(yōu)選為Sobel算子操作，獲得對(duì)應(yīng)的邊緣圖。(b)，(c)，(d)，(e)依次為每行對(duì)應(yīng)相關(guān)的灰度圖的邊緣圖，R通道圖的邊緣圖，G通道圖的邊緣圖，B通道圖的邊緣圖。

S13，降噪：對(duì)S12獲得的4個(gè)單通道圖進(jìn)行濾波降噪。優(yōu)選利用大小為3*3的均值濾波器對(duì)所有的邊緣圖進(jìn)行濾波。

S14，對(duì)比度計(jì)算：利用對(duì)比度計(jì)算公式求解S13獲得的圖像的對(duì)比度值，選擇對(duì)比度值最大的作為最佳單通道圖，對(duì)比度計(jì)算公式如下：

其中，σ為標(biāo)準(zhǔn)差，n根據(jù)實(shí)驗(yàn)設(shè)置為0.25，g為整個(gè)圖像的像素值，q為灰度級(jí)，本文為0到255，Pr(q|g)表示灰度級(jí)為q的像素總數(shù)占整幅圖像素個(gè)數(shù)總數(shù)的百分比，m為圖像像素均值。

S15對(duì)最佳單通道圖歸一化。在本實(shí)施方式中，用最大類間方差法對(duì)最佳單通道圖進(jìn)行二值化，獲得最大類間方差法二值圖，然后統(tǒng)計(jì)二值圖里面像素值為1的個(gè)數(shù)M和像素值為0的個(gè)數(shù)N，當(dāng)M小于N時(shí)，則需要將該單通道圖取反，反之，單通道圖不取反。

S2，獲取歸一化后最佳單通道數(shù)據(jù)的多個(gè)二值圖，所述二值圖包括用最大類間方差法獲得的二值圖，用自適應(yīng)加權(quán)高斯閾值方法獲得的二值圖，基于邊緣的二值圖以及基于自適應(yīng)分塊最大類間方差法的二值圖。

在本實(shí)施方式中，通過(guò)多種方法獲得列車車牌的二值化圖像，在多個(gè)二值化圖像之間進(jìn)行邏輯運(yùn)算。

由圖5可知，當(dāng)圖像的前后景不一致時(shí)，采用基于自適應(yīng)加權(quán)高斯閾值二值化方法會(huì)得到較差的效果，所以首先用最大類間方差方法對(duì)最佳單通道圖進(jìn)行處理，獲得最大類間方差二值圖，然后統(tǒng)計(jì)二值圖里面像素值為1的個(gè)數(shù)M和像素值為0的個(gè)數(shù)N，當(dāng)M大于N時(shí)，則需要將該單通道圖取反，反之，對(duì)最大類間方差二值圖進(jìn)行取反，單通道圖不變。在本實(shí)施方式中，利用最大類間方差方法獲取二值圖與步驟S15同時(shí)進(jìn)行，只是目的不同，此處的目的是對(duì)最大類間方差法獲得的二值圖進(jìn)行操作。

在本發(fā)明的另一種優(yōu)選實(shí)施方式中，用自適應(yīng)加權(quán)高斯閾值方法獲得的二值圖的方法為：

取模板大小為w*w，用該模板對(duì)最大類間方差法獲得的單通道圖進(jìn)行卷積操作，模板中心點(diǎn)對(duì)應(yīng)到圖像的像素點(diǎn)P(x,y)，以此點(diǎn)為中心，計(jì)算其局部高斯加權(quán)均值EG(x,y),然后用高斯加權(quán)均值減去一個(gè)常量B，所得結(jié)果則為當(dāng)前點(diǎn)P(x,y)的二值化閾值，

T(x,y)＝EG(x,y)-B

σ＝(μ-1)×k+b

其中，T(x,y)表示像素點(diǎn)(x,y)的二值化閾值，p(x+m,y+n)表示坐標(biāo)點(diǎn)(x+m,y+n)處的像素值，B表示一個(gè)常量，EG(x,y)表示基于高卷積核對(duì)像素點(diǎn)(x,y)利用求出的一個(gè)閾值；G(x₀,y₀)表示卷積模板中(x₀,y₀)對(duì)應(yīng)的權(quán)值，該模板所有的權(quán)值呈二維高斯分布，G(x₀,y₀)的取值幾乎全部集中在(μ-3σ,μ+3σ)區(qū)間內(nèi)，超出這個(gè)范圍的可能性僅占不到0.3％，因此k取值0.3，b取值0.8；w表示模板寬度，k為系數(shù)常量，b為常量，高斯核里面的均值μ為模板寬度的一半，模板寬度w取值為圖片的高度的四分之一。獲取的基于自適應(yīng)加權(quán)高斯閾值方法的二值圖如圖6(b)所示。

在本發(fā)明的另一種優(yōu)選實(shí)施方式中，用基于邊緣的二值圖方法獲得的二值圖的方法為：

利用步驟S12中的邊緣增強(qiáng)算法對(duì)歸一化后的單通道圖做卷積操作，獲得邊緣梯度圖，利用最大類間方差方法對(duì)該邊緣增強(qiáng)圖進(jìn)行二值化，獲得基于邊緣的二值圖。在本實(shí)施方式中，優(yōu)選采用Sobel算子的水平方向和垂直方向的對(duì)最大類間方差法獲得的單通道圖做卷積操作，獲得邊緣增強(qiáng)度圖，如圖6(c)。

在本發(fā)明的另一種優(yōu)選實(shí)施方式中，用基于自適應(yīng)分塊最大類間方差法獲得二值圖的方法為：

將最大類間方差法獲得的單通道圖進(jìn)行水平分割，分割成兩個(gè)子圖，然后用再最大類間方差法對(duì)每個(gè)子圖進(jìn)行二值化操作，最后將兩個(gè)子二值圖合并為一個(gè)二值圖，其分割點(diǎn)選擇通過(guò)如下步驟完成：

將原RGB空間的彩色圖轉(zhuǎn)換為HSV空間；

在HSV空間下獲取原彩色圖的V分量對(duì)應(yīng)的單通道圖，對(duì)V分量通道圖進(jìn)行垂直投影，將獲得的投影直方圖在水平方向進(jìn)行四等份劃分，存在包含水平方向左右起始點(diǎn)在內(nèi)的四個(gè)預(yù)選分割點(diǎn)，選擇中間兩個(gè)預(yù)選分割點(diǎn)中灰度值較小的點(diǎn)作為最終的分割點(diǎn)，具體獲得的圖像如圖7所示。

S3，將用最大類間方差法獲得的二值圖，將獲得的基于邊緣的二值圖以及獲得的基于自適應(yīng)分塊最大類間方差法二值圖進(jìn)行邏輯‘或’操作；

將得到的‘或’操作結(jié)果與獲得的基于自適應(yīng)加權(quán)高斯閾值方法的二值圖進(jìn)行邏輯‘與’操作，最后的結(jié)果即為最終理想二值圖，如圖7所示，其中(a)為對(duì)應(yīng)的原圖，(b)為基于最大類間方差方法的二值圖，(c)為基于基于自適應(yīng)加權(quán)高斯閾值方法的二值圖，(d)為基于邊緣的二值圖，(e)為基于自適應(yīng)分塊最大類間方差方法的二值圖，(f)為本發(fā)明提出的二值化方法對(duì)應(yīng)的二值圖。

最大類間方差法是典型的全局二值化，穩(wěn)定性最好。自適應(yīng)加權(quán)高斯閾值方法是典型的局部二值化方法。選擇以上兩種二值化方法是因?yàn)樗麄兎€(wěn)定性好，具有很強(qiáng)的代表性，分別代表全局二值化和局部二值化。基于邊緣的二值化方法通過(guò)增強(qiáng)邊緣，然后二值化，可以確保更多字符信息保留?；谧赃m應(yīng)分塊最大類間方差法用于在夜晚列車行駛時(shí)準(zhǔn)確獲取列車車牌的信息。這四種二值化方法不是隨機(jī)選的，需要考慮他們直接的優(yōu)缺點(diǎn)從而進(jìn)行融合，本文正是通過(guò)分析他們之間的關(guān)系才確定了這四種二值化方法，其他二值化方法如果性質(zhì)類似，可以替換。通過(guò)對(duì)列車車牌的四種二值化圖像之間進(jìn)行邏輯操作，確保列車車牌號(hào)識(shí)別系統(tǒng)的較高準(zhǔn)確率，為鐵路交通提供了更為準(zhǔn)確實(shí)時(shí)的交通信息。

局部二值化和全局二值化各自都有優(yōu)缺點(diǎn)，那么如何有效的讓他們互補(bǔ)，這正是這篇文章的創(chuàng)新點(diǎn)，本發(fā)明沒(méi)有從二值化后的像素值來(lái)分析，而是獨(dú)辟蹊徑。

1)最大類間方差方法獲得的二值圖與基于自適應(yīng)加權(quán)高斯閾值方法獲得的二值圖取‘與’，

觀察圖9的image1和image2：對(duì)于image1，用最大類間方差方法可以很好的實(shí)現(xiàn)二值化且雜質(zhì)較少，而基于自適應(yīng)加權(quán)高斯閾值作為局部二值化因?yàn)閷?duì)噪聲敏感導(dǎo)致雜質(zhì)較多，因此采用‘與’操作后可以得到真正的字符二值化信息。因此用最大類間方差的優(yōu)點(diǎn)彌補(bǔ)了基于自適應(yīng)加權(quán)高斯閾值的缺點(diǎn)；對(duì)于image2，因?yàn)楣庹詹痪藭r(shí)最大類間方差二值化后圖像出現(xiàn)信息丟失，局部整塊的出現(xiàn)錯(cuò)誤的二值化，而基于自適應(yīng)加權(quán)高斯閾值則可以解決這種問(wèn)題，取‘與’操作后效果提升，此時(shí)用基于自適應(yīng)加權(quán)高斯閾值的優(yōu)點(diǎn)彌補(bǔ)了最大類間方差的缺點(diǎn)。

那么觀察image3：當(dāng)車牌出現(xiàn)污損或者沒(méi)有光照，此時(shí)到時(shí)最大類間方差二值化后同樣出現(xiàn)信息損失，而基于自適應(yīng)加權(quán)高斯閾值則可以解決這種問(wèn)題，但是此時(shí)用‘與’操作卻不行，如果用‘或’操作，又會(huì)與上面那種情況矛盾，因此本文最大類間方差與基于自適應(yīng)加權(quán)高斯閾值只采用‘與’。如何解決image3的問(wèn)題，我們通過(guò)下面的一個(gè)融合。

2)基于自適應(yīng)加權(quán)高斯閾值與基于自適應(yīng)分塊最大類間方差法獲得二值圖的“與”操作，

先通過(guò)Sobel算子增強(qiáng)邊緣，這種增強(qiáng)邊緣對(duì)任何類型的圖像都有效，當(dāng)然同時(shí)也對(duì)雜質(zhì)起到增強(qiáng)的作用，經(jīng)過(guò)Sobel算子操作后，在進(jìn)行最大類間方差操作，此時(shí)二值化后的圖像將會(huì)保留更多信息，見(jiàn)圖10的image1，它對(duì)應(yīng)著圖9的image3。這是讓基于自適應(yīng)加權(quán)高斯閾值和基于自適應(yīng)分塊最大類間方差法獲得二值圖取‘與‘操作。盡管會(huì)帶來(lái)一定的雜質(zhì)，但是對(duì)二值化的最終效果影響不大。因?yàn)槲覀兊哪康氖潜M量保留字符的信息。觀察圖10的image2，當(dāng)圖像不僅處于陰影部分而且自身字符邊緣模糊，這時(shí)采用Sobel算子來(lái)增強(qiáng)邊緣，效果不好，所有只能采用類似局部二值化的方法，將圖像陰影部分與光亮部分分開(kāi)。分別進(jìn)行二值化，此時(shí)提出了基于自適應(yīng)分塊最大類間方差法與基于自適應(yīng)加權(quán)高斯閾值的‘與’操作。

3)基于自適應(yīng)加權(quán)高斯閾值與基于自適應(yīng)分塊最大類間方差法獲得二值圖

因?yàn)榛谧赃m應(yīng)分塊最大類間方差法獲得二值圖和最大類間方差法都無(wú)法對(duì)字符邊緣模糊且處在光照不均的圖像進(jìn)行有效的二值化，因此采用分塊的二值化，其思想類似于基于自適應(yīng)加權(quán)高斯閾值局部二值化，因?yàn)楸苊饣谧赃m應(yīng)加權(quán)高斯閾值與基于自適應(yīng)分塊最大類間方差法獲得二值圖一樣，我們只將圖像垂直的分為兩塊，每塊再進(jìn)行全局二值化，這樣既保留的全局二值化的優(yōu)點(diǎn)，有具有一定的局部二值化的效果，見(jiàn)圖11。此時(shí)將基于自適應(yīng)加權(quán)高斯閾值與基于自適應(yīng)分塊最大類間方差法獲得二值圖取‘與’操作則可以解決圖10image2里面不能解決的問(wèn)題。

因?yàn)檎麄€(gè)車牌二值化時(shí)，碰到的困難就是光照不均，車牌受損，字符發(fā)生模糊。因此本文主要基于這幾個(gè)問(wèn)題進(jìn)行分析并設(shè)計(jì)了該種融合方法。經(jīng)過(guò)試驗(yàn)對(duì)比，總體效果優(yōu)于其他二值化方法。

由于只有基于自適應(yīng)加權(quán)高斯閾值是真正的局部二值化方法，最大類間方差法和基于自適應(yīng)分塊最大類間方差法獲得二值圖以及基于邊緣的最大類間方差法三種二值化屬于全局二值化，而全局二值化的缺點(diǎn)就是容易丟失信息，因此先將這三個(gè)“全局二值化”方法取“或”操作，這樣可以盡量的保留字符信息?；谧赃m應(yīng)加權(quán)高斯閾值作為局部二值化，其不易丟失信息，但是正因?yàn)槿绱藢?dǎo)致局部二值化后的圖像包含雜質(zhì)較多(因?yàn)榫植慷祷瘜?duì)噪聲敏感)，因此最終通過(guò)‘與’操作實(shí)現(xiàn)真正的字符信息保留下來(lái)。

本發(fā)明的有益結(jié)果是：通過(guò)對(duì)多樣化的列車車牌進(jìn)行有效的二值化，從而確保列車車牌號(hào)識(shí)別系統(tǒng)的較高準(zhǔn)確率，為鐵路交通提供了更為準(zhǔn)確實(shí)時(shí)的交通信息。

本發(fā)明通過(guò)對(duì)多樣化的列車車牌進(jìn)行有效的二值化，并對(duì)二值化后的車牌之間進(jìn)行邏輯操作，確保列車車牌號(hào)識(shí)別系統(tǒng)的較高準(zhǔn)確率，為鐵路交通提供了更為準(zhǔn)確實(shí)時(shí)的交通信息。

在本說(shuō)明書(shū)的描述中，參考術(shù)語(yǔ)“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說(shuō)明書(shū)中，對(duì)上述術(shù)語(yǔ)的示意性表述不一定指的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。

盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對(duì)這些實(shí)施例進(jìn)行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同物限定。